IDAEO：AI 時代行銷學

教材｜每一章一個問題，每張圖由上而下越來越細，每一句主張都附原因｜2026-10-11

作者：林毅祥（TK Lin）｜發行：株式會社和心（IDAEO）｜數據截至 2026/10/8｜最後更新 2026/10/13｜每月隨新數據更新

IDAEO：AI 時代行銷學

學完能判斷店家在 S1–S10 的進展、行銷受眾與優化領域，並用成效指標驗收。

先掌握 IDAEO 七大定律、IDAEO 行銷五大構面與 IDAEO 架構九大要素，再學受眾、旅程、量測、驗證、服務分級與成效，最後看 IDAEO 自家網站與早期實測店家的成果及理論依據。

  1. 第 0 章　IDAEO：AI 時代的行銷學林毅祥如何從網站實測建立 IDAEO，這套 AI 時代的行銷學怎麼組成？
  2. 第 1 章　受眾策略（對誰做）：五類行銷受眾與六大優化領域各類行銷受眾來做什麼，對應哪些優化領域？
  3. 第 2 章　旅程設計（走哪幾步）：AI 顧客旅程：四階段十步驟客人透過 AI 找店，四階段十步驟如何接續？
  4. 第 3 章　量測來源與 AI 黑盒子：成效衡量的資料基礎各步數字由誰提供，AI 黑盒子如何量測？
  5. 第 4 章　信任驗證（憑什麼信）：可信事實與外部印證店家的主張如何成為 AI 可引用的可信事實？
  6. 第 5 章　服務分級（做到哪一級）：AEO 曝光、AEO+ 口碑、IDA 品牌公關各服務分級涵蓋哪些旅程步驟，如何選擇成效指標？
  7. 第 6 章　成效衡量（怎麼算成果）：AI 曝光數與全程價值AI 曝光、取用與到站各代表什麼成果？
  8. 第 7 章　IDAEO 實測：自家網站與早期實測店家IDAEO 自家網站如何從零到一億次請求？第一批共同實測店家取得什麼成果？
  9. 第 8 章　AI 能見度與理論基礎AI 能見度位於哪段旅程，IDAEO 的理論依據是什麼？
第 0 章

IDAEO：AI 時代的行銷學

本章回答林毅祥如何從網站實測建立 IDAEO，這套 AI 時代的行銷學怎麼組成？

為什麼排在這裡先讀緣起、實測基礎與結構定義，才能理解各章如何把 AI 曝光連到後續行銷成果。

IDAEO 的緣起：林毅祥如何把實測做成一套行銷學

從數位行銷第一線走到 AI 時代

林毅祥（TK Lin）是連續創業家，2008 年起創辦社群廣告代理 ADPartner 亞太數位廣告集團，在數位行銷第一線十八年；2016 年在巴黎創立 AI ChatBot 公司 Botpartner，2020 年在日本千葉創辦和心村，2026 年創立 IDAEO。客人開始先問 AI，行銷也要接上 AI。

從首日 53 次，到 AI 與搜尋引擎累積來讀 1.055 億次

2026/3/3，林毅祥開始量測自己網站的 AI 到訪，首日 53 次，3 月累積 63.5 萬次請求。到 10/8，AI 到訪量測已累積 220 天。3/3 到 10/8，AI 與搜尋引擎來讀 1.055 億次。因為網站已被 AI 大量取用，所以行銷要把讓 AI 讀懂與相信列為基礎工作；他把這些實測做成行銷學的基礎。

行銷先讓 AI 讀懂、相信，再由 AI 替你說

客人從搜尋後自己比較十個連結，轉向問 AI、拿一個答案。林毅祥因此把行銷受眾延伸到 AI，先讓 AI 讀懂、相信，再由 AI 替品牌說明。AI Agent 是未來 AI 流量的主力：AI 從「回答」走向「替客人辦事」，到站者也從讀內容的爬蟲延伸到執行任務的 AI Agent。實測產業數據顯示搜尋與 AI 取用的變化：在有去年同期紀錄的資料中，2026 年 6 到 9 月的 Google 搜尋點擊，每個月都只有去年同月的一半左右（9 月合計 52,926 次 → 25,928 次）。客人透過 AI 找答案，行銷也要接上這個接觸點。同一批實測產業數據顯示：4 到 9 月被 Copilot 引用 37,793 次，同期 Bing 搜尋點擊 10,177 次，兩個數字來自同一個平台（Microsoft），AI 引用的次數是搜尋點擊的 3.7 倍。引用讓內容成為 AI 回答的依據，也是行銷成果。

七步串成有實測依據的方法論

林毅祥把實測、驗證、理論、流程、診斷、解決方案與成效串成一套 IDAEO：從第一方數據出發，以三地大數據的驗證模型支撐可信事實，結合 17 項學理與 78 筆延伸文獻，接上四階段十步驟、十道旅程診斷關卡與服務分級。最後以九項成效指標驗收，八項實測數字和第一方數據顯示已累積的成果，據此判斷旅程進展。

核心、架構與組成各有位置

IDAEO 的結構定義是：七大定律是核心、五大構面是架構、九大要素是組成。林毅祥把實測與驗證數據接上理論，再把流程、診斷、方法與解決方案放進同一套行銷學。定律提供判斷原則，構面安排工作，要素把工作連到成果，讓實測有清楚的解讀架構。

現在：與店家、網站主共同實測

IDAEO 經過和心村、第一批店家、第二批產業的實測驗證，即將擴大公開實測。接下來，IDAEO 將招募更多店家、網站主一起實測，研究 IDAEO 如何在各自的行銷場景發揮更好效果。因為店家與網站主的第一方數據能持續提供實務依據，共同實測將推進理論、實務、方法論與解決方案的進階研究。

這套學說是活的

IDAEO 每月有新數據與實測驗證，理論與實證基礎持續增強。客人與 AI 的互動持續改變，學說也要用新成果檢驗既有判斷，讓受眾、旅程與成效的解釋跟上變化。

IDAEO 怎麼建成：從實測到成效的七步

步驟做了什麼在哪裡看
① 實測量測第一方數據，累積 1.055 億次請求、AI 曝光數 9,746 萬次與來訪者種類，作為行銷判斷的基礎。見圖 6-1〈全程成效儀表板〉與第 1 章
② 驗證以日本、台灣、香港三地大數據建立 IDAEO 驗證模型，支撐可信事實。見圖 4-1〈IDAEO 驗證模型〉
③ 理論結合 17 項學理與 78 筆延伸文獻，讓行銷設計有理論出處。見圖 8-2〈IDAEO 理論基礎對應圖〉與書末文獻
④ 流程建立 AI 顧客旅程四階段十步驟，把資訊準備接到顧客回流。見圖 2-1〈AI 顧客旅程地圖〉
⑤ 診斷配置十道旅程診斷關卡，讓每一步有驗收重點。見圖 2-2〈旅程診斷關卡圖〉
⑥ 解決方案把 IDAEO 解決方案與服務分級接到四階段十步驟，依旅程安排支援範圍。見圖 5-2〈成效指標對照矩陣〉與圖 5-1〈服務分級階梯圖〉
⑦ 成效以九項成效指標驗收旅程，搭配八項實測數字和第一方數據，衡量行銷成果。見圖 6-1〈全程成效儀表板〉

圖 0-1　行銷三世代演進圖

由左到右看客人找店方式的變化，再看行銷受眾、策略與成效衡量；第三欄是 IDAEO。接觸方式隨時代改變，行銷核心始終是讓對的客人找到、相信並選擇你。

圖 0-1　行銷三世代演進圖

怎麼看從左到右看三個時代，從上到下比較五項特徵；最右欄是 IDAEO。

圖 0-2　IDAEO 七大定律總圖

七大定律是核心，五大構面是架構。由上往下看定律名稱、一句話、為什麼、對應構面：受眾適配定律是「表達隨受眾而異」，因為人與 AI 理解資訊的方式各異；身分連續定律是「主體身分始終一致」，因為 AI 對主體的認知靠長期累積；驗證獨立定律是「驗證有成本，結論依事實」，因為公信力來自判斷不受委託左右；事實先行定律是「可信內容始於已驗事實」，因為經過核實，AI 才放心取用；主張溯源定律是「每項主張皆有可溯依據」，因為可追溯，AI 才有引用的把握；外部印證定律是「可信主張須有外部印證」，因為獨立觀點補足單方敘述；全程成效定律是「AI 各階段取用皆是成效」，因為顧客在 AI 回答中就完成決定。最下排依序對應受眾策略（對誰做）、服務分級（做到哪一級）、信任驗證（憑什麼信）、成效衡量（怎麼算成果）。

圖 0-2　IDAEO 七大定律總圖

怎麼看由上往下看定律名稱、一句話、為什麼、對應構面；最下排接到圖 0-3〈IDAEO 學說架構全景圖〉，把核心原則連到架構。七大定律都落在十步驟上——旅程設計是七條定律共同落地的地方，所以圖 0-2 最下排不單獨列它。服務一級一級往上疊，疊的是同一個主體，所以身分連續定律對應服務分級。

圖 0-3　IDAEO 學說架構全景圖：五大構面與九大要素

七大定律是核心、五大構面是架構、九大要素是組成。由上往下看定義、構面與要素；各格從屬上格，最下排用圖號與圖名連到相關內容，串起原則與成果。

圖 0-3　IDAEO 學說架構全景圖：五大構面與九大要素

怎麼看由上往下看一句定義、五大構面與九大要素；各格對應上方構面，最下排以圖號與圖名標出各要素展開的位置。

本章重點

主張為什麼
IDAEO 是 AI 時代的行銷學，以網站實測、可信事實與理論串起完整旅程。客人從搜尋後比較連結，轉向問 AI、拿答案。行銷要先讓 AI 讀懂、相信，再由 AI 替品牌說明。林毅祥以自己網站的 AI 到訪實測建立這套學說。
先有 AI 曝光數，才有後面的旅程。S2–S4 被 AI 讀到，S5 之後才有被點名、被引用、客人上門的基礎。這帶來複利領先：內容越早被讀到，越早累積取用與新數據，下一輪更準、領先更大。圖 7-1 的累積量顯示這段成長：3 月底 63.5 萬 → 6 月底 2,140 萬 → 9 月底 9,915 萬 → 10/8 累積 1.055 億次。
七大定律是核心、五大構面是架構、九大要素是組成。定律提供判斷原則，構面組織行銷工作，要素把原則連到成果。
IDAEO 行銷五大構面串起全程：受眾策略（對誰做）、旅程設計（走哪幾步）、信任驗證（憑什麼信）、服務分級（做到哪一級）、成效衡量（怎麼算成果）。各構面各有任務，合起來涵蓋資訊準備到顧客回流的行銷。
IDAEO 架構九大要素相互對應：行銷受眾、優化領域、顧客旅程、旅程診斷、IDAEO 解決方案、驗證原則、服務分級、成效指標、第一方數據。實測、驗證數據與理論，經旅程、診斷和解決方案連到成效驗收，成為完整的方法論。
IDAEO 是活的學說。每月的新數據與實測驗證，都能檢驗既有主張，增強理論與實證基礎。

名詞

行銷
涵蓋線上與線下，讓對的客人找到你、相信你、選擇你。
網路行銷
行銷包含線上與線下，網路行銷是透過網路通路接觸客人、建立關係並促成選擇的部分；IDAEO 把既有行銷工作接到 AI 這一段。
IDAEO
林毅祥創立的 AI 時代行銷學，以實測、驗證數據與理論為基礎，串起流程、旅程診斷、方法、解決方案與成效驗收。
IDAEO 七大定律
IDAEO 的核心，統整受眾、身分、驗證、事實、溯源、印證與全程成效的判斷原則。
IDAEO 行銷五大構面
IDAEO 的架構，以受眾策略（對誰做）、旅程設計（走哪幾步）、信任驗證（憑什麼信）、服務分級（做到哪一級）、成效衡量（怎麼算成果）組織行銷工作。
IDAEO 架構九大要素
IDAEO 的組成：行銷受眾、優化領域、顧客旅程、旅程診斷、IDAEO 解決方案、驗證原則、服務分級、成效指標與第一方數據。
第一方數據
IDAEO 直接量測並累積的數據，用來建立方法論與驗收成效。
活的學說
IDAEO 每個月有新數據與新的實測驗證，理論與實證基礎持續增強。

常見問題

問　IDAEO 為什麼是一套行銷學？

答　林毅祥把網站實測、驗證數據與理論，接成涵蓋受眾、旅程、診斷、解決方案與成效的架構。客人先問 AI 再做選擇，行銷因此要理解人與 AI，並驗收每段旅程的成果。

問　七大定律、五大構面與九大要素怎麼分？

答　七大定律是核心、五大構面是架構、九大要素是組成。閱讀時先用定律理解判斷原則，再按構面掌握工作範圍，最後對照要素看各項工作如何連到成果。七大定律都落在十步驟上——旅程設計是七條定律共同落地的地方，所以圖 0-2 最下排不單獨列它。

問　網路行銷還要照做嗎？

答　要。行銷包含線上與線下，網路行銷是其中一塊；IDAEO 是 AI 時代的行銷學，把既有行銷工作接到 AI 這一段，因為客人現在先問 AI 再做選擇。

問　林毅祥從網站實測看到了什麼行銷變化？

答　3/3 到 10/8，AI 與搜尋引擎來讀 1.055 億次。網站已被 AI 大量取用，行銷因此要把讓 AI 讀懂與相信列為基礎工作。

問　為什麼店家的身分資訊要一直一致？

答　一致的身分資訊能讓 AI 把每次讀到的內容連回同一家店，持續累積對品牌的認識與信任。這就是身分連續定律所說的「主體身分始終一致」。

自我檢查依緣起故事說出林毅祥的實測起點與七步建構順序，分清七大定律、五大構面、九大要素，並解釋 AI 曝光如何支撐後續旅程，以及每月實測如何讓學說持續成長。

第 1 章

受眾策略（對誰做）：五類行銷受眾與六大優化領域

本章回答各類行銷受眾來做什麼，對應哪些優化領域？

為什麼排在這裡先辨認受眾與功能，才能解讀旅程數字。

圖 1-1　五類行銷受眾全景圖：功能、優化領域與實測成果

由上往下看受眾策略、行銷受眾、功能、優化領域、來了幾次、來訪者種類與前四家；每個名字下有英文。優化領域依序列縮寫、中文全名、英文全名，下方列同領域用語，因同一功能有不同通用名稱。「做 AI 摘要」那格以 AIO 為主、AEO 相連：AIO 專注搜尋引擎 AI 摘要，AEO 讓 AI 回答取用你。人類功能並列「自然流量 Organic Traffic」「在地搜尋 Local Search」；機械爬蟲提供「自動化資訊服務」。AEO 也支援 AI 當場來讀、AI Agent 與自動化資訊服務。

圖 1-1　五類行銷受眾全景圖：功能、優化領域與實測成果

同領域用語依使用脈絡直接列在主名下方。AIO 與 AEO 相連；業界用 AIO 表示「AI 摘要優化」或「AI 優化」的總稱，都對應讓 AI 的回答取用你的內容。IDAEO 以 AIO 指搜尋引擎 AI 摘要的優化。ASO、CRO、SMO 屬傳統數位行銷，與六大優化領域相互配合。

怎麼看由上往下看受眾策略、行銷受眾、功能、優化領域、來了幾次、來訪者種類與前四家。

圖 1-2　AI 流量判別樹：一個 AI 的請求，怎麼判斷屬於哪一類的 AI 流量？

AI 流量判別樹：一個 AI 的請求，怎麼判斷屬於哪一類的 AI 流量？

怎麼看從頂端的請求往下看分類依據與功能，終點是所屬的行銷受眾。

圖 1-3　AI 平台與爬蟲族譜：每一種功能底下是哪幾家、哪幾隻

延伸圖：圖 1-2〈AI 流量判別樹〉判斷 AI 請求屬於哪類 AI 流量；圖 1-3〈AI 平台與爬蟲族譜〉列出各功能下的 AI 平台與爬蟲。

AI 平台與爬蟲族譜：每一種功能底下是哪幾家、哪幾隻

怎麼看從根到枝看功能、AI 平台與爬蟲；同一家在不同分枝，表示參與不同功能。

圖 1-4　誰家有哪幾種爬蟲：主要 AI 平台的爬蟲與旅程位置

誰家有哪幾種爬蟲：主要 AI 平台的爬蟲與旅程位置

怎麼看由左往右讀：上方 S1–S10 旅程尺的 S3、S4、S5 對到下方三個位置；每家一條品牌色路線，經過的圓點是它的爬蟲，下方寫名稱、請求數與用途，橫條用同一把尺（請求數開根號）。箭頭只表示旅程位置，不代表出動先後。最下排是只有一種用途的平台。全部 60 隻見圖 1-3〈AI 平台與爬蟲族譜〉。

本章重點

主張為什麼
五類行銷受眾是人類、搜尋引擎爬蟲、AI 爬蟲、AI Agent、機械爬蟲。各類到訪目的不同，分開量測才能看清行銷價值。
AI 流量先按功能分類，再看 AI 平台。同一 AI 平台可能同時執行訓練、建目錄與即時取用；功能更能說明讀取用途。
AI Agent 是未來 AI 流量的主力。AI 從「回答」走向「替客人辦事」，到站者也從讀內容的爬蟲延伸到執行任務的 AI Agent。實測 AI Agent 到站量已有 1,809 萬次，其中自動瀏覽 1,795 萬次（8/26 起計）依行為歸入，具名 AI Agent 為 14.4 萬次，顯示自動化到站的規模。
六大優化領域是 SEO、AIO、AEO、GEO、LLMO、MEO；AIO 與 AEO 相連。SEO 建搜尋目錄，AEO 讓 AI 回答取用你，AIO 專注搜尋引擎 AI 摘要，GEO 建 AI 目錄，LLMO 對應抄回去訓練，MEO 對應在地搜尋。AI 摘要也是 AI 回答取用內容的一種，因此 AIO 與 AEO 有從屬關係；其餘領域按受眾與資訊功能對應。
AI 與搜尋引擎合計 1.055 億次（3/3 起），人類自然流量 31.0 萬次（8/26 起）。兩個數字期間不同，各自顯示規模。內容先被取得，才能支援後續取用，所以 AI 讀取是行銷基礎。
AI 爬蟲抄回去訓練 5,220 萬次，建 AI 目錄 2,872 萬次，當場來讀 65 萬次。整批讀取與提問觸發的讀取用途不同，數量要配合功能解讀。
圖 1-1〈五類行銷受眾全景圖〉的優化領域列出縮寫、中文全名、英文全名，下方列同領域用語。同一格集中不同通用名稱，IDAEO 學習者可把業界用語對回相同功能。

名詞

五類行銷受眾
人類、搜尋引擎爬蟲、AI 爬蟲、AI Agent 與機械爬蟲。
功能
各類行銷受眾執行的工作，如抄回去訓練、建目錄、當場來讀。
AI Agent
替客人辦事的 AI。
自動化資訊服務
機械爬蟲提供的資訊整理、分析與網頁預覽等服務。
自然流量
客人經搜尋或 AI 點進網站的次數。
在地搜尋
客人依地點與附近需求尋找店家或服務。
AIO
AIO 針對搜尋引擎 AI 摘要做優化，和 AEO 相連：兩者都讓 AI 的回答取用你的內容，AIO 專管 Google 等搜尋引擎的 AI 摘要。
實測追蹤中
由 IDAEO 持續累積量測成果，之後會公布。

常見問題

問　AI 爬蟲有哪些種類？

答　依用途分三種：抄回去訓練、建 AI 目錄、當場來讀。抄回去訓練讓模型累積資訊，建 AI 目錄讓內容進入後續取用的資訊來源，當場來讀回應客人當下提問。先看用途，再看是哪一家，因為同一 AI 平台可能執行多種工作。判斷方法見圖 1-2〈AI 流量判別樹〉，各家各隻見圖 1-3〈AI 平台與爬蟲族譜〉；主要五家的爬蟲排在旅程哪一步，見圖 1-4〈誰家有哪幾種爬蟲〉。替客人辦事的是 AI Agent，和 AI 爬蟲分開看。

問　AI 爬蟲跟 AI Agent 差在哪？

答　AI 爬蟲主要取得資訊，AI Agent 主要替客人辦事。成效分別看內容被取得的次數與代客行動的成果。

問　為什麼說 AI Agent 是未來 AI 流量的主力？

答　AI 正從提供答案走向代客行動。客人把查詢、預約與其他任務交給 AI，到站的 AI 就要讀懂資訊並完成工作；店家的行銷因此要支援內容取用與代客行動。

問　業界說的 AIO 跟 IDAEO 的 AIO 一樣嗎？

答　對得上。業界把 AIO 用作「AI 摘要優化」，也作為「AI 優化」的總稱；兩種用法都在 AEO 之下，因為都讓 AI 的回答取用你的內容。IDAEO 在這一支以 AIO 指搜尋引擎 AI 摘要的優化。

問　一個 AI 的請求，怎麼判斷屬於哪一類的 AI 流量？

答　依圖 1-2〈AI 流量判別樹〉，看這次到訪做什麼：抄回去訓練、建目錄、當場來讀或替客人辦事。功能決定類別，因為同一 AI 平台可能執行多種工作。

問　自動瀏覽 1,795 萬次，為什麼算 AI Agent？

答　本教材將自動瀏覽 1,795 萬次列入 AI Agent，並獨立標示為自動瀏覽。這類程式操作瀏覽器的行為具有自動執行任務的特徵，分類依實測功能；具名 AI Agent 為 14.4 萬次。

問　在地搜尋的數字在哪？

答　在地搜尋實測追蹤中，之後會公布；圖 1-1〈五類行銷受眾全景圖〉目前列自然流量。在地搜尋與自然流量統計口徑不同，成果分別呈現。

問　AEO 優化跟 SEO 差在哪？

答　SEO 著重搜尋引擎收錄與搜尋呈現，AEO 讓 AI 回答取用你的內容，涵蓋 AIO 的摘要優化，並支援 AI 當場來讀、AI Agent 與自動化資訊服務。搜尋呈現與 AI 回答的接觸方式不同，成果要配合功能解讀。

問　GEO 跟 LLMO 各管什麼？

答　LLMO 對應「抄回去訓練」，GEO 對應「建 AI 目錄」。模型訓練與回答取用功能不同，所以圖 1-1〈五類行銷受眾全景圖〉將兩者分列。

問　轉換率優化與社群優化放在哪裡？

答　ASO、CRO、SMO 屬於傳統數位行銷，服務的對象是人。這些工作改善人的接觸與選擇，可與六大優化領域配合。

自我檢查根據一筆「有人問 AI 之後，AI 立刻來讀店家頁」的紀錄，說出行銷受眾、功能與優化領域，再說明 AI 代客辦事時，店家要支援什麼。

第 2 章

旅程設計（走哪幾步）：AI 顧客旅程：四階段十步驟

本章回答客人透過 AI 找店，四階段十步驟如何接續？

為什麼排在這裡受眾各有角色，顧客旅程把這些角色連成可診斷的路徑。

圖 2-1　AI 顧客旅程地圖：四階段十步驟

由上往下看旅程階段、旅程步驟、行銷受眾的參與及旅程診斷；同一直行是同一步，連起各角色與成果。

圖 2-1　AI 顧客旅程地圖：四階段十步驟

怎麼看由上往下讀旅程階段、旅程步驟、誰在動、旅程診斷。每步五小格依序代表五類行銷受眾：深綠是主角、中綠有參與、淺綠略有關、灰色是其餘角色。

圖 2-2　旅程診斷關卡圖：十步驟、十道關卡

十步驟下方各對應一道關卡與一句診斷問句，後段承接前段成果；走完 S10，下一輪從 S5 再開始。S3 的訓練授權由店家選擇，S5 的當場來讀則對應即時提問需求，因此各步依自身功能診斷。

圖 2-2　旅程診斷關卡圖：十步驟、十道關卡

怎麼看由左到右看旅程步驟，下方對應關卡名稱與診斷問句。

圖 2-3　五類行銷受眾旅程泳道圖

五類行銷受眾各自行經的步驟，以及各步的實測紀錄範圍。

五類行銷受眾旅程泳道圖

怎麼看每列一類行銷受眾，橫向為 S1–S10；先看行經步驟，再看各步紀錄與實測追蹤範圍。

圖 2-4　AI 平台旅程覆蓋圖：各家走到的最遠步驟

AI 平台旅程覆蓋圖：各家走到的最遠步驟

怎麼看由左到右看十步驟，沿各家弧線讀到終點；終點所在欄就是該 AI 平台本圖呈現的最遠步驟。

本章重點

主張為什麼
AI 顧客旅程：四階段十步驟，依序為 S1 店家就緒、S2–S4 AI 資訊取得、S5–S8 AI 輔助決策與行動、S9–S10 顧客轉換與回流。前段準備支撐後段取用，四階段讓行銷責任與成果相互對應。先有 AI 曝光數，才有後面的旅程。S2–S4 讓內容被 AI 讀到，為 S5 之後的點名、引用與客人上門建立基礎。
每步都有診斷問句，從資訊準備到顧客回流逐步驗收。每步對應一個問題，改善工作就有明確位置。
S1 由店家備妥資訊，S2–S4 以爬蟲為主，S5–S7 由人與 AI 互動，S8 由 AI Agent 行動，S9–S10 由客人轉換與回流。各步主角不同，所需支援也不同。S8 讓 AI 從回答走向替客人辦事，這正是 AI Agent 成為未來 AI 流量主力的原因。
S10 接回 S5，形成持續循環。客人再次提出需求，就展開下一輪 AI 輔助決策。
S2–S5 的讀取、S8 的到站與 S9 的客人上門由 IDAEO 第一方量測；收錄與搜尋呈現由搜尋平台提供；S6–S7 的點名與回答由 IDAEO 實測追蹤。各來源代表不同接觸點，放回旅程才看得懂數字。圖上 S6 列的是搜尋結果顯示（搜尋端把你列出來的次數）；AI 回答的點名率之後公布。

名詞

S1–S10
十步驟依序是 S1 店家準備好、S2 爬蟲來敲門、S3 抄回去訓練、S4 建目錄、S5 有人問 AI、S6 AI 點名幾家、S7 AI 回答細節、S8 替客人辦事、S9 客人上門、S10 回來再問。
旅程階段
店家就緒、AI 資訊取得、AI 輔助決策與行動、顧客轉換與回流。
十道診斷關卡
十步驟各對應一道關卡：可備、可達、可學、可收、可讀、可選、可信、可辦、可來、可回。
旅程診斷
依旅程步驟與成效指標確認進展及改善重點。

常見問題

問　四階段怎麼分？

答　依任務分成店家就緒、AI 資訊取得、AI 輔助決策與行動、顧客轉換與回流。各階段主角與成果不同，分段才能安排支援、驗收進展。

問　S3 抄回去訓練由誰決定是否開放？

答　店家決定訓練授權，並依需求配置資訊取得途徑。訓練、建目錄與當場來讀各有功能，店家可依行銷目標安排。

問　S5 由人還是 AI 主導？

答　S5 由人提出需求，AI 接著取得作答資訊。提問與取用都發生在這個接觸點，旅程診斷要看需求與來讀成果。

問　S6 為什麼是「AI 點名幾家」？

答　S6 是品牌進入客人考慮名單的步驟。AI 在有限的回答篇幅中挑選相關店家，點名就是選擇訊號。

問　十步驟是店家的工作清單嗎？

答　十步驟描述客人透過 AI 找店的完整旅程；店家重點是備妥 S1、支援後續取用。S2–S8 由 AI 與客人共同參與，各有任務。

問　旅程為什麼是循環？

答　客人完成選擇後仍有新需求；S10 回來再問接回 S5，展開下一輪 AI 輔助決策。圖 8-2〈IDAEO 理論基礎對應圖〉的顧客旅程學理涵蓋持續接觸，回流也是下一輪需求的起點。

自我檢查一家店已在 S6 被點名，接著要確認營業時間正確；說出對應的旅程階段、旅程步驟與診斷問句。

第 3 章

量測來源與 AI 黑盒子：成效衡量的資料基礎

本章回答各步數字由誰提供，AI 黑盒子如何量測？

為什麼排在這裡先分清來源、範圍與單位，才能讀懂成效。

圖 3-1　IDAEO 量測服務藍圖

IDAEO 量測服務藍圖

怎麼看由上往下從網站看到人，對照各層成果與實測追蹤範圍。

圖 3-2　內容旅程地圖與 AI 黑盒子

內容旅程地圖與 AI 黑盒子

怎麼看沿橫向看旅程階段，對照數字格與黑盒子中的實測課題。

圖 3-3　AI 平台旅程成果矩陣

AI 平台旅程成果矩陣

怎麼看一列一家，橫向為 S1 到 S10；節點標示已列成果，其餘依實測追蹤解讀。圖上 S6 列的是搜尋結果顯示（搜尋端把你列出來的次數）；AI 回答的點名率之後公布。

圖 3-4　Google：搜尋顯示 7,410,298 次｜整條路數字最完整的平台

Google：搜尋顯示 7,410,298 次｜整條路數字最完整的平台

怎麼看由左到右看各步，先讀來源、期間與單位，再比較相同口徑的數字。

圖 3-5　OpenAI：訓練讀取 10,602,782 次｜近九成用於訓練，也是當場來讀最多的平台

OpenAI：訓練讀取 10,602,782 次｜近九成用於訓練，也是當場來讀最多的平台

怎麼看與圖 3-4〈Google〉對照，先看來讀與客人到站，再看中段的實測追蹤範圍。

圖 3-6　Microsoft：搜尋爬蟲讀取 12,050,061 次｜目前提供 AI 回答引用數字的平台

Microsoft：搜尋爬蟲讀取 12,050,061 次｜目前提供 AI 回答引用數字的平台

怎麼看對照圖 3-4〈Google〉，留意 Microsoft 的 AI 回答引用量及其統計期間。

圖 3-7　Anthropic：訓練請求 24,479,305 次｜訓練量居各家之首

Anthropic：訓練請求 24,479,305 次｜訓練量居各家之首

怎麼看對照圖 3-5〈OpenAI〉，分別讀取到站請求與平台內部的實測課題。

圖 3-8　Apple：建目錄請求 24,615,429 次｜建目錄量居各家之首

Apple：建目錄請求 24,615,429 次｜建目錄量居各家之首

怎麼看先看讀取量，再沿旅程看後續取用的追蹤範圍。

圖 3-9　Meta：訓練請求 11,583,411 次｜讀取全部用於訓練

Meta：訓練請求 11,583,411 次｜讀取全部用於訓練

怎麼看分別看 AI 讀取與客人到站，依各自單位解讀成果。

圖 3-10　怎麼知道被 AI 引用？量測黑盒子兩端

怎麼知道被 AI 引用？量測黑盒子兩端

怎麼看左邊是網站與邊緣的第一方紀錄：VPS 存取日誌看到站請求與路徑，Cloudflare 看 AI 爬蟲請求與來源導流（AI 當場來讀 65.1 萬）。右邊是平台資料與直接提問：Google Search Console 的生成式 AI 曝光（本站數值待取得）、Bing 站長工具的 Copilot 回答引用 31,711 次、向多家 AI 提問的 84%。下方用同一網址、同一期間把讀取、曝光、引用接成一條可檢查的路徑；請求、曝光、引用、提問比例單位不同，不能相加。這是方法圖，同頁逐筆交叉驗證尚未完成。

本章重點

主張為什麼
AI 黑盒子是發生在 AI 平台內部的訓練、排序、點名、回答與代辦。S6–S8 的點名、回答與代辦，以及 S3–S4 讀取後的訓練與排序，都在平台內部完成。網站直接記錄讀取與到站；S5 當場來讀也有第一方量測數字。圖上 S6 的數字為搜尋端顯示，AI 回答的點名率之後公布。
IDAEO 量測黑盒子兩端，再以平台資料與定期實測量出取用成果。進去之前的讀取、出來之後的到站，都是第一方量測；搜尋顯示（圖上 S6 列的是搜尋端顯示，AI 回答的點名率之後公布）與 Copilot 引用 3.17 萬次來自平台資料；定期直接問多家 AI，則能確認有沒有點名、答得對不對。各來源合看，就能把平台內部的取用接到可驗收的成果。
TK Lin 個人 IDA 的定期實測，呈現黑盒子中的回答取用。TK Lin 個人 IDA 實測：9/20 上線當天 AI 引用為 0；10/3 實測 100 題、五個 AI 模型，84% 的回答把這個 IDA 當來源，並且是所有來源的第一名。定期實測看得出黑盒子裡的取用；這是個案引用成果，AI 點名率、AI 正確率的全平台數字之後會公布。
各來源的成果依單位分別解讀。請求、頁數與點擊代表不同事件，同口徑比較才有行銷意義。
本教材已公布的全平台 AI 引用量為 Copilot 自 7/22 起的 3.17 萬次。這是 Copilot 提供的引用成果，其餘平台持續追蹤，之後會公布；標清來源與期間，才能同口徑比較。

名詞

黑盒子
S6–S8 的點名、回答與代辦，以及 S3–S4 讀取後的訓練與排序，都發生在 AI 平台內部；IDAEO 用兩端量測與定期實測量出成果。圖上 S6 的數字為搜尋端顯示，AI 回答的點名率之後公布。
平台資料
Google、Bing 等平台提供的收錄、搜尋顯示（圖上 S6 的搜尋端數字；AI 回答的點名率之後公布）與點擊，以及 Copilot 等平台提供的 AI 引用數據。
被收錄
搜尋平台將頁面納入目錄的成果，以頁計算。
搜尋結果顯示
頁面出現在搜尋結果的次數。圖上 S6 那一格列的是這項搜尋端顯示；AI 回答的點名率之後公布。

常見問題

問　怎麼知道被 AI 引用？

答　三個方向一起看。第一，平台公布的引用數字：本教材已公布的是 Copilot 自 7/22 起的 3.17 萬次。第二，定期向多家 AI 提問，確認點名與回答正確性。第三，個案前後對照：TK Lin 個人 IDA 9/20 上線當天 AI 引用為 0；10/3 實測 100 題、五個 AI 模型，84% 的回答把這個 IDA 當來源。另有一個訊號：AI 當場來讀 65.1 萬次，第一方紀錄看得到，代表 AI 回答時正在讀這個頁面，但讀取不等於引用。引用發生在 AI 平台內部，所以從這三個方向量出取用成果，整理成一張圖見圖 3-10〈怎麼知道被 AI 引用？〉，另見圖 3-2〈內容旅程地圖與 AI 黑盒子〉與圖 3-6〈Microsoft〉。

問　Google 與 OpenAI 的數字各來自哪裡？

答　Google 的收錄、搜尋顯示（圖上 S6 的搜尋端數字；AI 回答的點名率之後公布）與點擊來自搜尋平台；OpenAI 的來讀與客人到站來自第一方量測。資料範圍不同，並列時要先看來源與步驟。

問　IDAEO 能把 AI 黑盒子打開嗎？

答　能。先定位黑盒子：點名、回答、代辦及讀取後的訓練與排序，發生在 AI 平台內部。再從兩端量讀取與到站，配合搜尋顯示（圖上 S6 列的是搜尋端顯示）、Copilot 引用及定期向多家 AI 提問，確認點名與回答正確性。最後用個案對照成果：TK Lin 個人 IDA 實測：9/20 上線當天 AI 引用為 0；10/3 實測 100 題、五個 AI 模型，84% 的回答把這個 IDA 當來源，並且是所有來源的第一名。這些證據量出 AI 的取用成果；AI 點名率、AI 正確率的全平台數字之後會公布。

問　本章數字的統計對象是誰？

答　平台成果以 IDAEO 全平台合計呈現，TK Lin 個人 IDA 是單一內容的回答實測。對象與量法不同：個案引用比例說明該次實測，全平台指標依公布數據解讀。

問　Bing 收錄 37.5 萬、Google 收錄 28.2 萬，怎麼比較？

答　兩家分開看，各自代表該平台的收錄成果。同一頁會被兩家收錄，合計就會重複。

自我檢查指出 S6–S8 與 S3–S4 讀取之後的黑盒子範圍，說明第一方兩端量測、平台資料及定期實測各提供什麼證據，再用 TK Lin 個人 IDA 說明個案引用成果與全平台指標的區別。解讀圖上 S6 時，說清楚數字是搜尋端顯示，AI 回答的點名率之後公布。

第 4 章

信任驗證（憑什麼信）：可信事實與外部印證

本章回答店家的主張如何成為 AI 可引用的可信事實？

為什麼排在這裡S7 的回答正確性靠可信事實判斷，驗證也支撐服務分級。

圖 4-1　IDAEO 驗證模型：三方驗證與可信事實

IDAEO 的驗證模型以日本、台灣、香港的大數據為基礎。長期累積資料並持續查核，作為辨認可信事實的依據。

圖 4-1　IDAEO 驗證模型：三方驗證與可信事實

怎麼看先看上方 IDAEO 驗證模型，再看官方、本方、第三方的證據角色，最後看每條事實的驗證成果。

本章重點

主張為什麼
IDAEO 以可信事實與外部印證，讓店家主張成為 AI 可引用的依據。IDAEO 驗證模型以日本、台灣、香港的大數據為基礎，長期累積資料並持續查核，確認個別事實的可信度。
事實先行定律：可信內容始於已驗事實。每項主張以已驗事實為依據；經過核實，AI 才放心取用。
主張溯源定律：每項主張皆有可溯依據。可追溯，AI 才有引用的把握。
外部印證定律：可信主張須有外部印證。獨立觀點補足單方敘述。
逐項驗證事實，並持續確認時效。AI 引用具體內容，資訊更新時也需要相應的可信依據。

名詞

三角驗證
結合官方、本方與第三方證據形成可信判斷的原則。
官方
政府公開登記等公部門提供的資訊。
本方
店家或本人對自身資訊提出的說明。
第三方
外部獨立來源提供的公開資訊。
驗證原則
以已驗事實、可溯依據與外部印證建立可信主張。
重驗
依資訊時效再次確認事實有效性的專業工作。

常見問題

問　官方、本方與第三方各提供什麼？

答　官方提供公開登記，本方說明自身資訊，第三方提供外部印證。來源觀點不同，合看事實更完整。

問　驗證為什麼有門檻？

答　驗證是龐大且需要大量資源的工作，具有一定的規模與技術門檻。因為 IDAEO 驗證模型以長期累積的日本、台灣、香港大數據為基礎，還要持續查核與到期重驗，才能讓每項結論有可靠依據。

問　為什麼驗證要細到個別事實？

答　每條事實各有驗證結果。AI 引用電話、地址、營業時間等個別資訊；各項依據與時效不同，須逐項驗證。

問　驗證結果如何維持有效？

答　以持續查核與到期重驗維持有效性。因為品牌與服務資訊會更新，可信判斷要跟上事實。

問　驗證跟 S7 有什麼關係？

答　驗證為 S7 的回答正確性提供判斷基準。AI 回答的細節須符合已驗事實，才能建立可信的品牌認知。

自我檢查選一項店家主張，說明本方資訊、外部印證與資訊時效如何共同支持可信判斷。

第 5 章

服務分級（做到哪一級）：AEO 曝光、AEO+ 口碑、IDA 品牌公關

本章回答各服務分級涵蓋哪些旅程步驟，如何選擇成效指標？

為什麼排在這裡先理解旅程與驗證，再按行銷目標選擇服務範圍。

圖 5-1　服務分級階梯圖：AEO 曝光、AEO+ 口碑、IDA 品牌公關

AEO 曝光涵蓋 S1–S4，AEO+ 口碑涵蓋 S5–S6，IDA 品牌公關涵蓋 S7–S10；較高服務分級包含前一級內容，因為後段成果承接前段基礎。各級在涵蓋的步驟列出旅程診斷與 IDAEO 解決方案項數（十道關卡是每步一道，診斷項是關卡底下的檢查項目），IDA 品牌公關是全旅程完整涵蓋（S1–S10），最下排依序為本方＋官方、IDA 驗證、IDAEO 驗證。AEO+ 口碑（AEO+ Word of Mouth）讓 AI 在回答裡點名、推薦你，IDA 品牌公關包含定期公布的 AI 能見度成果。圖 1-1〈五類行銷受眾全景圖〉的 AEO 優化按功能劃分，本圖的服務分級按旅程範圍劃分。

圖 5-1　服務分級階梯圖：AEO 曝光、AEO+ 口碑、IDA 品牌公關

怎麼看先看 AEO 曝光、AEO+ 口碑、IDA 品牌公關的步驟範圍；IDA 品牌公關完整涵蓋 S1–S10，再往下看各段成果與驗證名稱。

圖 5-2　成效指標對照矩陣

九個成效指標各列旅程步驟、診斷問句、IDAEO 解決方案與數據。AEO 曝光對應 S1–S4，建立可取用的資訊基礎；AEO+ 口碑對應 S5–S6，促進 AI 點名；IDA 品牌公關對應 S7–S10，支持可信回答、代客行動、客人上門與回流。五個指標已公布全平台數字，AI 就緒分逐店評分；AI 點名率、AI 正確率、AI 回訪量的量法已定，數據之後會公布。

圖 5-2　成效指標對照矩陣

怎麼看每直行一個指標，由上往下讀步驟、問句、IDAEO 解決方案與數據；依公布狀態理解各項成果。

本章重點

主張為什麼
服務分級承接前段基礎：AEO 曝光對應 S1–S4，AEO+ 口碑對應 S5–S6，IDA 品牌公關重點在 S7–S10，並包含前兩級，所以全旅程 S1–S10 完整涵蓋。先有 AI 曝光數，才有後面的旅程。AEO 曝光讓 S2–S4 的讀取累積成 AI 曝光數，後續點名形成口碑，正確回答與行動支持品牌選擇。
較高服務分級涵蓋前一級內容。口碑承接曝光，品牌公關承接口碑，服務逐步擴展整段旅程。
九個成效指標是 AI 就緒分、AI 讀取量、AI 當場來讀量、AI 點名率、AI 正確率、AI 引用量、AI Agent 到站量、AI 導客量、AI 回訪量。各指標對應不同成果，能把服務目標連到驗收依據。
AEO+ 口碑支援店家掌握 AI 點名，IDA 品牌公關包含 IDAEO 定期公布的 AI 能見度成果。服務隨品牌目標擴展，從接觸到選擇都能衡量。

名詞

AEO 曝光
涵蓋 S1–S4，以資訊就緒與 AI 讀取建立曝光的服務分級。
AEO+ 口碑
涵蓋 S5–S6，以 AI 在回答裡點名、推薦你建立口碑的服務分級。AI 時代的口碑＝AI 替你說（AI Word of Mouth）。
IDA 品牌公關
重點在 S7–S10，並包含前兩級，所以全旅程 S1–S10 完整涵蓋。以可信回答、代客行動、顧客回流支持品牌選擇的服務分級。
AI 就緒分
一家店在 S1 準備得多齊，0 到 100 分。
AI 點名率
同一組題目中，AI 點名店家的比例。
成效指標
對應旅程各步成果的九項衡量依據。
AI 引用量
AI 回答將內容列為出處的次數。

常見問題

問　第 1 章的 AEO 優化，跟這裡的服務分級一樣嗎？

答　「AEO 優化」是六大優化領域之一；「AEO 曝光」是服務分級的第一級，與「AEO+ 口碑」「IDA 品牌公關」合稱三級。優化領域按功能分，服務分級按旅程範圍分。

問　九個指標都有數據了嗎？

答　五個指標已公布全平台數字，AI 就緒分逐店評分；AI 點名率、AI 正確率、AI 回訪量的量法已定，數據之後會公布。統計範圍不同，逐店評分與全平台成果各按其口徑解讀。

問　規劃從哪一級出發，旅程涵蓋最完整？

答　從 IDA 品牌公關出發，重點在 S7–S10，並包含前兩級，完整涵蓋全旅程 S1–S10；後段成果承接前段基礎。規劃時串起 AEO 曝光、AEO+ 口碑與 IDA 品牌公關，用圖 2-2〈旅程診斷關卡圖〉確認各步銜接。

問　服務分級怎麼隨品牌目標延伸？

答　按品牌目前目標安排：建立 AI 曝光、累積 AI 點名口碑，或延伸到可信回答、代客行動與顧客回流。目標決定旅程範圍，服務分級與成效指標也要一起規劃。

問　九個指標先看哪一個？

答　先看目前要驗收的旅程步驟所對應的指標。因為資訊準備、AI 點名與客人到站各有成果，選對指標才能判斷進展。

自我檢查一家店希望 AI 回答時提到品牌，說出對應的服務分級、成效指標與旅程步驟。

第 6 章

成效衡量（怎麼算成果）：AI 曝光數與全程價值

本章回答AI 曝光、取用與到站各代表什麼成果？

為什麼排在這裡對照各步價值與統計口徑，才能把數字解讀成行銷成果。

圖 6-1　全程成效儀表板：八項實測數字與第一方數據

各格列出 AI 各步成果，最下排是 IDAEO 第一方數據（至 2026/10/8；收錄頁數為 9 月）。AI 讀取量的行銷意義是 AI 曝光數。「為 AI 回答而讀」與 AI 讀取量、AI 當場來讀量涵蓋重疊範圍，各格依來源與單位（請求、次、頁、點擊）分別列示，適合按相同口徑比較。

圖 6-1　全程成效儀表板：八項實測數字與第一方數據

怎麼看由上往下看成效指標、三類、衡量對象與數字；每格是一種成果。

圖 6-2　十步驟成效總覽

十步驟成效總覽

怎麼看由左到右看十步驟，柱子越粗，量越大；灰底是 AI 平台內部，實測成果持續累積。圖上 S6 是搜尋結果顯示（搜尋端把你列出來的次數）；AI 回答的點名率之後公布。

圖 6-3　AI 來訪結構圖：誰來、來做什麼

延伸圖：圖 6-3〈AI 來訪結構圖〉看誰來、來做什麼；圖 6-4〈全程成效流向圖〉把到站、收錄、顯示、引用、上門照 S1–S10 排開。

AI 來訪結構圖：誰來、來做什麼

怎麼看沿帶子由左看行銷受眾、往右看功能；帶子越粗表示量越大。

圖 6-4　全程成效流向圖：從 AI 曝光到客人上門

全程成效流向圖：從 AI 曝光到客人上門

怎麼看由左到右看：網站總流量 → 各家 AI 平台 → 用途 → 自然流量；帶子越粗表示量越大，用途依旅程步驟排列。

圖 6-5　九家 AI 平台旅程成果比較

九家 AI 平台旅程成果比較

怎麼看每格一家，由左到右看各步成果；跨格比較同一欄與相同單位。

圖 6-6　冷啟動時間軸：AI 平台依序到站與早期紅利

冷啟動時間軸：AI 平台依序到站與早期紅利

怎麼看每列一家 AI 平台，橫軸是時間；30–35 天是同一 AI 平台第一隻與下一隻爬蟲的間隔。對照圖 7-1〈IDAEO 成長里程碑〉的累積量，可見冷啟動如何累積 AI 曝光數。AI 流量有早期紅利：越早就緒，越早累積。

本章重點

主張為什麼
AI 各階段取用皆是成效。顧客在 AI 回答中就完成決定，S1–S8 與網站到站都各有行銷價值。實測產業數據是佐證：4 到 9 月被 Copilot 引用 37,793 次，同期 Bing 搜尋點擊 10,177 次，兩個數字來自同一個平台（Microsoft），AI 引用的次數是搜尋點擊的 3.7 倍。
AI 讀取量 9,746 萬次的行銷意義，是 AI 曝光數。內容被 AI 與搜尋引擎讀到一次，就是一次 AI 曝光；AI 曝光數是 AI 讀取量的行銷意義。先有 AI 曝光數，才有後面的旅程。被讀取是後續點名與引用的基礎。這是對 AI 的曝光——AI 讀到你一次算一次，不是有多少人看到。
為 AI 回答而讀 4,605 萬次，是供搜尋與 AI 回答使用的讀取成果。這些讀取都供搜尋結果或 AI 回答取用，合併呈現更符合用途。
AI 當場來讀量 65 萬次，是即時需求觸發的取用。AI 依提問當場取得資訊，這項指標反映客人的當下需求。
AI 引用量 3.17 萬次，代表內容成為回答依據。這是 Copilot 自 7/22 起的引用成果；內容被列為出處，品牌資訊就進入客人的判斷依據。
AI Agent 到站量 1,809 萬次，代表從讀內容走向代客行動的流量規模。AI Agent 是未來 AI 流量的主力，因為 AI 正從回答走向替客人辦事。其中自動瀏覽 1,795 萬次（8/26 起計）依行為特徵歸入，具名 AI Agent 為 14.4 萬次；到站量呈現接觸規模，任務成果則依後續行動解讀。
AI 導客量 31.0 萬次（搜尋與 AI 合計，Google 26.8 萬），代表客人經搜尋或 AI 進站的成果。這項指標對應 S9，連接前段 AI 取用與客人行動。
冷啟動（Cold Start）：AI 流量從 0 累積，業界經驗值約 90 天。新網站要讓 AI 平台一家一家找上門；S1 準備好，才能在爬蟲到站時開始累積 AI 曝光數。圖 7-1〈IDAEO 成長里程碑〉呈現每個月的量一路變大：3/3 首日 53 次 → 3 月 63.5 萬 → 6 月 1,607 萬 → 8 月 3,599 萬次請求。
熱啟動（Warm Start）：內容滿足 S1，並上線在 AI 流量樞紐。經驗值約 30 天；實測同一 AI 平台的下一隻爬蟲相隔 30–35 天（圖 6-6）；TK Lin 個人 IDA 案例 14 天走到 S7（AI 回答細節）。內容一上線就接上樞紐既有的 AI 流量，因此能更快被取用。TK Lin 個人 IDA 實測：9/20 上線當天 AI 引用為 0；10/3 實測 100 題、五個 AI 模型，84% 的回答把這個 IDA 當來源，並且是所有來源的第一名。
AI 流量樞紐（AI Traffic Hub）的必要條件，是每月累積上千萬次 AI 請求。大量既有請求讓新內容一上線就接上 AI 流量。IDAEO 平台（idaeo.ai）就是 AI 流量樞紐。IDAEO 平台 7 月 2,597 萬次、8 月 3,599 萬次、9 月 1,579 萬次。各月累積量呈現能承接熱啟動的流量基礎。
AI 流量有早期紅利：越早就緒，越早累積。店家先把資訊備好，AI 平台到站時就能開始讀取；圖 6-6〈冷啟動時間軸〉記錄六家中五家 AI 平台的第一隻與下一隻爬蟲相隔 30–35 天（其中三家為下限），越早上線，就越早接上這段依序到站的累積。
現在就累積 AI 曝光，領先會隨每輪取用擴大，這就是複利領先。被讀過的內容進入 AI 的訓練與目錄，後續更容易被取用；每次取用又留下新數據，讓下一輪優化更準，再帶來新的累積。圖 7-1〈IDAEO 成長里程碑〉的累積量為：3 月底 63.5 萬 → 6 月底 2,140 萬 → 9 月底 9,915 萬 → 10/8 累積 1.055 億次，呈現隨時間累積的成果：早起步的內容持續累積，後起步要追的量也隨之增加。

冷啟動與熱啟動

冷啟動 Cold Start熱啟動 Warm Start
起點AI 流量從 0 累積。內容接上 AI 流量樞紐的既有流量。
必要條件S1 資料齊，讓到站的 AI 取得內容。內容滿足 S1，樞紐每月累積上千萬次 AI 請求。
多久業界經驗值約 90 天。經驗值約 30 天；TK Lin 個人案例 14 天走到 S7。
實測3/3 首日 53 次 → 3 月底累積 63.5 萬 → 6 月底 2,140 萬 → 9 月底 9,915 萬。TK Lin 個人 IDA：9/20 上線，10/3 實測 84% 的 AI 回答把它當來源。
店家怎麼做把 S1 備好並盡早上線，持續累積 AI 曝光。把滿足 S1 的內容上線到 AI 流量樞紐。
時間的效果越晚開始，要追的累積量越大。一上線就站在既有累積上。

名詞

AI 取用
AI 讀取、回答引用與代客行動中的內容使用。
AI 讀取量
S2–S4 AI 與搜尋引擎取得內容的次數：抄回去訓練、建 AI 目錄、建搜尋目錄，合計 9,746 萬次。加上當場來讀 65 萬、具名 AI Agent 14.4 萬與機械爬蟲 723 萬，就是 AI 與搜尋引擎來讀的 1.055 億次。
AI 曝光數
內容被 AI 與搜尋引擎讀到一次，就是一次 AI 曝光；AI 曝光數是 AI 讀取量的行銷意義。這是對 AI 的曝光——AI 讀到你一次算一次，不是有多少人看到。
為 AI 回答而讀
供搜尋結果與 AI 回答使用的讀取次數。
冷啟動
AI 流量從 0 累積，業界經驗值約 90 天。
熱啟動
內容滿足 S1，並上線在 AI 流量樞紐。經驗值約 30 天；TK Lin 個人 IDA 案例 14 天走到 S7（AI 回答細節）。
AI 流量樞紐
已有大量 AI 請求的平台；內容一上線就接上既有 AI 流量。必要條件：每月累積上千萬次 AI 請求。IDAEO 平台（idaeo.ai）就是 AI 流量樞紐。
AI 導客量
本教材按客人經搜尋或 AI 點進網站的次數衡量。
複利領先
Compounding Lead／复利领先／複利的リード。AI 曝光累積帶來後續取用；取用留下新數據，讓下一輪優化更準、再生累積，早起步的領先隨時間擴大。

常見問題

問　抄回去訓練 5,220 萬次，和當場來讀有什麼差別？

答　訓練讀取讓模型累積資訊，當場來讀回應客人當下提問。兩者的觸發原因與用途不同，分開解讀才能看清長期累積與即時需求的價值。

問　9,746 萬次，代表九千多萬人看過嗎？

答　9,746 萬次是 AI 曝光數（AI Impressions），單位是讀取次數，計算 AI 與搜尋引擎讀取內容的次數。每次讀取讓內容進入 AI 的資訊來源，供後續點名與引用。這是對 AI 的曝光——AI 讀到你一次算一次，不是有多少人看到。

問　搜尋跟 AI 回答的讀取，為什麼合算？

答　「為 AI 回答而讀」合計供搜尋結果與 AI 回答使用的讀取次數，顯示內容被取用的規模。再對照回答引用與客人到站，就能看後段成果。

問　AI 引用量 3.17 萬次代表什麼？

答　它是已公布平台 Copilot 自 7/22 起的引用成果，其他平台的數字之後會公布。因為各平台依自己的範圍與期間揭露，引用量要連同出處一起解讀。

問　新網站多久會等到 AI？

答　熱啟動經驗值約 30 天（實測同一 AI 平台下一隻爬蟲相隔 30–35 天）；冷啟動業界經驗值約 90 天；TK Lin 個人 IDA 案例 14 天走到 S7（9/20 上線，10/3 實測 100 題、五個 AI 模型，84% 的回答把它當來源）。冷啟動從 0 累積，等 AI 平台依序到站；熱啟動接上 AI 流量樞紐既有讀取，時間取決於上線時的流量基礎。

問　什麼樣的平台算 AI 流量樞紐？

答　必要條件是每月累積上千萬次 AI 請求；IDAEO 平台（idaeo.ai）就是 AI 流量樞紐。IDAEO 平台 7 月 2,597 萬次、8 月 3,599 萬次、9 月 1,579 萬次。因為既有的大量讀取能讓新內容接上 AI 流量，判斷要看各月累積量。

問　怎麼讓成效判斷貼近生意成果？

答　把曝光、點名、可信回答與 S9 客人上門連在一起看，並觀察回流。圖 8-2〈IDAEO 理論基礎對應圖〉的古德哈特定律指出，單一指標一旦變成目標就會走樣；多項成果相互參照才有完整判斷。

問　冷啟動期間，店家可以先做什麼？

答　先把 S1 備好、盡早上線，讓每次 AI 到站都能累積對品牌的認識。被讀過的內容更容易再被取用，取用留下的新數據又讓下一輪更準，這就是複利領先；越早開始，越早累積下一輪成長的基礎。也能把準備好的內容上線到 AI 流量樞紐，承接既有累積。圖 7-1 的累積量為：3 月底 63.5 萬 → 6 月底 2,140 萬 → 9 月底 9,915 萬 → 10/8 累積 1.055 億次，呈現早起步持續累積的基礎。

自我檢查圖 6-1〈全程成效儀表板〉的八項實測數字各對應哪些旅程步驟？說明 AI 曝光數、AI 引用量與 AI 導客量的行銷意義；比較冷啟動與熱啟動的起點、必要條件及時間，並解釋為何追蹤 AI Agent 到站量。

第 7 章

IDAEO 實測：自家網站與早期實測店家

本章回答IDAEO 自家網站如何從零到一億次請求？第一批共同實測店家取得什麼成果？

為什麼排在這裡自家網站與早期實測店家共同驗證 IDAEO。先看圖 7-1〈IDAEO 成長里程碑〉的累積成果，再看平台店家頁與店家官網的實測。不同場景的第一方數據，顯示中小企業的 AI 曝光、搜尋接觸與客人來訪。

圖 7-1　IDAEO 成長里程碑：從零到一億次請求

IDAEO 成長里程碑：從零到一億次請求

怎麼看按 1–8 的里程碑順序讀標題、做法與結果，再對照累積曲線；5/20–8/23 是 IDAEO 方法論驗證形成階段，8/24 起採用平台認證的 AI 身分計數，辨識更精準。每張卡片下方標出對應學理。

圖 7-2　AI 平台月排名消長圖

AI 平台月排名消長圖

怎麼看每列一個名次，沿同色線看各平台的月排名，再與同期間讀取量一起解讀。

圖 7-3　早期實測店家成果：IDAEO 帶來的成長

早期實測店家成果：IDAEO 帶來的成長

怎麼看由上往下讀：先看 IDAEO 平台店家頁的 Google 搜尋點擊，再看 AI 把客人帶進店家頁的累積次數，掌握 IDAEO 帶來的成長；接著看第一批店家官網加入 IDAEO 實測後成長的成果，再看自家和心村官網（旅館觀光產業）的搜尋點擊、AI 讀取與 AI 帶來的預訂，最後看第二批實測產業 IDA 頁的 AI 曝光、來讀的平台與用途。各項數據依標示的對象、期間與用途解讀；第一批店家官網的數字是整站開啟次數。

本章重點

主張為什麼
IDAEO 不只在自己的 IDAEO 本站與和心村實測，早期實測店家也一起驗證。平台店家頁、店家官網與第二批實測產業提供不同場景的第一方數據，能對照同一套學說在各行業的實際成果。和心村是 IDAEO 方法論的第一個實測場。自家和心村官網（www.washinmura.jp，旅館觀光產業）的 Google 搜尋點擊 109,140 次（3/3–10/8）；AI 與搜尋引擎讀取 95,333 次（8/20–10/8）裡，有人問 AI、AI 當場來讀 11,333 次，約每 8 次讀取就有 1 次（11.9%）。和心村已收到由 AI 帶來的預訂，預訂數據之後會公布。因為提問會觸發 AI 來讀官網，而 AI 已帶來預訂，這些成果對應旅程：S2–S4 AI 讀取 → S5 有人問 AI → S9 客人上門（AI 帶來的預訂）。
IDAEO 平台也能幫到每一個中小企業，一起提升。平台把店家資訊接到 AI 讀取、搜尋與客人來訪。店家頁 Google 搜尋點擊從 3 月 297 次增至 9 月 15,128 次，連續七個月上升，9 月是 4 月的 5.4 倍；4/15 首次由 AI 回答帶客，到 10/8 累計 774 次；5/19 到 10/9 的 AI 曝光約 5,067 萬次。店家可用第一方數據驗收各段成果。
① 量測正式啟動 → 全程成效定律（成效衡量）；② 搜尋曝光同步展開 → 受眾適配定律（受眾策略）；③ 首位訪客由 AI 回答到站 → 旅程設計：S9 客人上門。量測讓每段成果有依據，搜尋曝光則把內容接到搜尋受眾；AI 回答首次帶來客人時，前段取用就接上旅程中的實際到站。這些紀錄讓定律與旅程有可對照的成果。
④ 品牌知識呈現全面升級 → 身分連續定律（S1 店家就緒）；⑤ 研究實證驅動優化 → 理論基礎：17 項既有理論；⑥ IDAEO 新站建立 → 五大構面與九大要素。一致的品牌身分讓 AI 把新資訊連回同一主體；研究支持設計，新站落實各構面與要素，讓後續取用承接前段基礎。
⑦ 讀取表現再創高峰 → AI 曝光數（S2–S4 AI 資訊取得）；⑧ 累積突破一億次請求 → 複利領先與活的學說。讀取高峰顯示 AI 取得資訊的規模；持續取用留下新數據，讓下一輪優化更準。累積成果呼應複利領先，每月新實測也讓學說成長。圖 7-1 的累積曲線記錄這段成長：3 月底 63.5 萬 → 6 月底 2,140 萬 → 9 月底 9,915 萬 → 10/8 累積 1.055 億次。熱啟動經驗值約 30 天（實測同一 AI 平台下一隻爬蟲相隔 30–35 天）；冷啟動業界經驗值約 90 天；TK Lin 個人 IDA 案例 14 天走到 S7。熱啟動內容滿足 S1、上線在 AI 流量樞紐，承接既有累積。
第一批參與實測、5 月與 9 月都有完整紀錄的店家官網中，已有官網在加入 IDAEO 實測後成長。官網整站開啟次數從 5 月到 9 月：育兒內容網站從 52,817 次增至 55,286 次，餐飲設備製造商從 842 次增至 1,275 次，活動場景設計從 442 次增至 1,741 次，皮件品牌從 555 次增至 908 次，髮廊從 74 次增至 128 次，工作室從 3 次增至 329 次。官網整站開啟次數記錄各行業加入實測後的來訪變化。統計對象與期間一致，這批第一方數據可供共同研究跨行業對照。
第二批實測產業的 IDA 頁，7/18–10/8 取得 373,776 次 AI 曝光（被 AI 與搜尋引擎爬蟲讀取的次數）。來讀的有 10 家平台，前六家是 Meta 170,137 次、OpenAI 60,869 次、Anthropic 59,178 次、Amazon 37,218 次、Apple 36,744 次、Microsoft 9,407 次。用途以抄回去訓練 327,365 次為主，建 AI 目錄與搜尋目錄 46,399 次，當場來讀 12 次。紀錄顯示第二批實測產業的內容已進入 AI 的資訊來源；搜尋點擊與客人到站實測追蹤中，之後會公布。

名詞

里程碑
以方法論落實與對應成果標示的成長節點。
研究實證驅動優化
結合相關論文與實測有效的方法，提升行銷成果。
完整方法論建站
從建站起點統整受眾、旅程、信任驗證與成效衡量。
累積曲線
依時間呈現 AI 與搜尋引擎請求數持續累積的曲線。
早期實測店家
最早一批把量測放進自己官網、與 IDAEO 一起實測的店家與網站主。
共同實測
店家、網站主與 IDAEO 以第一方數據一起驗證方法論的合作研究。

常見問題

問　八個里程碑說明哪條成長主線？

答　學理指出該看什麼，實測提供可對照的成果：量測與搜尋曝光對應成效衡量、受眾策略，AI 帶客對應客人上門；品牌知識升級、研究實證與新站建立，對應身分一致、理論依據與完整架構；讀取高峰及持續累積，則對應 AI 資訊取得、複利領先與活的學說。圖 7-1 的累積量為：3 月底 63.5 萬 → 6 月底 2,140 萬 → 9 月底 9,915 萬 → 10/8 累積 1.055 億次。每月新數據用來檢驗這些關係，補強理論與實證基礎。

問　研究實證驅動優化是什麼意思？

答　IDAEO 彙整網路上的相關論文，用實測有效的方法優化自家網站。研究提供依據，實測將優化選擇連上真實取用成果。

問　IDAEO 新站建立有什麼特色？

答　新站直接使用 IDAEO 完整方法論，把圖 1-1〈五類行銷受眾全景圖〉的行銷受眾與優化領域納入規劃。建站時就串起資訊、信任與成效，後續成長便能承接前段成果。

問　曲線上的「8/24 起」代表什麼？

答　8/24 起採用平台認證的 AI 身分計數，來訪者辨識更精準。5/20–8/23 是 IDAEO 方法論驗證形成階段。比較跨 8/24 的月量時，須用同一口徑的期間。

問　平台排名變化如何用在行銷判斷？

答　合看對應期間的讀取量與排名，觀察各平台的接觸變化。排名反映相對位置，讀取量反映實際接觸，兩者合看更能掌握受眾分布。

問　早期實測店家的數據說明了什麼？

答　數據呈現 IDAEO 帶來的成長：平台店家頁的搜尋點擊持續上升，AI 回答帶來客人到站；第一批店家官網則呈現加入 IDAEO 實測後成長。搜尋點擊、AI 帶客與官網整站開啟次數各自衡量不同的接觸，依對象與期間分開看，就能掌握每種成果的行銷意義，並為共同研究提供依據。第二批實測產業的 IDA 頁，7/18 到 10/8 取得 373,776 次 AI 曝光，來讀的有 Meta、OpenAI、Anthropic、Amazon、Apple、Microsoft 等 10 家平台，呈現第二批實測產業的內容已被 AI 取得；搜尋點擊與客人到站實測追蹤中，之後會公布。

問　為什麼要招募更多店家、網站主一起實測？

答　為了研究 IDAEO 如何在店家、網站主身上發揮更好效果，持續深化理論、實務、方法論與解決方案。因為更多店家與網站主的第一方數據能呈現不同場景的實際成果，共同實測能為這些進階研究提供更完整的依據。

自我檢查用 IDAEO 本站、和心村與早期實測店家的不同場景，說明共同驗證的意義；依里程碑與月排名說明從零到一億次請求的歷程。再讀圖 7-3〈早期實測店家成果〉，分別解讀平台店家頁、各行業官網與第二批實測產業的數字、期間及行銷價值，說明平台如何支持中小企業一起提升。

第 8 章

AI 能見度與理論基礎

本章回答AI 能見度位於哪段旅程，IDAEO 的理論依據是什麼？

為什麼排在這裡掌握完整旅程與理論出處，才能清楚說明指標與方法論的關係。

圖 8-1　AI 能見度定位圖：能見度在完整旅程的位置

AI 能見度工具主要量 S5–S7，觀察品牌在回答中的樣貌。AI 能見度的基本功是 S1–S4：S1–S4 沒做好，AI 能見度一定不如你所願。資訊就緒與 AI 資訊取得是點名的基礎，IDAEO 串起前段準備與 S8–S10 的代客行動、轉換、回流，接成完整旅程。

圖 8-1　AI 能見度定位圖：能見度在完整旅程的位置

怎麼看由上往下看十步驟、外界議題、外界指標、IDAEO 旅程診斷與服務分級；同一直行是同一步。

圖 8-2　IDAEO 理論基礎對應圖

17 項既有理論依五大構面排列，每格列出處與應用；書末「理論基礎與文獻」另按八類列出延伸文獻。

圖 8-2　IDAEO 理論基礎對應圖

怎麼看每格先看作者、年份與理論，再沿箭頭看相應的 IDAEO 設計。

本章重點

主張為什麼
外界 AI 能見度主要對應 S5–S7 的回答階段。工具透過提問觀察品牌是否被提及，焦點在 AI 的回答。
AI 能見度的基本功是 S1–S4S1 資料齊，AI 才有完整內容可理解；S2–S4 的讀取把內容帶入搜尋、訓練與回答的資訊來源，支援後續點名與引用。S1–S4 沒做好，AI 能見度一定不如你所願。
IDAEO 把 S1–S4 的基礎與 S8–S10 的行動、轉換、回流接進同一旅程。前段支持品牌被取用，後段承接客人的選擇，全程衡量才能看清成果。
IDAEO 的理論基礎分八類：行銷學基礎、生成式引擎與 AI 搜尋研究、AI 顧客與 AI Agent、資訊檢索與可信度、成效量測、啟動與累積、AI 平台官方文件與代理協定、七大定律與旅程的學理。八類文獻支持受眾、旅程、可信資訊、成果判斷、啟動時機與 AI 平台的實際運作，讓架構的依據可追溯。
圖列 17 項既有理論，完整文獻見書末「理論基礎與文獻」。圖中列出設計對應；完整文獻可查作者、年份與出處。
每月的新數據與實測驗證，持續增強 IDAEO 的理論與實證基礎。新成果檢驗受眾、旅程與成效的關係，讓活的學說持續吸收實際變化。

名詞

AI 能見度
品牌在 AI 回答中的呈現情形，IDAEO 同時關注被提及與回答正確性。
提及率
一組觀察題目中，AI 回答提到品牌的比例。
理論基礎
支持行銷架構與量測設計的研究。
IDAEO 學習者
希望理解並運用 AI 時代行銷學的大眾。

常見問題

問　已有 AI 能見度工具，還要 IDAEO 嗎？

答　要。AI 能見度工具觀察回答中的品牌樣貌；IDAEO 再串起前段的資訊準備與 AI 讀取、後段的代客行動與客人上門。回答承接內容基礎，也影響後續選擇，放回完整旅程才能掌握每段成果。

問　IDAEO 學習者需要把學理學到多細？

答　先理解每項理論支持哪個設計，再按需要讀原始文獻。學理幫助判斷與應用；掌握對應關係，就能繼續深入。

問　不同 AI 能見度工具的數字怎麼比較？

答　先對齊題目範圍、觀察期間與指標定義，再按相同口徑比較。各工具的設計重點不同，同口徑比較才有明確意義。

問　IDAEO 的理論基礎是什麼？

答　IDAEO 結合行銷學基礎、生成式引擎與 AI 搜尋研究、AI 顧客與 AI Agent、資訊檢索與可信度、成效量測。對應的研究包括顧客旅程的 Lemon & Verhoef（2016）、生成式引擎優化的 Aggarwal 等（2024）、演算法消費者的 Gal & Elkin-Koren（2017）、搜尋引擎架構的 Brin & Page（1998）、來源可信度的 Dong 等（2015）。

自我檢查依圖 8-1〈AI 能見度定位圖〉說明回答階段的位置，以及 S1–S4 為何是基本功；再舉一項理論說明它如何支持 IDAEO 的設計，解釋每月新數據與實測如何讓學說成長。

標準名詞表

全教材只用這一張表上的說法。行銷學源自美國，所以每個名詞先定英文，再定繁體中文；簡體中文貼近繁中，日文與英文同一脈絡。最後兩欄標明它對應行銷學的哪個概念與定義。

English繁體中文简体中文日本語行銷學對應定義
Marketing行銷营销マーケティング行銷學涵蓋線上與線下，讓對的客人找到你、相信你、選擇你。
AI-Era MarketingAI 時代行銷學AI 时代营销学AI時代のマーケティング学行銷學客人直接問 AI 的時代，對人與 AI 一起做的行銷。
The Seven Laws of IDAEOIDAEO 七大定律IDAEO 七大定律IDAEOの七大法則行銷原則IDAEO 的核心，統整受眾、身分、驗證、事實、溯源、印證與全程成效的判斷原則。
Marketing Audiences行銷受眾营销受众マーケティング・オーディエンス目標受眾行銷需要接觸並理解其需求的人與 AI。
Humans人類人类人（生活者）消費者透過搜尋、AI 或在地搜尋尋找店家的人。
Search Engine Crawlers搜尋引擎爬蟲搜索引擎爬虫検索エンジンクローラー搜尋通路替搜尋引擎建目錄、做 AI 摘要的 AI。
AI CrawlersAI 爬蟲AI 爬虫AIクローラーAI 通路替 AI 公司抄回去訓練、建 AI 目錄、當場來讀的 AI。
AI AgentsAI AgentAI AgentAIエージェント代客決策者替客人辦事的 AI。
Automated Bots機械爬蟲机械爬虫自動サービスボット資訊接觸提供資訊分析與網頁預覽等自動化資訊服務的 AI。
Optimization Domains優化領域优化领域最適化領域通路優化依行銷受眾與資訊功能劃分的優化範圍。
Search Engine OptimizationSEO搜索引擎优化検索エンジン最適化搜尋行銷讓搜尋引擎收錄你、排得到你。
AI Overview OptimizationAIOAI 概览优化AIによる概要の最適化搜尋行銷AIO 針對搜尋引擎 AI 摘要做優化，和 AEO 相連：兩者都讓 AI 的回答取用你的內容，AIO 專管 Google 等搜尋引擎的 AI 摘要。
Large Language Model OptimizationLLMO大语言模型优化LLM最適化品牌知名度讓模型在訓練時記得你。
Generative Engine OptimizationGEO生成式引擎优化生成エンジン最適化內容行銷讓 AI 的目錄收錄你、回答時引用你。
Answer Engine OptimizationAEO答案引擎优化アンサーエンジン最適化即時服務讓 AI 回答取用你的內容，涵蓋 AIO 的 AI 摘要優化，並支援 AI 當場來讀、AI Agent 與自動化資訊服務。
Map Engine Optimization (Local SEO)MEO地图引擎优化MEO（マップエンジン最適化）在地行銷讓客人透過在地搜尋找到你。
Customer Journey顧客旅程顾客旅程カスタマージャーニー顧客體驗客人從需求形成、取得資訊到選擇與回流的歷程。
S1 PrepareS1 店家準備好S1 店家准备好S1 準備資訊準備店家資料齊，供人與 AI 理解品牌資訊。
S2 CrawlS2 爬蟲來敲門S2 爬虫来敲门S2 クロール觸及AI 到站取得品牌資訊。
S3 TrainS3 抄回去訓練S3 抄回去训练S3 学習品牌記憶AI 取得內容供模型訓練使用。
S4 IndexS4 建目錄S4 建目录S4 インデックス資訊收錄搜尋與 AI 將內容納入目錄。
S5 AskS5 有人問 AIS5 有人问 AIS5 質問需求形成客人提出需求，AI 接續取得作答資訊。
S6 MentionS6 AI 點名幾家S6 AI 点名几家S6 言及考慮名單AI 在回答中點名相關店家。
S7 AnswerS7 AI 回答細節S7 AI 回答细节S7 回答資訊評估AI 回答店家的具體資訊。
S8 ActS8 替客人辦事S8 替客人办事S8 代行代客行動AI Agent 替客人查詢、預約與執行任務。
S9 VisitS9 客人上門S9 客人上门S9 来訪顧客轉換客人點進網站或到店採取行動。
S10 ReturnS10 回來再問S10 回来再问S10 再訪顧客忠誠客人再次提出需求並回流。
Journey Diagnostics旅程診斷旅程诊断ジャーニー診断行銷稽核依旅程步驟與成效指標確認進展及改善重點。
Ten Diagnostic Gates十道診斷關卡十道诊断关卡十の診断ゲート旅程管理十步驟各對應一道關卡：可備、可達、可學、可收、可讀、可選、可信、可辦、可來、可回。
Triangulated Verification三角驗證三角验证三角検証（トライアンギュレーション）來源可信度結合官方、本方與第三方證據形成可信判斷的原則。
Official Source官方官方公的情報源來源可信度政府公開登記等公部門提供的資訊。
First-Party Source本方本方当事者情報源品牌主張店家或本人對自身資訊提出的說明。
Third-Party Source第三方第三方第三者情報源外部印證外部獨立來源提供的公開資訊。
IDAEO Service Tiers服務分級（三級）服务分级（三级）サービス階層服務設計做到哪一級：按目標選 AEO 曝光、AEO+ 口碑或 IDA 品牌公關，各涵蓋不同旅程範圍。
AEO ExposureAEO 曝光AEO 曝光AEO露出品牌曝光涵蓋 S1–S4，以資訊就緒與 AI 讀取建立曝光的服務分級。
AEO+ Word of MouthAEO+ 口碑AEO+ 口碑AEO+ クチコミ口碑行銷涵蓋 S5–S6，以 AI 在回答裡點名、推薦你建立口碑的服務分級。AI 時代的口碑＝AI 替你說（AI Word of Mouth）。
IDA Brand PRIDA 品牌公關IDA 品牌公关IDAブランドPR品牌公關重點在 S7–S10，也包含前兩級，完整涵蓋 S1–S10；以可信回答、代客行動、顧客回流支持品牌選擇的服務分級。
Performance Metrics成效指標成效指标成果指標行銷成效衡量對應旅程各步成果的九項衡量依據。
AI Readiness ScoreAI 就緒分AI 就绪分AIレディネス・スコア準備度評估一家店在 S1 準備得多齊，0 到 100 分。
AI Crawl VolumeAI 讀取量AI 读取量AIクロール数AI 曝光S2–S4 AI 與搜尋引擎取得內容的次數：抄回去訓練、建 AI 目錄、建搜尋目錄，合計 9,746 萬次。
AI Real-Time RetrievalsAI 當場來讀量AI 当场来读量AIリアルタイム取得数即時需求AI 依客人提問即時取得內容的次數。
AI Mention RateAI 點名率AI 点名率AI言及率品牌提及同一組題目中，AI 點名店家的比例。
AI Answer Accuracy RateAI 正確率AI 正确率AI回答正確率資訊品質AI 回答店家資訊時，與已驗事實相符的比例。
AI CitationsAI 引用量AI 引用量AI引用数引用成果AI 回答將內容列為出處的次數。
AI Agent VisitsAI Agent 到站量AI Agent 到站量AIエージェント訪問数代理接觸依行為特徵歸入的自動瀏覽與具名 AI Agent 到訪網站總次數；具名 AI Agent 可直接辨認為代客到站。
Search & AI Referral VisitsAI 導客量AI 导客量検索・AI経由流入数導流本教材按客人經搜尋或 AI 點進網站的次數衡量。
AI Return VisitsAI 回訪量AI 回访量AI再訪数顧客回流同一位客人再次提問與到訪的成果。
AI Content UseAI 取用AI 取用AIによるコンテンツ利用內容成效AI 讀取、回答引用與代客行動中的內容使用。
AI VisibilityAI 能見度AI 能见度AI可視性品牌能見度品牌在 AI 回答中的呈現情形，IDAEO 同時關注被提及與回答正確性。
First-Party Data第一方數據第一方数据ファーストパーティデータ第一方數據IDAEO 直接量測並累積的數據，用來建立方法論與驗收成效。
Organic Traffic自然流量自然流量自然流入自然觸及客人經搜尋或 AI 點進網站的次數。
Tracking in Progress實測追蹤中实测跟踪中計測中成效量測由 IDAEO 持續累積量測成果，之後會公布。
Black Box黑盒子黑盒子ブラックボックス決策過程S6–S8 的點名、回答與代辦，以及 S3–S4 讀取後的訓練與排序，都發生在 AI 平台內部；IDAEO 用兩端量測與定期實測量出來。
Five Marketing Audiences五類行銷受眾五类营销受众五つのマーケティング・オーディエンス目標受眾人類、搜尋引擎爬蟲、AI 爬蟲、AI Agent 與機械爬蟲。
Four AI Audiences四類 AI 受眾四类 AI 受众四つのAIオーディエンスAI 顧客搜尋引擎爬蟲、AI 爬蟲、AI Agent 與機械爬蟲。
Six Optimization Domains六大優化領域六大优化领域六つの最適化領域通路優化SEO、AIO、AEO、GEO、LLMO、MEO 共同涵蓋的優化範圍；AIO 管搜尋引擎的 AI 摘要，AEO 管 AI 回答與當場來讀。
Five Dimensions of IDAEO MarketingIDAEO 行銷五大構面IDAEO 营销五大构面IDAEOマーケティングの五つの構成軸行銷架構IDAEO 的架構，以受眾策略（對誰做）、旅程設計（走哪幾步）、信任驗證（憑什麼信）、服務分級（做到哪一級）、成效衡量（怎麼算成果）組織行銷工作。
Audience Strategy受眾策略受众策略オーディエンス戦略目標市場對誰做：依行銷受眾的需求安排資訊與接觸。
Journey Design旅程設計旅程设计ジャーニー設計顧客體驗走哪幾步：把品牌接觸、AI 取用與顧客行動連成旅程。
Trust and Verification信任驗證信任验证信頼と検証品牌信任憑什麼信：以可信事實與外部印證支持品牌主張。
Performance Measurement成效衡量成效衡量成果測定行銷績效怎麼算成果：用對應各步的指標解讀取用與轉換價值。
Nine Elements of the IDAEO FrameworkIDAEO 架構九大要素IDAEO 架构九大要素IDAEOフレームワークの九要素行銷架構IDAEO 的組成：行銷受眾、優化領域、顧客旅程、旅程診斷、IDAEO 解決方案、驗證原則、服務分級、成效指標與第一方數據。
IDAEO SolutionsIDAEO 解決方案IDAEO 解决方案IDAEOソリューション行銷支援對應顧客旅程與行銷目標的專業服務。
Verification Principles驗證原則验证原则検証原則可信度以已驗事實、可溯依據與外部印證建立可信主張。
AI Customer Journey: Four Phases, Ten StepsAI 顧客旅程：四階段十步驟AI 顾客旅程：四阶段十步骤AIカスタマージャーニー：四つのフェーズと十のステップ顧客旅程以店家就緒、AI 資訊取得、AI 輔助決策與行動、顧客轉換與回流串起 S1–S10。
Merchant Readiness店家就緒店家就绪店舗レディネス資訊準備S1 階段的品牌資訊已為人與 AI 的理解做好準備。
AI Information AcquisitionAI 資訊取得AI 信息获取AIによる情報取得資訊接觸S2–S4 階段由 AI 取得供搜尋、訓練與回答使用的資訊。
AI-Assisted Decision and ActionAI 輔助決策與行動AI 辅助决策与行动AIによる意思決定・行動支援決策支援S5–S8 階段由 AI 回應需求、點名品牌、回答細節與代客行動。
Customer Conversion and Re-engagement顧客轉換與回流顾客转化与回流顧客のコンバージョンと再エンゲージメント轉換與關係經營S9–S10 階段由客人採取行動並再次接觸品牌。
AI ImpressionsAI 曝光數AI 曝光数AIインプレッション数曝光衡量內容被 AI 與搜尋引擎讀到一次，就是一次 AI 曝光。這是對 AI 的曝光——AI 讀到你一次算一次，不是有多少人看到；它是 AI 讀取量的行銷意義。
Automated Information Services自動化資訊服務自动化信息服务自動化情報サービス資訊服務機械爬蟲提供的資訊整理、分析與網頁預覽等服務。
Local Search在地搜尋本地搜索ローカル検索在地行銷客人依地點與附近需求尋找店家或服務。
IDAEO LearnersIDAEO 學習者IDAEO 学习者IDAEO学習者行銷教育希望理解並運用 AI 時代行銷學的大眾。
Law of Audience Adaptation受眾適配定律受众适配定律オーディエンス適応の法則受眾策略表達隨受眾而異，因為人與 AI 理解資訊的方式不同。
Law of Identity Continuity身分連續定律身份连续定律アイデンティティ連続性の法則品牌認知主體身分始終一致；AI 對主體的認知靠長期累積。
Law of Independent Verification驗證獨立定律验证独立定律独立検証の法則品牌信任驗證有成本，結論依事實，因為公信力來自判斷不受委託左右。
Law of Fact Primacy事實先行定律事实先行定律事実優先の法則可信度可信內容始於已驗事實；經過核實，AI 才放心取用。
Law of Claim Traceability主張溯源定律主张溯源定律主張の追跡可能性の法則來源可信度每項主張皆有可溯依據；可追溯，AI 才有把握引用。
Law of External Corroboration外部印證定律外部印证定律外部裏付けの法則外部印證可信主張須有外部印證，因為獨立觀點補足單方敘述。
Law of Full-Journey Outcomes全程成效定律全程成效定律ジャーニー全体の成果の法則行銷成效AI 各階段取用皆是成效，因為顧客在 AI 回答中就完成決定。
IDAEO Verification ModelIDAEO 驗證模型IDAEO 验证模型IDAEO 検証モデル品牌信任以日本、台灣、香港大數據為基礎，結合官方、本方與第三方證據，長期累積資料、持續查核並到期重驗，支持個別事實的可信判斷。
Cold Start冷啟動冷启动コールドスタート流量累積AI 流量從 0 累積，業界經驗值約 90 天。
Warm Start熱啟動热启动ウォームスタート流量累積內容滿足 S1，並上線在 AI 流量樞紐。經驗值約 30 天；TK Lin 個人 IDA 案例 14 天走到 S7（AI 回答細節）。
AI Traffic HubAI 流量樞紐AI 流量枢纽AIトラフィック・ハブ通路與平台每月累積上千萬次 AI 請求的平台，內容一上線就接上既有 AI 流量。IDAEO 平台（idaeo.ai）就是 AI 流量樞紐。
Compounding Lead複利領先复利领先複利的リード流量累積AI 曝光會累積，帶來更多取用與數據；越早開始，領先越會隨時間擴大。
AI PlatformsAI 平台AI 平台AIプラットフォーム通路與平台營運搜尋引擎、AI 服務與爬蟲的公司，例如 Google、OpenAI、Microsoft、Anthropic、Apple、Meta。
Living Theory活的學說活的学说生きている理論行銷學IDAEO 每個月有新數據與新的實測驗證，理論與實證基礎持續增強。

理論基礎與文獻

IDAEO 的每一個設計都有學理出處。上半是圖 8-2 列出的 17 項學理的完整書目（19 筆出處）；下半是 78 筆延伸文獻，分成行銷學基礎、生成式引擎與 AI 搜尋研究、AI 顧客與 AI Agent、資訊檢索與可信度、成效量測、啟動與累積、AI 平台官方文件與代理協定、七大定律與旅程的學理八類。

理論出處IDAEO 怎麼用
教材圖 8-2 列出的 17 項學理（19 筆出處）
檢索增強生成Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., 等（2020）。Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks。Advances in Neural Information Processing Systems 33（NeurIPS 2020）。arXiv:2005.11401。AI 回答前先檢索 → 當場來讀
委託代理Jensen, M. C., & Meckling, W. H.（1976）。Theory of the firm: Managerial behavior, agency costs and ownership structure。Journal of Financial Economics, 3(4), 305–360。AI Agent 是客人的代理人
AI 可讀標準（robots 協定）Koster, M., Illyes, G., Zeller, H., & Sassman, L.（2022）。Robots Exclusion Protocol。RFC 9309，IETF（Proposed Standard），2022 年 9 月。AI 讀網站有規矩 → AI 放行
AI 可讀標準（結構化資料詞彙）Schema.org。About Schema.org。Schema.org 社群（創始公司：Google、Microsoft、Yahoo、Yandex）。AI 讀網站有規矩 → AI 放行
顧客旅程（消費者決策旅程）Court, D., Elzinga, D., Mulder, S., & Vetvik, O. J.（2009）。The consumer decision journey。McKinsey Quarterly，2009 年 6 月。消費決策是有回流的循環 → 十步驟
顧客旅程（零關鍵時刻 ZMOT）Lecinski, J.（2011）。Winning the Zero Moment of Truth。Google（免費電子書）。客人在購買前先上網查，路徑可前進也可回頭 → 十步驟
注意力稀缺Simon, H. A.（1971）。Designing Organizations for an Information-Rich World。收於 M. Greenberger（編），Computers, Communications, and the Public Interest（頁 37–72）。Baltimore: The Johns Hopkins Press。資訊愈多，注意力愈稀缺 → S6 AI 一次只點名幾家
資訊不對稱Akerlof, G. A.（1970）。The Market for "Lemons": Quality Uncertainty and the Market Mechanism。The Quarterly Journal of Economics, 84(3), 488–500。品質資訊不對稱影響交易判斷 → 以驗證補足可信依據
來源可信度Hovland, C. I., & Weiss, W.（1951）。The Influence of Source Credibility on Communication Effectiveness。Public Opinion Quarterly, 15(4), 635–650。誰說的，會影響人信不信 → 主張溯源定律：每項主張都附來源
信任三要素Mayer, R. C., Davis, J. H., & Schoorman, F. D.（1995）。An Integrative Model of Organizational Trust。The Academy of Management Review, 20(3), 709–734。信任看能力、善意、正直，並隨行為更新 → 信任隨時效更新
實體解析Fellegi, I. P., & Sunter, A. B.（1969）。A Theory for Record Linkage。Journal of the American Statistical Association, 64(328), 1183–1210。同一家要多個欄位對上 → 身分連續定律
資料溯源Moreau, L., & Missier, P.（編）（2013）。PROV-DM: The PROV Data Model。W3C Recommendation，2013 年 4 月 30 日。每筆資料從哪來、何時 → 主張溯源定律
第三方認證中介Lizzeri, A.（1999）。Information Revelation and Certification Intermediaries。The RAND Journal of Economics, 30(2), 214–231。認證中介決定揭露多少資訊 → 驗證獨立定律
信號理論Spence, M.（1973）。Job Market Signaling。The Quarterly Journal of Economics, 87(3), 355–374。信號的成本因類型而異，高品質一方較能承擔 → 服務分級的可信信號
能力成熟度模型Paulk, M. C., Curtis, B., Chrissis, M. B., & Weber, C. V.（1993）。Capability maturity model, version 1.1。IEEE Software, 10(4), 18–27。能力分級，逐級往上 → 服務分級
版本化定價Shapiro, C., & Varian, H. R.（1998）。Versioning: The Smart Way to Sell Information。Harvard Business Review, 76(6), 106–114。同一產品分版本提供 → 服務分級內容不同
效果層級Lavidge, R. J., & Steiner, G. A.（1961）。A Model for Predictive Measurements of Advertising Effectiveness。Journal of Marketing, 25(6), 59–62。知道、有好感、行動有先後 → 曝光、口碑、品牌公關
聲量佔比Jones, J. P.（1990）。Ad Spending: Maintaining Market Share。Harvard Business Review, 68(1), 38–42。廣告聲量佔比要和市佔一起看 → 借這個概念量 AI 點名率
古德哈特定律Goodhart, C. A. E.（1976）。Problems of Monetary Management: The U.K. Experience。收於 Papers in Monetary Economics, Vol. I。Sydney: Reserve Bank of Australia。（1975 年 7 月於雪梨的研討會發表，通行引作 Goodhart 1975）指標成為目標會削弱其衡量效力 → 同時看點擊與 AI 每一步的取用
延伸文獻：行銷學基礎
行銷的官方定義American Marketing Association。Definition of Marketing。AMA 官方網站（2026/10/11 查閱）。行銷是為顧客與社會創造並交換價值的活動 → 對象擴及 AI
AIDA（注意、興趣、慾望、行動）Strong, E. K., Jr.（1925）。Theories of selling。Journal of Applied Psychology, 9(1), 75–86。Strong 整理注意、興趣、慾望、行動的銷售階段說法 → 顧客旅程分階段的早期參照
顧客旅程與顧客體驗Lemon, K. N., & Verhoef, P. C.（2016）。Understanding Customer Experience Throughout the Customer Journey。Journal of Marketing, 80(6), 69–96。旅程分消費決策前、中、後與多接觸點 → 十步驟加入 AI 接觸點
以顧客為基礎的品牌權益Keller, K. L.（1993）。Conceptualizing, Measuring, and Managing Customer-Based Brand Equity。Journal of Marketing, 57(1), 1–22。品牌資產來自顧客腦中的品牌知識 → 延伸到 AI 腦中的知識
服務主導邏輯Vargo, S. L., & Lusch, R. F.（2004）。Evolving to a New Dominant Logic for Marketing。Journal of Marketing, 68(1), 1–17。價值在使用中與顧客共創 → AI 代辦也是共創的一環
口碑對新產品擴散的影響Arndt, J.（1967）。Role of Product-Related Conversations in the Diffusion of a New Product。Journal of Marketing Research, 4(3), 291–295。正面口碑能促進消費者採用新產品 → 口碑是「AEO+ 口碑」的核心
兩級傳播與意見領袖Katz, E., & Lazarsfeld, P. F.（1955）。Personal Influence: The Part Played by People in the Flow of Mass Communications。Glencoe, IL: Free Press。意見領袖替大眾解讀、轉述訊息 → AI 扮演同樣的中介角色
傳統與社群贏得媒體的銷售效果Stephen, A. T., & Galak, J.（2012）。The Effects of Traditional and Social Earned Media on Sales: A Study of a Microlending Marketplace。Journal of Marketing Research, 49(5), 624–639。贏得媒體能帶動銷售 → 第三方證據比自說有力
服務藍圖Shostack, G. L.（1984）。Designing Services That Deliver。Harvard Business Review, 62(1), 133–139。服務藍圖標示流程的潛在失敗點 → 十步驟逐步確認改善重點
承諾與信任（關係行銷）Morgan, R. M., & Hunt, S. D.（1994）。The Commitment-Trust Theory of Relationship Marketing。Journal of Marketing, 58(3), 20–38。信任與承諾是關係行銷成功的關鍵 → 信任驗證接到 S10 回來再問
顧客價值Gupta, S., Lehmann, D. R., & Stuart, J. A.（2004）。Valuing Customers。Journal of Marketing Research, 41(1), 7–18。顧客的長期價值可以用來估算企業價值 → 成效一路看到回訪
延伸文獻：生成式引擎與 AI 搜尋研究
生成式引擎優化（GEO）Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., & Deshpande, A.（2024）。GEO: Generative Engine Optimization。Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining（KDD '24），頁 5–16。首次定義 GEO 並量測可見度 → GEO 這一領域的學術依據
生成式搜尋引擎的可驗證性Liu, N. F., Zhang, T., & Liang, P.（2023）。Evaluating Verifiability in Generative Search Engines。Findings of the Association for Computational Linguistics: EMNLP 2023，頁 7001–7025。生成式搜尋的引用支撐程度有差異 → 正確率要另行量測
對話式搜尋引擎的排名操縱Pfrommer, S., Bai, Y., Gautam, T., & Sojoudi, S.（2024）。Ranking Manipulation for Conversational Search Engines。Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing（EMNLP 2024），頁 9523–9552。arXiv:2406.03589。網頁文字可操縱 AI 推薦排序 → 所以要有三方驗證
操縱語言模型提高產品能見度Kumar, A., & Lakkaraju, H.（2024）。Manipulating Large Language Models to Increase Product Visibility。arXiv 預印本 arXiv:2404.07981。在商品頁加一段字就能擠進推薦首位 → 點名率可被操縱
針對語言模型的對抗式 SEONestaas, F., Debenedetti, E., & Tramèr, F.（2025）。Adversarial Search Engine Optimization for Large Language Models。ICLR 2025。arXiv:2406.18382。競相操縱 AI，各方表現一起變差 → IDAEO 主張以可驗證事實長期經營
AI 搜尋偏好贏得媒體Chen, M., Wang, X., Chen, K., & Koudas, N.（2025）。Generative Engine Optimization: How to Dominate AI Search。arXiv 預印本 arXiv:2509.08919。AI 搜尋引第三方來源多於品牌自有 → 第三方證據最關鍵
對話式 SEO 是否有效的基準測試Puerto, H., Gubri, M., Green, T., Oh, S. J., & Yun, S.（2025）。C-SEO Bench: Does Conversational SEO Work?。Advances in Neural Information Processing Systems 38（NeurIPS 2025 Datasets & Benchmarks），頁 31145–31169。arXiv:2506.11097。多數改寫技巧效果有限 → 以實測成效判斷優化成果
AI 搜尋「有引用就可信」的落差Narayanan Venkit, P., Laban, P., Zhou, Y., Mao, Y., & Wu, C.-S.（2025）。Search Engines in the AI Era: A Qualitative Understanding to the False Promise of Factual and Verifiable Source-Cited Responses in LLM-based Search。Proceedings of the 2025 ACM Conference on Fairness, Accountability, and Transparency（FAccT '25），頁 1325–1340。arXiv:2410.22349。附來源的 AI 回答仍常出錯 → 要逐條事實驗證
AI 摘要降低點擊Chapekis, A., & Lieb, A.（2025）。Google users are less likely to click on links when an AI summary appears in the results。Pew Research Center，2025 年 7 月 22 日。出現 AI 摘要時使用者較少點連結 → 同時衡量點擊與 AI 取用
延伸文獻：AI 顧客與 AI Agent
演算法消費者Gal, M. S., & Elkin-Koren, N.（2017）。Algorithmic Consumers。Harvard Journal of Law & Technology, 30(2), 309–353。演算法替人挑選並下單 → 行銷對象延伸到 AI 顧客
自動購物系統的採用障礙de Bellis, E., & Johar, G. V.（2020）。Autonomous Shopping Systems: Identifying and Overcoming Barriers to Consumer Adoption。Journal of Retailing, 96(1), 74–87。消費者交由系統代作消費決策時面臨心理障礙 → S8 需要信任基礎
AI 購物代理如何選品Allouah, A., Besbes, O., Figueroa, J. D., Kanoria, Y., & Kumar, A.（2025）。What Is Your AI Agent Buying? Evaluation, Biases, Model Dependence, & Emerging Implications for Agentic E-Commerce。arXiv:2508.02630；另收於 Proceedings of the ACM Web Conference 2026，頁 8697–8700。AI 代理選品有位置與模型偏好 → 商家要為代理優化
代理對代理的市場實驗環境Bansal, G., Hua, W., Huang, Z., Fourney, A., Swearngin, A., Epperson, W., Payne, T., Hofman, J. M., 等（2025）。Magentic Marketplace: An Open-Source Environment for Studying Agentic Markets。arXiv 預印本 arXiv:2510.25779。用模擬市場研究交易雙方代理互動 → S8 的實驗依據
延伸文獻：資訊檢索與可信度
PageRank 與大型搜尋引擎架構Brin, S., & Page, L.（1998）。The anatomy of a large-scale hypertextual Web search engine。Computer Networks and ISDN Systems, 30(1–7), 107–117。爬取、索引、以連結算權威 → S2 與 S4 的技術原型
權威來源與樞紐（HITS）Kleinberg, J. M.（1999）。Authoritative sources in a hyperlinked environment。Journal of the ACM, 46(5), 604–632。權威由他人指向來認定 → 第三方引用是權威的來源
以事實正確性評估來源可信度（KBT）Dong, X. L., Gabrilovich, E., Murphy, K., Dang, V., Horn, W., Lugaresi, C., Sun, S., & Zhang, W.（2015）。Knowledge-based trust: Estimating the trustworthiness of web sources。Proceedings of the VLDB Endowment, 8(9), 938–949。用網頁事實對不對來評可信度 → 逐條事實驗證的依據
知識圖譜（實體而非字串）Singhal, A.（2012）。Introducing the Knowledge Graph: things, not strings。Google 官方部落格，2012 年 5 月 16 日。搜尋從比對字串改成認識實體 → 店家要成為可辨識實體
知識圖譜綜述Hogan, A., Blomqvist, E., Cochez, M., d'Amato, C., de Melo, G., Gutierrez, C., Kirrane, S., Labra Gayo, J. E., 等（2021）。Knowledge Graphs。ACM Computing Surveys, 54(4), 1–37。知識圖譜如何建立、驗證與更新 → S4 的學術總覽
E-E-A-T（經驗、專業、權威、可信）Google Search Central（2022）。Our latest update to the quality rater guidelines: E-A-T gets an extra E for Experience。Google Search Central Blog，2022 年 12 月 15 日。另見 Google Search Central。Creating helpful, reliable, people-first content（2026/10/11 查閱）。Google 的品質評分指南看四個面向，信任最重要 → 驗證的對照
事實查核資料集 FEVERThorne, J., Vlachos, A., Christodoulopoulos, C., & Mittal, A.（2018）。FEVER: a Large-scale Dataset for Fact Extraction and VERification。NAACL-HLT 2018（Long Papers），頁 809–819。每條聲明對證據判支持、反駁或不足 → 驗證三態的原型
原子事實正確率 FActScoreMin, S., Krishna, K., Lyu, X., Lewis, M., Yih, W., Koh, P. W., Iyyer, M., Zettlemoyer, L., 等（2023）。FActScore: Fine-grained Atomic Evaluation of Factual Precision in Long Form Text Generation。EMNLP 2023，頁 12076–12100。把回答拆成單一事實逐條算正確比例 → 正確率的算法
語言生成的幻覺綜述Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y. J., 等（2023）。Survey of Hallucination in Natural Language Generation。ACM Computing Surveys, 55(12), 1–38。語言模型會生成無依據內容 → 為何要量正確率
延伸文獻：成效量測
淨推薦值（NPS）Reichheld, F. F.（2003）。The One Number You Need to Grow。Harvard Business Review, 81(12), 46–54。推薦意願和企業成長相關 → 口碑量測的參考，另外追蹤回訪量
多通路轉換歸因Li, H., & Kannan, P. K.（2014）。Attributing Conversions in a Multichannel Online Marketing Environment: An Empirical Model and a Field Experiment。Journal of Marketing Research, 51(1), 40–56。轉換要分攤給各接觸通路 → AI 通路也要算進歸因
資料驅動的多點觸及歸因Shao, X., & Li, L.（2011）。Data-driven multi-touch attribution models。Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining（KDD '11），頁 258–264。用資料估每個接觸點的貢獻 → 連接讀取量到導客量
坎貝爾定律（指標被用於決策就會被扭曲）Campbell, D. T.（1979）。Assessing the impact of planned social change。Evaluation and Program Planning, 2(1), 67–90。量化指標越用於決策越被扭曲 → 九個成效指標要互相制衡
廣告成效的實驗與觀察比較Gordon, B. R., Zettelmeyer, F., Bhargava, N., & Chapsky, D.（2019）。A Comparison of Approaches to Advertising Measurement: Evidence from Big Field Experiments at Facebook。Marketing Science, 38(2), 193–225。觀察資料算出的成效，和實驗結果常有落差 → 成效比較一律用同一口徑
延伸文獻：啟動與累積
先行者優勢Lieberman, M. B., & Montgomery, D. B.（1988）。First-mover advantages。Strategic Management Journal, 9(S1), 41–58。先進場有優勢，也要付出代價 → 早期紅利靠持續投入守住
報酬遞增與路徑依賴Arthur, W. B.（1989）。Competing Technologies, Increasing Returns, and Lock-In by Historical Events。The Economic Journal, 99(394), 116–131。報酬遞增時，早期領先可能鎖定市場 → 複利領先的學理參照
冷啟動問題Schein, A. I., Popescul, A., Ungar, L. H., & Pennock, D. M.（2002）。Methods and metrics for cold-start recommendations。Proceedings of the 25th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval（SIGIR '02），頁 253–260。新項目還沒有累積資料時，推薦系統難以推薦 → 冷啟動的學理參照
延伸文獻：AI 平台官方文件與代理協定
OpenAI 爬蟲說明OpenAI。Overview of OpenAI Crawlers。OpenAI 開發者文件（2026/10/11 查閱）。GPTBot、OAI-SearchBot、ChatGPT-User 各有用途 → 訓練、建目錄、當場來讀三種讀取
Anthropic 爬蟲說明Anthropic。Does Anthropic crawl data from the web, and how can site owners block the crawler?。Claude Help Center（2026/10/11 查閱）。ClaudeBot、Claude-SearchBot、Claude-User 各有用途 → 同一家平台也分三種讀取
Perplexity 爬蟲說明Perplexity。Perplexity Crawlers。Perplexity 官方文件（2026/10/11 查閱）。PerplexityBot 建搜尋結果，Perplexity-User 隨使用者提問來讀 → 建目錄與當場來讀
Amazon 爬蟲說明Amazon。About Amazonbot。Amazon Developer（2026/10/11 查閱）。Amazonbot 改善產品與服務、可能用於訓練，Amzn-User 隨使用者需求來讀 → 訓練與當場來讀
Google 爬蟲總覽Google。Google's common crawlers。Google Crawling Infrastructure 文件（2026/10/11 查閱）。Googlebot 建搜尋目錄，Google-Extended 管理 AI 用途 → 搜尋引擎爬蟲與 AI 用途分開看
AI 爬取與導客的外部量測Tomé, J.（2025）。The crawl-to-click gap: Cloudflare data on AI bots, training, and referrals。Cloudflare Blog，2025 年 8 月 29 日。外部量測把 AI 爬取和導客分開統計 → AI 曝光數與 AI 帶客分開量
模型情境協定（MCP）Model Context Protocol。Specification（2025-06-18 版）。modelcontextprotocol.io。AI Agent 透過標準接口取用資料與工具 → S8 替客人辦事
代理對代理協定（A2A）Google（2025）。Announcing the Agent2Agent Protocol (A2A)。Google Developers Blog，2025 年 4 月 9 日。不同的 AI Agent 用共同標準交接任務 → AI Agent 是新的行銷受眾
代理支付協定（AP2）Google Cloud（2025）。Announcing Agent Payments Protocol (AP2)。Google Cloud Blog，2025 年 9 月。代理交易要有使用者授權與可追溯的憑證 → S8 到 S9 的信任驗證
llms.txt 提案Howard, J.（2024）。The /llms.txt file（現行為 v2）。llmstxt.org，2024 年 9 月 3 日首次發布。替模型準備一份內容導覽 → S1 店家準備好的 AI 可讀層
延伸文獻：七大定律與旅程的學理
受眾適配定律｜語意網Berners-Lee, T., Hendler, J., & Lassila, O.（2001）。The Semantic Web。Scientific American, 284(5), 34–43。網頁加上機器讀得懂的結構，軟體代理才能替人辦事 → 對人、對 AI 各用對方讀得懂的表達
受眾適配定律｜媒介豐富度Daft, R. L., & Lengel, R. H.（1986）。Organizational Information Requirements, Media Richness and Structural Design。Management Science, 32(5), 554–571。不同的資訊需求適合不同的表達方式 → 依受眾安排內容形式
身分連續定律｜品牌即信號Erdem, T., & Swait, J.（1998）。Brand Equity as a Signaling Phenomenon。Journal of Consumer Psychology, 7(2), 131–157。一致、可信的品牌信號降低客人的不確定 → 身分長期一致，信任才累積得起來
身分連續定律｜實體連結Shen, W., Wang, J., & Han, J.（2015）。Entity Linking with a Knowledge Base: Issues, Techniques, and Solutions。IEEE Transactions on Knowledge and Data Engineering, 27(2), 443–460。系統靠名稱與上下文把文字連回同一個實體 → 名稱一致，AI 才連得回同一家店
驗證獨立定律｜審計獨立性DeAngelo, L. E.（1981）。Auditor size and audit quality。Journal of Accounting and Economics, 3(3), 183–199。驗證品質看能不能發現問題、敢不敢如實報告 → 驗證結論不隨委託關係改變
驗證獨立定律｜品質揭露與認證Dranove, D., & Jin, G. Z.（2010）。Quality Disclosure and Certification: Theory and Practice。Journal of Economic Literature, 48(4), 935–963。第三方認證的效果取決於認證者的誘因與做法 → IDA 驗證的整體學理參照
事實先行定律｜資料品質Wang, R. Y., & Strong, D. M.（1996）。Beyond Accuracy: What Data Quality Means to Data Consumers。Journal of Management Information Systems, 12(4), 5–33。資料品質除了正確，還包括完整、及時、可理解 → 店家事實逐項核實並標示時效
主張溯源定律｜生成內容的歸因Rashkin, H., Nikolaev, V., Lamm, M., Aroyo, L., Collins, M., Das, D., Petrov, S., Tomar, G. S., 等（2023）。Measuring Attribution in Natural Language Generation Models。Computational Linguistics, 49(4), 777–840。AI 生成內容裡講到事實的句子，要能指回已識別的來源 → 每項主張附可追溯的依據
主張溯源定律｜資料來源譜系Buneman, P., Khanna, S., & Tan, W.-C.（2001）。Why and Where: A Characterization of Data Provenance。Database Theory — ICDT 2001，Lecture Notes in Computer Science 1973，頁 316–330。資料要能回答「為何產生、來自哪裡」 → 每條主張連回具體證據
外部印證定律｜傳播者偏差Eagly, A. H., Wood, W., & Chaiken, S.（1978）。Causal inferences about communicators and their effect on opinion change。Journal of Personality and Social Psychology, 36(4), 424–435。聽眾會推論說話者為什麼這樣說 → 本方說法配上獨立印證更有力
外部印證定律｜三角驗證Jick, T. D.（1979）。Mixing Qualitative and Quantitative Methods: Triangulation in Action。Administrative Science Quarterly, 24(4), 602–611。不同來源的證據可以互相檢查 → 官方、本方、第三方合看
全程成效定律｜不點擊也滿足需求Li, J., Huffman, S., & Tokuda, A.（2009）。Good abandonment in mobile and PC internet search。Proceedings of the 32nd International ACM SIGIR Conference on Research and Development in Information Retrieval（SIGIR '09），頁 43–50。使用者沒有點擊就離開，有一部分是需求已在結果頁滿足 → 回答階段的取用本身就是成效
全程成效定律｜顧客權益與行銷報酬Rust, R. T., Lemon, K. N., & Zeithaml, V. A.（2004）。Return on Marketing: Using Customer Equity to Focus Marketing Strategy。Journal of Marketing, 68(1), 109–127。行銷投入要連到顧客的長期價值 → 九個指標從前段一路看到回訪
S6 AI 點名幾家｜考慮名單Hauser, J. R., & Wernerfelt, B.（1990）。An Evaluation Cost Model of Consideration Sets。Journal of Consumer Research, 16(4), 393–408。評估有成本，客人只會把部分品牌放進考慮名單 → AI 點名率就是進入候選名單的機會
S6 AI 點名幾家｜被想起就會被選Nedungadi, P.（1990）。Recall and Consumer Consideration Sets: Influencing Choice without Altering Brand Evaluations。Journal of Consumer Research, 17(3), 263–276。品牌被想起、進入考慮名單，就能改變選擇 → 被 AI 點名本身就是成效
S8 替客人辦事｜自動化的層級Parasuraman, R., Sheridan, T. B., & Wickens, C. D.（2000）。A model for types and levels of human interaction with automation。IEEE Transactions on Systems, Man, and Cybernetics – Part A, 30(3), 286–297。自動化分成取得資訊、分析、決策、執行四種 → 分清 AI Agent 是查資料還是替客人辦成事
S10 回來再問｜期望確認Bhattacherjee, A.（2001）。Understanding Information Systems Continuance: An Expectation-Confirmation Model。MIS Quarterly, 25(3), 351–370。用過以後符合期望，較願意繼續用 → 回訪量看客人願不願意再問、再來
AI 曝光數｜被讀到的次數與模型記得多少Kandpal, N., Deng, H., Roberts, A., Wallace, E., & Raffel, C.（2023）。Large Language Models Struggle to Learn Long-Tail Knowledge。Proceedings of the 40th International Conference on Machine Learning（ICML 2023），PMLR 202，頁 15696–15707。arXiv:2211.08411。模型答對一件事的機會，和訓練資料裡相關文件的數量有關 → 被抄回去訓練的次數值得量
AI 曝光數｜重複出現與模型記憶Carlini, N., Ippolito, D., Jagielski, M., Lee, K., Tramèr, F., & Zhang, C.（2023）。Quantifying Memorization Across Neural Language Models。ICLR 2023。arXiv:2202.07646。內容在訓練資料裡重複愈多次，模型愈容易原樣記住 → S3 抄回去訓練的價值
AI 能見度｜品牌顯著性Romaniuk, J., & Sharp, B.（2004）。Conceptualizing and measuring brand salience。Marketing Theory, 4(4), 327–342。品牌顯著性是購買情境中容易被注意、被想起的程度 → AI 點名率量的是品牌在 AI 回答裡被想起的機會
成效指標｜構念效度Cronbach, L. J., & Meehl, P. E.（1955）。Construct validity in psychological tests。Psychological Bulletin, 52(4), 281–302。指標要證明自己量到所命名的概念 → 每個成效指標都寫清楚量的是什麼
IDA 第三方驗證｜信任財Darby, M. R., & Karni, E.（1973）。Free Competition and the Optimal Amount of Fraud。The Journal of Law and Economics, 16(1), 67–88。有些品質客人用過也難判斷 → 執照、專業這類事實交給第三方驗證
熱啟動｜爬蟲重訪排程Cho, J., & Garcia-Molina, H.（2003）。Effective page refresh policies for Web crawlers。ACM Transactions on Database Systems, 28(4), 390–426。爬蟲資源有限，重訪頻率要權衡頁面變動來分配 → 熱啟動的機制參照
複利領先｜偏好連結Barabási, A.-L., & Albert, R.（1999）。Emergence of Scaling in Random Networks。Science, 286(5439), 509–512。網路成長時，新連結偏向已有較多連結的節點 → 複利領先的網路科學參照
複利領先｜累積優勢Merton, R. K.（1968）。The Matthew Effect in Science。Science, 159(3810), 56–63。已有名望的人會得到更多認可與關注 → 早被取用的內容更有機會再被取用
活的學說｜研究綱領Lakatos, I.（1970）。Falsification and the Methodology of Scientific Research Programmes。收於 I. Lakatos & A. Musgrave（編），Criticism and the Growth of Knowledge（頁 91–196）。Cambridge: Cambridge University Press。研究綱領有核心主張，並靠持續預測新事實而進步 → 七大定律是核心，每月新數據持續檢驗
活的學說｜設計科學Hevner, A. R., March, S. T., Park, J., & Ram, S.（2004）。Design Science in Information Systems Research。MIS Quarterly, 28(1), 75–106。設計出的方法要在實際情境反覆建造、評估、修正 → 每月實測用來修訂診斷與指標

全部書目已於 2026/10/11 逐筆對照出版資料與官方頁面查證作者、年份、題名與出處；標「預印本」者尚未經同儕審查。古德哈特定律的論文於 1975 年發表、1976 年收入論文集出版。官方文件會持續更新，以查閱日的內容為準。表中「→」之前是文獻原本的說法，「→」之後是 IDAEO 的用法；IDAEO 以實測得到的結論，依據是各章的實測數據，文獻是它的學理參照。

資料說明