IDAEO：AI 時代的行銷

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。七大定律見第 8 章。

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、搜尋引擎與機械爬蟲的請求合計 1.055 億次。8/24 以前可能含重複請求。到站讀取不代表已訓練或已收錄。行銷要把讓 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。這就是身分連續定律所說的「主體身分始終一致」。要看的是 AI 有沒有把不同內容連回同一家店；若身分一致仍被認錯，這條就要重新檢查。

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。為訓練來讀，目的是讓模型累積資訊。為建目錄來讀，目的是讓內容進入後續取用的來源。當場來讀，是回應客人當下的提問。讀取不等於已訓練或已收錄。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〉；五類流量各有哪幾家、每一隻爬蟲來了多少次，見圖 1-4〈IDAEO流量圖鑑〉。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　AI Agent 到站已出現，為什麼要持續追蹤規模？

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　要看用法。本書的 AIO 只指搜尋引擎 AI 摘要優化。市面若用 AIO 泛稱 AI 優化，那是跨領域用法，不能全歸本書的 AEO。

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　本書將自動瀏覽 1,795 萬次列入 AI Agent，並獨立標示為自動瀏覽。程式操作瀏覽器，只能說明是自動執行，不能證明是客人委託；分類依實測功能。可證實的具名 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 面向模型訓練；訓練用途的爬蟲來讀，不等於模型已完成訓練。GEO 是提升內容在生成式回答中可見度的優化領域，與書末 Aggarwal 等（2024）的用法一致。建 AI 目錄是 S4 功能，圖 1-1 的 399 萬次掛在這個功能名上。

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。

問　被 AI 提到的四條路，各由哪類爬蟲讀？

答　① 由訓練用的 AI 爬蟲讀取，屬 S3 抄回去訓練。②③④ 由搜尋引擎爬蟲與 AI 爬蟲讀取，屬 S4 建目錄、S5 有人問 AI。見圖 2-5。

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。為訓練來讀、為建目錄來讀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。

問　被 AI 提到有哪幾條路？

答　大致兩種情況。AI 本來就記得你：① 它曾為訓練來讀你的公開網頁（S3）。AI 當下上網去查：② 你的官網、③ 各平台上的你、④ 第三方查證頁（S4–S5）。四條路最後都要過 S6–S7：AI 點名你、講對你。見圖 2-5。

問　四條路先做哪一條？

答　② 官網由店家自己掌握，先把你是誰、做什麼、為什麼可信寫清楚。③ 由別人寫、④ 由第三方確認，接第 4 章信任驗證。

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：本書已公布的是 IDAEO 平台被 Copilot 引用的紀錄。自 7/22 起，共 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，個案的來源清單紀錄：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。這個 IDA 出現在 AI 搜尋的來源清單，比例為 84%。0 是引用次數，84% 是來源清單出現比例，單位不同，不能直接比較。這是單一個案，不能推論到店家。另有一個訊號：AI 當場來讀 65.1 萬次，第一方紀錄看得到。這代表讀取，不等於引用。引用發生在 AI 平台內部，這些紀錄提供不同證據。整理成一張圖見圖 3-6〈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 3-5〈Microsoft〉。

問　Google 與 OpenAI 的數字各來自哪裡？

答　Google 的收錄、搜尋顯示與點擊來自搜尋平台。圖上 S6 是搜尋顯示（不是 AI 點名）。AI 回答的點名率之後公布。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　不能打開，但能量測兩端。點名、回答、代辦及讀取後的訓練與排序，發生在 AI 平台內部。從兩端量讀取與到站，配合搜尋顯示、Copilot 引用及定期提問。圖上 S6 列的是搜尋顯示（不是 AI 點名）。這些資料能提供引用、點名與回答正確性的證據。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。這個 IDA 出現在 AI 搜尋的來源清單，比例為 84%。在所有來源中，出現次數排名第一。0 是引用次數，84% 是來源清單出現比例，單位不同，不能直接比較。這是單一個案，不能推論到店家。這些證據仍不能看見平台內部的處理。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　各項平台成果依來源與統計對象分別呈現。Copilot 引用數的統計對象是 IDAEO 平台。TK Lin 個人 IDA 是單一內容的實測，比例指它出現在 AI 搜尋的來源清單。對象與量法不同，只能依各自公布的範圍解讀。

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。

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　驗證需要大量資源，也有規模與技術門檻。IDAEO 驗證模型以長期累積的日本、台灣、香港大數據為基礎。要對照官方、本方與第三方資料，持續查核並到期重驗。結論須有依據；若隨委託改變，就不符合驗證獨立定律。

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。

問　第三方查證頁在被 AI 提到的四條路裡的哪裡？

答　在第 ④ 條：AI 當下上網去查時，讀到有人幫你確認過的資料。官網是本方說法，查證頁讓事實多一個外部印證。見圖 2-5。

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。市面常把 AEO 理解成內容被答案引擎取用或引用；那是優化領域的用法，不能直接當作第一級方案的成果。AEO 曝光只涵蓋先被讀到（S1–S4）；回答裡被點名是 AEO+ 口碑（S5–S6），列為出處是 S7。

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。

問　抄回去訓練 5,220 萬次，和當場來讀有什麼差別？

答　訓練讀取是為訓練來讀，不代表內容已用於訓練。當場來讀回應客人當下提問。兩者的觸發原因與用途不同，應分開解讀。

問　9,746 萬次，代表九千多萬人看過嗎？

答　9,746 萬次是本書的 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。讀取表示內容被機器取得，不代表已用於訓練、收錄、點名或引用。這是對 AI 的曝光，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。它顯示來讀的規模，不代表已在回答中使用。再對照回答引用與客人到站，才能分別看後段成果。

問　IDAEO 平台 AI 引用量 3.17 萬次代表什麼？

答　它是 IDAEO 平台 Copilot 自 7/22 起的引用成果，其他平台的數字之後會公布。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；冷啟動業界經驗值約 90 天。經驗值不能當作到站期限。另有單站冷啟動觀察：同一 AI 平台下一隻爬蟲相隔 30–35 天。其中三家為下限，不能用來推算熱啟動時間。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。計日含上線日與實測日。這個 IDA 出現在 AI 搜尋的來源清單，占回答的 84%；這是單一個案。冷啟動從 0 累積，等 AI 平台依序到站。熱啟動把內容上線在 AI 流量樞紐，可供既有爬蟲讀取。實際到站時間仍須觀察。

問　什麼樣的平台算 AI 流量樞紐？

答　本書列的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。9 月較 8 月下降。8/24 以前可能含重複請求，跨月比較須核對統計口徑。這些是平台月量，不能直接推算新內容的到站時間。

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，供到站的 AI 讀取。讀取是否增加後續取用，仍待觀察；複利領先目前是假說。也能把準備好的內容上線到 AI 流量樞紐，供既有爬蟲讀取。累積量見圖 7-1。總量含 AI、搜尋引擎與機械爬蟲。8/24 以前可能含重複請求。這是平台站的累積紀錄，不能直接和單一店家官網比。

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。累積量見圖 7-1。總量含 AI、搜尋引擎與機械爬蟲；8/24 以前可能含重複請求。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，8/24 以前可能含重複請求。9 月較 8 月下降；8 月的數字跨過 8/24 這個口徑轉換日。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　數據呈現加入實測期間的變化：平台店家頁的搜尋點擊持續上升，AI 回答帶來客人到站；第一批店家官網中，多數成長、部分未成長。尚無對照組，不代表因果。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。

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）。

問　AI 能見度對應被 AI 提到的哪一段？

答　對應最後一關 S6–S7：AI 有沒有點名你、講對你。前面四條路是讓 AI 讀得到你，見圖 2-5。