{
  "version": "第一版（第八次修訂）",
  "data_to": "2026/10/8",
  "release_date": "2026-10-20",
  "generated": "2026-10-13",
  "original_release_date": "2026-10-11",
  "fields": {
    "id": "主張編號 F-<章號>-<該章第幾條，兩位數>，順序同行銷原理各章「主張」由上到下",
    "chapter": "章號（0–8）",
    "chapter_title": "章名，行銷原理原文",
    "claim": "主張，行銷原理原文（只把圖號換成成品上的圖號）",
    "why": "原因，行銷原理原文（只把圖號換成成品上的圖號）",
    "figures": "claim 與 why 文字裡提到的圖號，依出現順序、不重複",
    "chapter_figures": "該章全部圖號，依行銷原理順序"
  },
  "facts": [
    {
      "id": "F-0-01",
      "chapter": 0,
      "chapter_title": "IDAEO：AI 時代的行銷學",
      "claim": "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。",
      "why": "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。",
      "figures": [],
      "chapter_figures": [
        "0-1",
        "0-2"
      ]
    },
    {
      "id": "F-0-02",
      "chapter": 0,
      "chapter_title": "IDAEO：AI 時代的行銷學",
      "claim": "AI 曝光數是後續旅程的基礎；有曝光，不代表後段一定發生。",
      "why": "S2–S4 被 AI 讀到，是 S5 之後被點名、被引用、客人上門的基礎；後段仍要分別確認。複利領先目前是假說：越早被讀到，是否越早累積取用與新數據，仍待驗證。圖 7-1 列出累積請求量：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（含 AI、搜尋引擎與機械爬蟲；平台站規模，不能直接和單一店家官網比）。8/24 以前可能含重複請求。月請求量 9 月較 8 月下降。",
      "figures": [
        "7-1"
      ],
      "chapter_figures": [
        "0-1",
        "0-2"
      ]
    },
    {
      "id": "F-0-03",
      "chapter": 0,
      "chapter_title": "IDAEO：AI 時代的行銷學",
      "claim": "七大定律是核心、五大構面是架構、九大要素是組成（見第 8 章）。",
      "why": "這些定律目前作為判斷原則，仍需實測檢驗。構面組織行銷工作，要素把原則連到成果。",
      "figures": [],
      "chapter_figures": [
        "0-1",
        "0-2"
      ]
    },
    {
      "id": "F-0-04",
      "chapter": 0,
      "chapter_title": "IDAEO：AI 時代的行銷學",
      "claim": "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）。",
      "why": "各構面各有任務，合起來涵蓋資訊準備到顧客回流的行銷。",
      "figures": [],
      "chapter_figures": [
        "0-1",
        "0-2"
      ]
    },
    {
      "id": "F-0-05",
      "chapter": 0,
      "chapter_title": "IDAEO：AI 時代的行銷學",
      "claim": "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。",
      "why": "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。",
      "figures": [],
      "chapter_figures": [
        "0-1",
        "0-2"
      ]
    },
    {
      "id": "F-0-06",
      "chapter": 0,
      "chapter_title": "IDAEO：AI 時代的行銷學",
      "claim": "IDAEO 是活的學說。",
      "why": "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。",
      "figures": [],
      "chapter_figures": [
        "0-1",
        "0-2"
      ]
    },
    {
      "id": "F-1-01",
      "chapter": 1,
      "chapter_title": "受眾策略（對誰做）：五類行銷受眾與六大優化領域",
      "claim": "五類行銷受眾是人類、搜尋引擎爬蟲、AI 爬蟲、AI Agent、機械爬蟲。",
      "why": "各類到訪目的不同，分開量測才能看清行銷價值。",
      "figures": [],
      "chapter_figures": [
        "1-1",
        "1-2",
        "1-3",
        "1-4"
      ]
    },
    {
      "id": "F-1-02",
      "chapter": 1,
      "chapter_title": "受眾策略（對誰做）：五類行銷受眾與六大優化領域",
      "claim": "AI 流量先按功能分類，再看 AI 平台。",
      "why": "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。",
      "figures": [],
      "chapter_figures": [
        "1-1",
        "1-2",
        "1-3",
        "1-4"
      ]
    },
    {
      "id": "F-1-03",
      "chapter": 1,
      "chapter_title": "受眾策略（對誰做）：五類行銷受眾與六大優化領域",
      "claim": "AI Agent 到站已出現，規模持續追蹤。",
      "why": "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。",
      "figures": [],
      "chapter_figures": [
        "1-1",
        "1-2",
        "1-3",
        "1-4"
      ]
    },
    {
      "id": "F-1-04",
      "chapter": 1,
      "chapter_title": "受眾策略（對誰做）：五類行銷受眾與六大優化領域",
      "claim": "六大優化領域是 SEO、AIO、AEO、GEO、LLMO、MEO。SEO 建搜尋目錄，AIO 專注搜尋引擎 AI 摘要，AEO 讓 AI 回答取用你；GEO 提升生成式回答裡的可見度，LLMO 對應抄回去訓練，MEO 對應在地搜尋。AEO 與 GEO 都在回答階段，AIO 與 AEO 相連。建 AI 目錄是 S4 的功能名，不是 GEO。",
      "why": "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。AEO 與 GEO 都在回答階段，領域因此重疊。",
      "figures": [],
      "chapter_figures": [
        "1-1",
        "1-2",
        "1-3",
        "1-4"
      ]
    },
    {
      "id": "F-1-05",
      "chapter": 1,
      "chapter_title": "受眾策略（對誰做）：五類行銷受眾與六大優化領域",
      "claim": "AI、搜尋引擎與機械爬蟲合計 1.055 億次（3/3 起；平台站規模，不能直接和單一店家官網比）。人類自然流量 31.0 萬次（8/26 起）。8/24 以前可能含重複請求。",
      "why": "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。",
      "figures": [],
      "chapter_figures": [
        "1-1",
        "1-2",
        "1-3",
        "1-4"
      ]
    },
    {
      "id": "F-1-06",
      "chapter": 1,
      "chapter_title": "受眾策略（對誰做）：五類行銷受眾與六大優化領域",
      "claim": "AI 爬蟲為訓練來讀 5,220 萬次。為建 AI 目錄來讀 399 萬次（含自家 Cloudflare AI Search 的 282 萬）。當場來讀 65 萬次。",
      "why": "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。",
      "figures": [],
      "chapter_figures": [
        "1-1",
        "1-2",
        "1-3",
        "1-4"
      ]
    },
    {
      "id": "F-1-07",
      "chapter": 1,
      "chapter_title": "受眾策略（對誰做）：五類行銷受眾與六大優化領域",
      "claim": "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。",
      "why": "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。",
      "figures": [
        "1-1"
      ],
      "chapter_figures": [
        "1-1",
        "1-2",
        "1-3",
        "1-4"
      ]
    },
    {
      "id": "F-2-01",
      "chapter": 2,
      "chapter_title": "旅程設計（走哪幾步）：AI 顧客旅程：四階段十步驟",
      "claim": "AI 顧客旅程分為四階段十步驟：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。S1–S10 是診斷節點，不是每位客人必經的順序。",
      "why": "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。",
      "figures": [],
      "chapter_figures": [
        "2-1",
        "2-2",
        "2-3",
        "2-4",
        "2-5"
      ]
    },
    {
      "id": "F-2-02",
      "chapter": 2,
      "chapter_title": "旅程設計（走哪幾步）：AI 顧客旅程：四階段十步驟",
      "claim": "每步都有診斷問句，用來檢查店家卡在哪一關。",
      "why": "每步對應一個問題，改善工作就有明確位置。",
      "figures": [],
      "chapter_figures": [
        "2-1",
        "2-2",
        "2-3",
        "2-4",
        "2-5"
      ]
    },
    {
      "id": "F-2-03",
      "chapter": 2,
      "chapter_title": "旅程設計（走哪幾步）：AI 顧客旅程：四階段十步驟",
      "claim": "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。",
      "why": "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；AI Agent 到站已出現，規模持續追蹤。",
      "figures": [],
      "chapter_figures": [
        "2-1",
        "2-2",
        "2-3",
        "2-4",
        "2-5"
      ]
    },
    {
      "id": "F-2-04",
      "chapter": 2,
      "chapter_title": "旅程設計（走哪幾步）：AI 顧客旅程：四階段十步驟",
      "claim": "S10 接回 S5，形成持續循環。",
      "why": "客人再次提出需求，就展開下一輪 AI 輔助決策。",
      "figures": [],
      "chapter_figures": [
        "2-1",
        "2-2",
        "2-3",
        "2-4",
        "2-5"
      ]
    },
    {
      "id": "F-2-05",
      "chapter": 2,
      "chapter_title": "旅程設計（走哪幾步）：AI 顧客旅程：四階段十步驟",
      "claim": "S2–S5 的讀取、S8 的到站與 S9 的客人上門由 IDAEO 第一方量測；收錄與搜尋顯示（不是 AI 點名）由搜尋平台提供；S6–S7 的點名與回答由 IDAEO 實測追蹤。",
      "why": "各來源代表不同接觸點，放回旅程才看得懂數字。圖上 S6 列的是搜尋顯示（不是 AI 點名），即搜尋端把你列出來的次數；AI 回答的點名率之後公布。",
      "figures": [],
      "chapter_figures": [
        "2-1",
        "2-2",
        "2-3",
        "2-4",
        "2-5"
      ]
    },
    {
      "id": "F-3-01",
      "chapter": 3,
      "chapter_title": "量測來源與 AI 黑盒子：成效衡量的資料基礎",
      "claim": "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。",
      "why": "S6–S8 的點名、回答與代辦，發生在平台內部。S3–S4 讀取後是否訓練、收錄及如何排序，也在黑盒子內。讀取不等於內容已用於訓練或已收錄。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 的數字為搜尋顯示（不是 AI 點名）。AI 回答的點名率之後公布。",
      "figures": [],
      "chapter_figures": [
        "3-1",
        "3-2",
        "3-3",
        "3-4",
        "3-5",
        "3-6",
        "3-7",
        "3-8",
        "3-9",
        "3-10"
      ]
    },
    {
      "id": "F-3-02",
      "chapter": 3,
      "chapter_title": "量測來源與 AI 黑盒子：成效衡量的資料基礎",
      "claim": "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。",
      "why": "進去之前的讀取、出來之後的到站，都是第一方量測。圖上 S6 列的是搜尋顯示（不是 AI 點名），來自平台資料。IDAEO 平台的 Copilot 引用 3.17 萬次也來自平台資料。AI 回答的點名率之後公布。定期直接問多家 AI，可確認有沒有點名、答得對不對。各來源提供不同證據，仍不能看見平台內部的處理。",
      "figures": [],
      "chapter_figures": [
        "3-1",
        "3-2",
        "3-3",
        "3-4",
        "3-5",
        "3-6",
        "3-7",
        "3-8",
        "3-9",
        "3-10"
      ]
    },
    {
      "id": "F-3-03",
      "chapter": 3,
      "chapter_title": "量測來源與 AI 黑盒子：成效衡量的資料基礎",
      "claim": "TK Lin 個人 IDA 的定期實測，記錄它有沒有出現在 AI 搜尋的來源清單。",
      "why": "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%（五個模型中四個經同一搜尋接口；題目點名作者本人；單一個案）。出現次數是所有來源的第一名。9/20 的 0 是引用次數，10/3 的 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。AI 點名率、AI 正確率的全平台數字之後會公布。",
      "figures": [],
      "chapter_figures": [
        "3-1",
        "3-2",
        "3-3",
        "3-4",
        "3-5",
        "3-6",
        "3-7",
        "3-8",
        "3-9",
        "3-10"
      ]
    },
    {
      "id": "F-3-04",
      "chapter": 3,
      "chapter_title": "量測來源與 AI 黑盒子：成效衡量的資料基礎",
      "claim": "各來源的成果依單位分別解讀。",
      "why": "請求、頁數與點擊代表不同事件，同口徑比較才有行銷意義。",
      "figures": [],
      "chapter_figures": [
        "3-1",
        "3-2",
        "3-3",
        "3-4",
        "3-5",
        "3-6",
        "3-7",
        "3-8",
        "3-9",
        "3-10"
      ]
    },
    {
      "id": "F-3-05",
      "chapter": 3,
      "chapter_title": "量測來源與 AI 黑盒子：成效衡量的資料基礎",
      "claim": "本書已公布的平台 AI 引用量來自 Copilot：IDAEO 平台自 7/22 起被引用 3.17 萬次。",
      "why": "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。",
      "figures": [],
      "chapter_figures": [
        "3-1",
        "3-2",
        "3-3",
        "3-4",
        "3-5",
        "3-6",
        "3-7",
        "3-8",
        "3-9",
        "3-10"
      ]
    },
    {
      "id": "F-4-01",
      "chapter": 4,
      "chapter_title": "信任驗證（憑什麼信）：可信事實與外部印證",
      "claim": "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。",
      "why": "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。",
      "figures": [],
      "chapter_figures": [
        "4-1"
      ]
    },
    {
      "id": "F-4-02",
      "chapter": 4,
      "chapter_title": "信任驗證（憑什麼信）：可信事實與外部印證",
      "claim": "事實先行定律：可信內容始於已驗事實。",
      "why": "每項主張以已驗事實為依據。經過核實的內容，AI 較可能取用；這還是假說。它適用於能對到官方或第三方資料的主張。要看的是 AI 的回答有沒有和已驗事實一致。若已驗事實仍常被 AI 講錯，這條就要修正。",
      "figures": [],
      "chapter_figures": [
        "4-1"
      ]
    },
    {
      "id": "F-4-03",
      "chapter": 4,
      "chapter_title": "信任驗證（憑什麼信）：可信事實與外部印證",
      "claim": "主張溯源定律：每項主張皆有可溯依據。",
      "why": "可追溯，AI 才有引用的把握。前提是主張附有出處。要看的是 AI 的回答能不能對回出處。若有出處仍常被講錯，這條就要修正。",
      "figures": [],
      "chapter_figures": [
        "4-1"
      ]
    },
    {
      "id": "F-4-04",
      "chapter": 4,
      "chapter_title": "信任驗證（憑什麼信）：可信事實與外部印證",
      "claim": "外部印證定律：可信主張須有外部印證。",
      "why": "獨立觀點補足單方敘述。前提是外部來源獨立於店家，轉載你自己的說法不算。要看的是外部資料和你的說法是否相符。若兩者矛盾，要先查清楚再標示。",
      "figures": [],
      "chapter_figures": [
        "4-1"
      ]
    },
    {
      "id": "F-4-05",
      "chapter": 4,
      "chapter_title": "信任驗證（憑什麼信）：可信事實與外部印證",
      "claim": "逐項驗證事實，並持續確認時效。",
      "why": "AI 引用具體內容，資訊更新時也需要相應的可信依據。",
      "figures": [],
      "chapter_figures": [
        "4-1"
      ]
    },
    {
      "id": "F-5-01",
      "chapter": 5,
      "chapter_title": "服務分級（做到哪一級）：AEO 曝光 — 先被讀到；AEO+ 口碑 — 被點名；IDA 品牌公關 — 講對、上門、回來",
      "claim": "服務分級承接前段基礎：AEO 曝光 — 先被讀到（S1–S4），AEO+ 口碑 — 被點名（S5–S6），IDA 品牌公關 — 講對、上門、回來（S7–S10，含前兩級），所以全旅程 S1–S10 完整涵蓋。",
      "why": "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。",
      "figures": [],
      "chapter_figures": [
        "5-1",
        "5-2"
      ]
    },
    {
      "id": "F-5-02",
      "chapter": 5,
      "chapter_title": "服務分級（做到哪一級）：AEO 曝光 — 先被讀到；AEO+ 口碑 — 被點名；IDA 品牌公關 — 講對、上門、回來",
      "claim": "較高服務分級涵蓋前一級內容。",
      "why": "口碑承接曝光，品牌公關承接口碑，服務逐步擴展整段旅程。",
      "figures": [],
      "chapter_figures": [
        "5-1",
        "5-2"
      ]
    },
    {
      "id": "F-5-03",
      "chapter": 5,
      "chapter_title": "服務分級（做到哪一級）：AEO 曝光 — 先被讀到；AEO+ 口碑 — 被點名；IDA 品牌公關 — 講對、上門、回來",
      "claim": "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。",
      "why": "各指標對應不同成果，能把服務目標連到驗收依據。",
      "figures": [],
      "chapter_figures": [
        "5-1",
        "5-2"
      ]
    },
    {
      "id": "F-5-04",
      "chapter": 5,
      "chapter_title": "服務分級（做到哪一級）：AEO 曝光 — 先被讀到；AEO+ 口碑 — 被點名；IDA 品牌公關 — 講對、上門、回來",
      "claim": "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。",
      "why": "服務隨品牌目標擴展，從接觸到選擇都能衡量。",
      "figures": [],
      "chapter_figures": [
        "5-1",
        "5-2"
      ]
    },
    {
      "id": "F-6-01",
      "chapter": 6,
      "chapter_title": "成效衡量（怎麼算成果）：AI 曝光數與全程價值",
      "claim": "AI 各階段取用皆是成效；各階段成果要分開看，不能以前段代替後段。",
      "why": "S1–S8 與網站到站各反映不同進展。讀取增加，不代表引用或客人行動也增加。實測產業官網合計：4 到 9 月被 Copilot 引用 37,793 次。Bing 搜尋點擊為 10,177 次。兩者都來自 Microsoft，但單位與統計期間不同，應分開解讀。",
      "figures": [],
      "chapter_figures": [
        "6-1",
        "6-2",
        "6-3",
        "6-4",
        "6-5",
        "6-6"
      ]
    },
    {
      "id": "F-6-02",
      "chapter": 6,
      "chapter_title": "成效衡量（怎麼算成果）：AI 曝光數與全程價值",
      "claim": "AI 讀取量 9,746 萬次，是本書所稱的 AI 曝光數。這裡包含搜尋引擎為建目錄而來的讀取。",
      "why": "內容被 AI 與搜尋引擎讀到一次，本書就計為一次 AI 曝光。它反映讀取次數，不代表內容已用於訓練、收錄、點名或引用。這是對 AI 的曝光，不是有多少人看到。",
      "figures": [],
      "chapter_figures": [
        "6-1",
        "6-2",
        "6-3",
        "6-4",
        "6-5",
        "6-6"
      ]
    },
    {
      "id": "F-6-03",
      "chapter": 6,
      "chapter_title": "成效衡量（怎麼算成果）：AI 曝光數與全程價值",
      "claim": "為 AI 回答而讀 4,605 萬次，包含搜尋建目錄與 AI 回答相關的讀取。",
      "why": "這些讀取按搜尋與 AI 回答相關用途合併呈現。用途分類不代表內容已在搜尋結果或 AI 回答中出現。",
      "figures": [],
      "chapter_figures": [
        "6-1",
        "6-2",
        "6-3",
        "6-4",
        "6-5",
        "6-6"
      ]
    },
    {
      "id": "F-6-04",
      "chapter": 6,
      "chapter_title": "成效衡量（怎麼算成果）：AI 曝光數與全程價值",
      "claim": "AI 當場來讀量 65 萬次，是即時需求觸發的取用。",
      "why": "AI 依提問當場取得資訊，這項指標反映客人的當下需求。",
      "figures": [],
      "chapter_figures": [
        "6-1",
        "6-2",
        "6-3",
        "6-4",
        "6-5",
        "6-6"
      ]
    },
    {
      "id": "F-6-05",
      "chapter": 6,
      "chapter_title": "成效衡量（怎麼算成果）：AI 曝光數與全程價值",
      "claim": "IDAEO 平台 AI 引用量 3.17 萬次，代表內容被列為回答出處。",
      "why": "這是 IDAEO 平台 Copilot 自 7/22 起的引用成果。內容被列為出處，不代表客人已據此做決定。",
      "figures": [],
      "chapter_figures": [
        "6-1",
        "6-2",
        "6-3",
        "6-4",
        "6-5",
        "6-6"
      ]
    },
    {
      "id": "F-6-06",
      "chapter": 6,
      "chapter_title": "成效衡量（怎麼算成果）：AI 曝光數與全程價值",
      "claim": "AI Agent 到站量 1,809 萬次，代表到站規模。是否完成代客行動，仍要看後續成果。",
      "why": "AI Agent 到站已出現，規模持續追蹤。其中自動瀏覽 1,795 萬次（8/26 起計），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。",
      "figures": [],
      "chapter_figures": [
        "6-1",
        "6-2",
        "6-3",
        "6-4",
        "6-5",
        "6-6"
      ]
    },
    {
      "id": "F-6-07",
      "chapter": 6,
      "chapter_title": "成效衡量（怎麼算成果）：AI 曝光數與全程價值",
      "claim": "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。",
      "why": "這項指標對應 S9，連接前段 AI 取用與客人行動。",
      "figures": [],
      "chapter_figures": [
        "6-1",
        "6-2",
        "6-3",
        "6-4",
        "6-5",
        "6-6"
      ]
    },
    {
      "id": "F-6-08",
      "chapter": 6,
      "chapter_title": "成效衡量（怎麼算成果）：AI 曝光數與全程價值",
      "claim": "冷啟動（Cold Start）：AI 流量從 0 累積，業界經驗值約 90 天。",
      "why": "新網站要讓 AI 平台一家一家找上門。S1 準備好，可供到站的爬蟲讀取。圖 7-1〈IDAEO 成長里程碑〉記錄本站請求量：3/3 首日 53 次 → 3 月 63.5 萬 → 6 月 1,607 萬 → 8 月 3,599 萬次請求。8/24 以前可能含重複請求。9 月較 8 月下降；跨月比較須先核對統計口徑。",
      "figures": [
        "7-1"
      ],
      "chapter_figures": [
        "6-1",
        "6-2",
        "6-3",
        "6-4",
        "6-5",
        "6-6"
      ]
    },
    {
      "id": "F-6-09",
      "chapter": 6,
      "chapter_title": "成效衡量（怎麼算成果）：AI 曝光數與全程價值",
      "claim": "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，不是到站期限。另有單站冷啟動觀察：同一 AI 平台下一隻爬蟲相隔 30–35 天（圖 6-6）。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（AI 回答細節）。",
      "why": "內容上線在樞紐，可供既有爬蟲讀取。是否更快被取用，仍須另看紀錄。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，占回答的 84%（五個模型中四個經同一搜尋接口；題目點名作者本人；單一個案）。它的出現次數是所有來源的第一名。",
      "figures": [
        "6-6"
      ],
      "chapter_figures": [
        "6-1",
        "6-2",
        "6-3",
        "6-4",
        "6-5",
        "6-6"
      ]
    },
    {
      "id": "F-6-10",
      "chapter": 6,
      "chapter_title": "成效衡量（怎麼算成果）：AI 曝光數與全程價值",
      "claim": "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。",
      "why": "既有請求量反映平台的讀取規模。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，不能推算新內容何時會被讀到。",
      "figures": [],
      "chapter_figures": [
        "6-1",
        "6-2",
        "6-3",
        "6-4",
        "6-5",
        "6-6"
      ]
    },
    {
      "id": "F-6-11",
      "chapter": 6,
      "chapter_title": "成效衡量（怎麼算成果）：AI 曝光數與全程價值",
      "claim": "AI 流量的早期紅利，指提早備好資訊，供到站的爬蟲讀取。",
      "why": "店家先把資訊備好，AI 平台到站時就有內容可讀。圖 6-6〈冷啟動時間軸〉記錄本站的到站情況。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，不能推成所有網站的到站規律。若提早上線卻沒有爬蟲讀取，就沒有較早累積的證據。",
      "figures": [
        "6-6"
      ],
      "chapter_figures": [
        "6-1",
        "6-2",
        "6-3",
        "6-4",
        "6-5",
        "6-6"
      ]
    },
    {
      "id": "F-6-12",
      "chapter": 6,
      "chapter_title": "成效衡量（怎麼算成果）：AI 曝光數與全程價值",
      "claim": "複利領先目前是假說：AI 曝光的累積能否擴大領先，仍待驗證。",
      "why": "為訓練或建目錄來讀，不代表內容已用於訓練或收錄。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（含 AI、搜尋引擎與機械爬蟲；平台站規模，不能直接和單一店家官網比）。8/24 以前可能含重複請求。這是本站的累積紀錄，不能證明領先差距擴大。要驗證複利領先，得用同一種計法，比較可比的對象。若取用未增加、差距未擴大，就不支持這項假說。",
      "figures": [
        "7-1"
      ],
      "chapter_figures": [
        "6-1",
        "6-2",
        "6-3",
        "6-4",
        "6-5",
        "6-6"
      ]
    },
    {
      "id": "F-7-01",
      "chapter": 7,
      "chapter_title": "IDAEO 實測：自家網站與早期實測店家",
      "claim": "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提供實測數據。",
      "why": "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）。",
      "figures": [],
      "chapter_figures": [
        "7-1",
        "7-2",
        "7-3"
      ]
    },
    {
      "id": "F-7-02",
      "chapter": 7,
      "chapter_title": "IDAEO 實測：自家網站與早期實測店家",
      "claim": "參與實測的中小企業，在加入 IDAEO 平台期間出現以下變化。",
      "why": "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。這是加入實測期間的變化，尚無對照組，不代表因果。店家可用第一方數據驗收各段成果。",
      "figures": [],
      "chapter_figures": [
        "7-1",
        "7-2",
        "7-3"
      ]
    },
    {
      "id": "F-7-03",
      "chapter": 7,
      "chapter_title": "IDAEO 實測：自家網站與早期實測店家",
      "claim": "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。",
      "why": "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。若新紀錄和定律說的方向不符，就要修正定律。",
      "figures": [],
      "chapter_figures": [
        "7-1",
        "7-2",
        "7-3"
      ]
    },
    {
      "id": "F-7-04",
      "chapter": 7,
      "chapter_title": "IDAEO 實測：自家網站與早期實測店家",
      "claim": "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。",
      "why": "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。要看的是新資訊有沒有連回同一身分；連不回，這個對應就不成立。",
      "figures": [],
      "chapter_figures": [
        "7-1",
        "7-2",
        "7-3"
      ]
    },
    {
      "id": "F-7-05",
      "chapter": 7,
      "chapter_title": "IDAEO 實測：自家網站與早期實測店家",
      "claim": "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。",
      "why": "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。累積曲線上升不能單獨證明複利領先，這仍是待驗假說；每月新實測也讓學說成長。圖 7-1 的累積曲線記錄這段累積：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（含 AI、搜尋引擎與機械爬蟲；平台站規模，不能直接和單一店家官網比）。8/24 以前可能含重複請求。熱啟動經驗值約 30 天；冷啟動業界經驗值約 90 天。另有單站觀察：同一 AI 平台下一隻爬蟲相隔 30–35 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，可供既有爬蟲讀取。",
      "figures": [
        "7-1"
      ],
      "chapter_figures": [
        "7-1",
        "7-2",
        "7-3"
      ]
    },
    {
      "id": "F-7-06",
      "chapter": 7,
      "chapter_title": "IDAEO 實測：自家網站與早期實測店家",
      "claim": "第一批參與實測、5 月與 9 月都有完整紀錄的店家官網中，多數成長、部分未成長。成長的官網，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。",
      "why": "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。上列只含成長的官網，未成長的官網也存在，未列入；尚無對照組，不代表因果。",
      "figures": [],
      "chapter_figures": [
        "7-1",
        "7-2",
        "7-3"
      ]
    },
    {
      "id": "F-7-07",
      "chapter": 7,
      "chapter_title": "IDAEO 實測：自家網站與早期實測店家",
      "claim": "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）。",
      "why": "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「為訓練來讀」327,365 次為主，「為建 AI 目錄與搜尋目錄來讀」46,399 次，當場來讀 12 次。紀錄顯示第二批實測產業的內容已被 AI 與搜尋引擎讀取；搜尋點擊與客人到站實測追蹤中，之後會公布。",
      "figures": [],
      "chapter_figures": [
        "7-1",
        "7-2",
        "7-3"
      ]
    },
    {
      "id": "F-8-01",
      "chapter": 8,
      "chapter_title": "AI 能見度與理論基礎",
      "claim": "外界 AI 能見度主要對應 S5–S7 的回答階段。",
      "why": "工具透過提問觀察品牌是否被提及，焦點在 AI 的回答。",
      "figures": [],
      "chapter_figures": [
        "8-1",
        "8-2",
        "8-3"
      ]
    },
    {
      "id": "F-8-02",
      "chapter": 8,
      "chapter_title": "AI 能見度與理論基礎",
      "claim": "AI 能見度的基本功是 S1–S4",
      "why": "S1 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 是基礎；缺了它，AI 較難讀到你自己的說法。",
      "figures": [],
      "chapter_figures": [
        "8-1",
        "8-2",
        "8-3"
      ]
    },
    {
      "id": "F-8-03",
      "chapter": 8,
      "chapter_title": "AI 能見度與理論基礎",
      "claim": "IDAEO 把 S1–S4 的基礎與 S8–S10 的行動、轉換、回流接進同一旅程。",
      "why": "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。",
      "figures": [],
      "chapter_figures": [
        "8-1",
        "8-2",
        "8-3"
      ]
    },
    {
      "id": "F-8-04",
      "chapter": 8,
      "chapter_title": "AI 能見度與理論基礎",
      "claim": "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。",
      "why": "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。",
      "figures": [],
      "chapter_figures": [
        "8-1",
        "8-2",
        "8-3"
      ]
    },
    {
      "id": "F-8-05",
      "chapter": 8,
      "chapter_title": "AI 能見度與理論基礎",
      "claim": "圖列 17 項既有理論，完整文獻見書末「理論基礎與文獻」。",
      "why": "圖中列出設計對應；完整文獻可查作者、年份與出處。",
      "figures": [],
      "chapter_figures": [
        "8-1",
        "8-2",
        "8-3"
      ]
    },
    {
      "id": "F-8-06",
      "chapter": 8,
      "chapter_title": "AI 能見度與理論基礎",
      "claim": "每月的新數據與實測驗證，持續增強 IDAEO 的理論與實證基礎。",
      "why": "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。",
      "figures": [],
      "chapter_figures": [
        "8-1",
        "8-2",
        "8-3"
      ]
    }
  ]
}