---
title: "IDAEO：AI 時代的行銷"
author: 林毅祥（TK Lin）
publisher: 株式会社和心
version: 第一版（第八次修訂）
data_to: 2026/10/8
source_sha256: 630121db1eee77df920b0bcde23ee359f80fdd36ec28e5971c7f68515fda24be
---

# IDAEO：AI 時代的行銷

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。

## 導讀：這本書怎麼讀

這本書寫給想讓店被 AI 讀懂、被點名、講對的人。店家老闆可以直接看該做什麼；行銷人看完整方法；研究者看資料與理論依據。客人開始先問 AI，行銷也要接上 AI，這本書幫你判斷店走到哪一步。

- 店家老闆：先讀第 0、2、4、5、6 章與書末實作章。先弄懂客人怎麼改問 AI，再看十個診斷節點、事實怎麼驗證、服務分級與成效怎麼驗收。第 3 章偏資料，可先跳過。
- 行銷人：先讀全書依序讀。從受眾、旅程到量測、驗證與成效，完整看一遍，才能把方法接進自己的工作。
- 研究者：先讀全書，重點在第 3、8 章。第 3 章說明資料的來源、範圍與單位，第 8 章給理論依據與延伸文獻。

### 十分鐘版

- 客人開始先問 AI，行銷也要接上 AI。
- IDAEO 用 S1–S10 十個診斷節點看店走到哪一步；它不是每位客人必經的順序。
- AI 平台外面，能直接量到讀取與到站；平台裡面的點名與回答，是黑盒子。
- 所以看兩端：讀取量與到站量，再加定期直接問 AI。
- 每個數字都標來源與期間，口徑不同就不相加。
- 這本書是活的：新數據先發表在 km.idaeo.ai/idaeo，每月出新版。

## 第 0 章　IDAEO：AI 時代的行銷學

**本章回答**　客人改問 AI 之後，店家的行銷要怎麼做？

**為什麼排在這裡**　先讀緣起、實測基礎與全書地圖，理解 AI 曝光如何連到後續成果。學說的詳細說明與待驗主張見第 8 章。

客人開始先問 AI，拿一個答案。店家的行銷要怎麼接上這個變化？這本書用旅程診斷，幫你判斷資訊準備到顧客回流的進展。

### IDAEO 的緣起：林毅祥如何把實測做成一套行銷學

#### 從首日 53 次，到 AI、搜尋引擎與機械爬蟲累積 1.055 億次請求

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，累積 1.055 億次請求（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。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 到站已出現，規模持續追蹤。到站者也從讀內容的爬蟲延伸到執行任務的 AI Agent。同期觀察到搜尋點擊與 AI 取用的變化。Google 搜尋點擊只看有去年同期紀錄的資料。2026 年 6 到 9 月，每月點擊約為去年同月的一半。9 月合計：去年同月 52,926 次，今年 25,928 次。這是同期觀察，不能據此判定點擊下降是客人改問 AI 所致。客人透過 AI 找答案，行銷也要接上這個接觸點。實測產業官網合計在 4 到 9 月被 Copilot 引用 37,793 次。Bing 搜尋點擊為 10,177 次。兩者同屬 Microsoft，但引用與點擊的單位不同。統計期間也不同，不能計算倍數。引用讓內容成為 AI 回答的依據，也是行銷成果。

#### ID → IDA → AEO 是什麼

IDAEO 的名稱由 ID、IDA、AEO 組成。ID 是 Identity 身分，讓 AI 先認得你是誰，且身分長期一致。IDA 是 Identity Data Authority 身分資料權威，是給 AI 看的官方、可查證的身分資料，像 AI 世界的大使館。AEO 是 Answer Engine Optimization 答案引擎優化，目標是讓 AI 回答取用你的內容。從辨認身分、建立可查資料，到檢查回答是否正確取用，是 AI 時代行銷的起點。

#### 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。

### 圖 0-1　行銷三世代演進圖

**這張圖的作用**　行銷學的三個時代，呈現行銷受眾的擴展

**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。

**圖檔**　figures/fig-0-1.svg

**圖內文字**　行銷學｜定義｜行銷＝讓對的客人找到你、相信你、選擇你｜時代｜傳統行銷｜網路行銷｜AI 時代行銷（IDAEO）｜客人怎麼找｜看廣告、聽人介紹｜自己上網搜尋｜直接問 AI｜誰決定｜媒體版面｜搜尋排名｜AI 的回答｜行銷受眾｜人｜人＋搜尋引擎｜人類＋四類 AI 受眾｜做什麼｜廣告、公關｜搜尋優化、關鍵字廣告、社群｜六大優化領域＋驗證｜成果看什麼｜觸及、銷售｜點擊、轉換｜AI 取用、客人上門｜ID｜EO｜原創架構 © 2026

### 圖 0-2　IDAEO 學說架構全景圖：五大構面與九大要素

**這張圖的作用**　IDAEO 行銷五大構面是架構，IDAEO 架構九大要素是組成

**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。

**圖檔**　figures/fig-0-2.svg

**圖內文字**　定義｜一句話｜IDAEO＝AI 時代行銷學｜五大構面｜①｜受眾策略｜對誰做｜第 1 章｜②｜旅程設計｜走哪幾步｜第 2 章｜③｜信任驗證｜憑什麼信｜第 4 章｜④｜服務分級｜做到哪一級｜第 5 章｜⑤｜成效衡量｜怎麼算成果｜第 6 章｜九大要素｜核心結構｜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｜展開在｜哪一張圖｜圖 1-1｜五類行銷｜受眾全景圖｜圖 1-1｜五類行銷｜受眾全景圖｜圖 2-1｜AI 顧客旅程｜地圖｜圖 2-2｜旅程診斷｜關卡圖｜圖 5-2｜成效指標｜對照矩陣｜圖 4-1｜IDAEO｜驗證模型｜圖 5-1｜服務分級｜階梯圖｜圖 5-2｜成效指標｜對照矩陣、｜圖 6-1｜全程成效｜儀表板｜圖 6-1｜全程成效｜儀表板｜ID｜EO｜原創架構 © 2026

### 主張

- 主張：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。
  - 原因：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。
- 主張：AI 曝光數是後續旅程的基礎；有曝光，不代表後段一定發生。
  - 原因：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。
- 主張：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）。
  - 原因：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。
- 主張：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）。
  - 原因：各構面各有任務，合起來涵蓋資訊準備到顧客回流的行銷。
- 主張：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。
  - 原因：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。
- 主張：IDAEO 是活的學說。
  - 原因：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。名稱由 ID（Identity，身分）、IDA（Identity Data Authority，身分資料權威）與 AEO（Answer Engine Optimization，答案引擎優化）組成；英文全稱 Identity-Driven Answer Engine Optimization。
- 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。
- ID：Identity，身分。AI 先認得你是誰，身分長期一致。
- IDA：Identity Data Authority，身分資料權威。給 AI 看的官方、可查證的身分資料，像 AI 世界的大使館。

### 問答

- 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。

### 本章三句話

- IDAEO 以網站實測、驗證數據與理論建立行銷架構。
- 七大定律提供判斷原則，構面與要素安排工作。
- 旅程用來診斷進展，每月的新數據用來檢驗主張。

### 本週可以做的三件事

- 問幾位常客，他們最近找店是先搜尋，還是先問 AI。
- 打開官網後台，看有沒有留下到訪紀錄。
- 對照四階段十步驟，標出你的店現在走到哪一步。

**下一章**　下一章你會認識人類與機器受眾，知道網站內容要給誰讀。

### 自我檢查

依緣起故事說出林毅祥的實測起點，分清五大構面、九大要素。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

**這張圖的作用**　五類行銷受眾的功能、優化領域與實測成果合併呈現

**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。

**圖檔**　figures/fig-1-1.svg

**圖內文字**　① 受眾策略｜對誰做｜五類行銷受眾全景圖：功能、優化領域與實測成果｜讀你的不只是人：五類行銷受眾，各有各的讀法｜行銷受眾｜五類行銷受眾｜人類｜Humans｜搜尋引擎爬蟲｜Search Engine Crawlers｜AI 爬蟲｜AI Crawlers｜AI Agent｜AI Agents｜機械爬蟲｜Automated｜Bots｜功能｜它來做什麼｜自然流量｜Organic｜Traffic｜在地搜尋｜Local Search｜建搜尋｜目錄｜Build Search｜Index｜做 AI｜摘要｜Generate AI｜Overviews｜抄回去｜訓練｜Model｜Training｜建 AI｜目錄｜Build AI｜Index｜當場來讀｜Real-Time｜Retrieval｜替人辦事｜查門牌｜Act on｜Behalf of｜Users｜自動化｜資訊服務｜Automated｜Information｜Services｜優化領域｜六大｜來了幾次｜3/3–10/8｜來訪者種類｜3 種｜搜尋、AI、地圖｜15 種｜8 種｜7 種｜13 種｜13 種以上｜20 種以上｜來最多的｜前四家・次數｜26.8 萬｜2.0 萬｜1.0 萬｜9,388｜2,462 萬｜1,205 萬｜341 萬｜51 萬｜2,448 萬｜1,158 萬｜1,060 萬｜545 萬｜P｜282 萬｜76 萬｜22 萬｜13 萬｜64 萬｜1.1 萬｜2,494｜1,624｜自動瀏覽｜1,795 萬｜TollBit｜13 萬｜mcpbeat｜7,925｜5,683｜Golemreach｜AI 的工具｜708 萬｜實測追蹤中｜15 萬｜SEO 工具爬蟲｜351 萬｜網頁預覽｜17 萬｜ID｜EO｜原創架構 © 2026｜Audience Strategy｜Marketing｜Audiences｜Functions｜Optimization｜Domains｜Visits｜Visitor Types｜Top Platforms｜自然流量｜（8/26 起）｜在地搜尋｜同一批搜尋引擎爬蟲，｜兩個功能共用｜自然流量｜六大優化｜的成果｜MEO｜地圖引擎｜優化｜Local SEO｜GBP 優化｜SEO｜搜尋引擎｜優化｜SXO｜Technical｜SEO｜AIO｜AI 摘要｜優化｜AEO｜答案引擎｜優化｜SGE 優化｜LLMO｜大型語言｜模型優化｜LLM SEO｜S4 功能｜建 AI 目錄｜（不是 GEO）｜GEO：生成式｜回答的可見度｜見名詞表｜AEO｜答案引擎優化｜Answer Engine Optimization｜VSO（語音搜尋）、AAO、AXO、｜AAIO（AI Agent 優化）｜31.0萬次｜4,126萬次｜5,220萬次｜399萬次｜65萬次｜1,809萬次｜723萬次｜Map Engine｜Optimization｜Search｜Engine｜Optimization｜AI Overview｜Optimization｜Large｜Language｜Model｜Optimization｜Indexing｜function,｜not GEO｜Answer｜Engine｜Optimization｜實測追蹤中

### 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？

**這張圖的作用**　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。

**圖檔**　figures/fig-1-2.svg

**圖內文字**　一個 AI 的請求，怎麼判斷屬於哪一類的 AI 流量？（2026/3/3–10/8）｜圓角＝起點／終點；菱形＝判斷；方形＝結果；虛線方塊＝黑盒子（AI 平台內部）；箭頭粗細略依量。｜一個請求進來 1.97 億 請求｜是 AI／搜尋的請求嗎？｜（AI 用途＋另列自動瀏覽）｜否 8,050 萬｜這一類＝AI 的工具｜708 萬｜這一類＝實測追蹤中｜15.3 萬｜這一類＝其餘流量｜7,327 萬｜是 1.16 億｜它來做什麼？（屬於哪一類 AI 流量）｜這一類＝AI 爬蟲・訓練｜S3 抄回去訓練｜5,220 萬 請求｜Anthropic、Meta 等｜這一類＝搜尋爬蟲｜S4 建目錄｜4,126 萬 請求｜建搜尋目錄、做 AI 摘要｜這一類＝AI 目錄爬蟲｜S4 建目錄｜399 萬 請求｜建 AI 目錄（自家 AI 搜尋等）｜這一類＝即時讀取爬蟲｜S5 有人問 AI｜65.1 萬 請求｜當場來讀（OpenAI 63.5 萬）｜這一類＝代辦工具爬蟲｜S8 替客人辦事｜14.4 萬 請求｜替人辦事、查門牌（紀錄）｜這一類＝AI Agent 自動瀏覽｜S8 替客人辦事｜1,795 萬 請求｜AI Agent（自動瀏覽）｜平台內部，追蹤中｜黑盒子：AI 平台內部｜訓練與目錄後續、AI 回答使用：追蹤中｜黑盒子：AI 平台內部｜代辦過程，追蹤中｜有被搜尋或 AI 用上嗎？｜Google、Bing 已提供搜尋與 AI 使用數據｜其他家｜黑盒子：AI 平台內部｜其他平台的搜尋／AI 使用：實測追蹤中｜是（Google、Bing）｜這一類＝S4 建目錄｜65.7 萬 頁｜Bing＋Google（9 月）｜這一類＝S6 AI 點名幾家｜約 822 萬 次｜搜尋結果顯示（約數）｜這一類＝S7 AI 回答細節｜31,711 次｜Copilot（7/22–10/8）｜客人上門了嗎？｜否｜這一類＝實測追蹤中｜到站來源持續追蹤中｜是 31.0 萬｜這一類＝S9 客人上門（自然流量）｜309,826 次（到站來源紀錄）｜Google 267,734・Microsoft 20,053・Yahoo Japan 10,278｜1. 期間：網站總流量 2026/2/12–10/8；紀錄 AI 分類 2026/3/3–10/8；AI Agent 自動瀏覽 2026/8/26–10/8。｜2. 「是」＝可辨識 AI／搜尋用途 116,203,857 次；「否」＝自動化資訊服務 7,231,923 次＋其餘流量 73,266,746 次。｜3. 被收錄頁數為 2026 年 9 月約數（Bing 37.5 萬＋Google 28.2 萬）；搜尋結果顯示約 822 萬次（Google＋Bing）；AI 引用為 Copilot 2026/7/22–10/8。｜4. 自然流量 309,826 次為到站來源紀錄；它與被收錄頁數、搜尋結果顯示、被 AI 引用的計量單位不同。｜Meta 9,388・DuckDuckGo 1,049・Baidu 713・其餘來源 611｜ID｜EO

### 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

**這張圖的作用**　各項功能對應的 AI 平台與爬蟲

**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。

**圖檔**　figures/fig-1-3.svg

**圖內文字**　爬蟲分類家族樹｜2026/3/3–10/8 · AI 請求 1.23 億 → 用途 → AI 平台 → 爬蟲／自動瀏覽（60 筆）· 枝線粗細＝請求數開根號｜根｜紀錄＋另列自動瀏覽｜第 1 層 · 用途｜7 類，依功能與行銷受眾由上而下｜第 2 層 · AI 平台｜圓點＝品牌色／灰色｜第 3 層 · 爬蟲／自動瀏覽（60 筆）｜膠囊＝名稱＋請求數，灰字＝本報告功能；同類依請求數排｜AI 請求（紀錄＋另列）｜1.23 億｜單位：請求次數｜抄回去訓練｜S3｜5,220 萬｜佔總量 42.3%｜AI 爬蟲｜建搜尋目錄｜S4｜4,126 萬｜佔總量 33.4%｜搜尋引擎爬蟲：同批也做 AI 摘要｜建 AI 目錄｜S4｜399 萬｜佔總量 3.2%｜AI 爬蟲｜有人問 AI｜S5｜65.1 萬｜佔總量 0.5%｜當場來讀（AI 爬蟲）｜替客人辦事｜S8｜1,809 萬｜佔總量 14.7%｜AI Agent（含自動瀏覽）｜AI 的工具｜708 萬｜佔總量 5.7%｜機械爬蟲 · 自動化資訊服務｜實測追蹤中｜15.3 萬｜佔總量 0.1%｜機械爬蟲 · 自動化資訊服務｜Anthropic｜Meta｜OpenAI｜Amazon｜追蹤中｜Common Crawl｜Microsoft｜Google｜Yandex｜ByteDance｜Sogou｜追蹤中｜DuckDuckGo｜Baidu｜Brave｜Yahoo Japan｜Apple｜自家 AI 搜尋｜OpenAI｜Perplexity｜Parallel｜Huawei｜Linkup｜Anthropic｜You.com｜追蹤中｜Kagi｜OpenAI｜Perplexity｜Anthropic｜DuckDuckGo｜Google｜追蹤中｜Mistral｜另列統計｜TollBit｜mcpbeat｜Golemreach｜追蹤中｜Andi｜AgentTools-Cloud｜追蹤中｜Google｜DeepSeek｜追蹤中｜Anthropic｜Cohere｜NICT｜ROIS｜ClaudeBot 2,448 萬｜抄回去訓練｜meta-externalagent 1,158 萬｜抄回去訓練｜GPTBot 1,060 萬｜抄回去訓練｜Amazonbot 545 萬｜抄回去訓練｜Reflectionbot 6.4 萬｜抄回去訓練｜資訊服務爬蟲 307｜抄回去訓練｜其他瀏覽器 39｜抄回去訓練｜CCBot 1.9 萬｜抄回去訓練｜bingbot 1,205 萬｜建搜尋目錄、做 AI 摘要｜Googlebot 341 萬｜建搜尋目錄、做 AI 摘要｜YandexBot 51.1 萬｜建搜尋目錄、做 AI 摘要｜Bytespider 25.6 萬｜建搜尋目錄、做 AI 摘要｜Sogou 25.3 萬｜建搜尋目錄、做 AI 摘要｜其他搜尋爬蟲 3.1 萬｜建搜尋目錄、做 AI 摘要｜DuckDuckBot 1.2 萬｜建搜尋目錄、做 AI 摘要｜Baiduspider 4,630｜建搜尋目錄、做 AI 摘要｜Bravebot 39｜建搜尋目錄、做 AI 摘要｜Y!J-DLC 30｜建搜尋目錄、做 AI 摘要｜Applebot 2,462 萬｜建搜尋目錄、做 AI 摘要｜AI Search 281 萬｜建 AI 目錄｜AI Search External 5,918｜建 AI 目錄｜OAI-SearchBot 76.1 萬｜建 AI 目錄｜PerplexityBot 21.8 萬｜建 AI 目錄｜ShapBot 12.6 萬｜建 AI 目錄｜PetalBot 11.4 萬｜建搜尋目錄、做 AI 摘要｜LinkupBot 6.0 萬｜建 AI 目錄｜Claude-SearchBot 1.1 萬｜建 AI 目錄｜YouBot 596｜建搜尋目錄、做 AI 摘要｜Googlebot-Video 5｜建搜尋目錄、做 AI 摘要｜Kagibot 4｜建搜尋目錄、做 AI 摘要｜ChatGPT-User 63.5 萬｜當場來讀｜Perplexity-User 1.1 萬｜當場來讀｜Claude-User 2,494｜當場來讀｜DuckAssistBot 1,624｜當場來讀｜Google NotebookLM 464｜當場來讀｜Gemini DeepResearch 10｜當場來讀｜Python-urllib 19｜當場來讀｜TABINOTE-ArrivalAudit 2｜當場來讀｜curl 2｜當場來讀｜HatchFeed 1｜當場來讀｜MIN-SourceReview 1｜當場來讀｜Meta-WebIndexer 1｜當場來讀｜MistralAI-User 6｜當場來讀｜AI Agent（自動瀏覽） 1,795 萬｜自動瀏覽（另列）｜tollbot 12.6 萬｜替人辦事、查門牌｜mcpbeat 7,925｜替人辦事、查門牌｜GolemreachTrustBot 5,683｜替人辦事、查門牌｜真瀏覽器 AI Agent 5,102｜替人辦事、查門牌｜（另計）｜Andi-AgentSurfaceProbe 1,956｜替人辦事、查門牌｜agent-tools.cloud-crawler 1,866｜替人辦事、查門牌｜AI 的工具 708 萬｜AI 的工具｜GoogleOther 14.2 萬｜實測追蹤中｜GoogleOther-Image 34｜實測追蹤中｜DeepSeek 9,551｜實測追蹤中｜HanaleiBot 574｜實測追蹤中｜anthropic-ai 27｜實測追蹤中｜Claude-Web 21｜實測追蹤中｜CohereBot 30｜實測追蹤中｜ICC Crawler 30｜實測追蹤中｜Cotoyogi 2｜實測追蹤中｜紀錄 105,487,618 次（2026/3/3–10/8）＋AI Agent 自動瀏覽 17,948,162 次（2026/8/26–10/8）＝樹根 123,435,780 次。｜機械爬蟲＝AI 的工具 7,079,310 次＋實測追蹤中 152,613 次；搜尋引擎爬蟲的建搜尋目錄、做 AI 摘要來自同一批請求。｜枝線粗細沿用原圖請求數開根號比例（至少 1.5px）；每列只掛一次。膠囊數值按萬／億四捨五入。｜ID｜EO

### 圖 1-4　IDAEO流量圖鑑：五類流量、各家族與每一隻爬蟲

**這張圖的作用**　回答「AI 爬蟲有哪些種類」，也一次列出全部流量來源：五類流量各有哪幾家、每家派了哪幾隻爬蟲、各來了多少次

**怎麼看**　由左往右是五類流量，欄頭是該類合計；欄內依家族排列，每列一隻爬蟲與它的來訪次數，空白表示沒有流量。AI 爬蟲欄的三格軌道，點落在哪一格，就是那隻爬蟲在旅程哪一步。本圖依各家官方文件分類（2026/10/14 查核），Applebot、PetalBot、YouBot、Kagibot 屬搜尋引擎爬蟲，與正文分法相同。數據期間 2026/3/3–10/8；＊為另計紀錄。

**圖檔**　figures/fig-1-4.svg

**圖內文字**　

### 主張

- 主張：五類行銷受眾是人類、搜尋引擎爬蟲、AI 爬蟲、AI Agent、機械爬蟲。
  - 原因：各類到訪目的不同，分開量測才能看清行銷價值。
- 主張：AI 流量先按功能分類，再看 AI 平台。
  - 原因：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。
- 主張：AI Agent 到站已出現，規模持續追蹤。
  - 原因：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。
- 主張：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。
  - 原因：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。
- 主張：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。
  - 原因：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。
- 主張：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。
  - 原因：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。
- 主張：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。
  - 原因：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：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。
- 實測追蹤中：由 IDAEO 持續累積量測成果，之後會公布。

### 問答

- 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。

### 本章三句話

- 網站有五類讀者，來訪目的各不相同。
- 看 AI 流量先看它來做什麼，再看是哪一家。
- 讀取只代表內容被取得，不等於引用或客人上門。

### 本週可以做的三件事

- 把店名、地址、營業時間和服務項目在官網寫清楚。
- 打開官網訪客紀錄，分開看人、搜尋引擎與 AI 的來訪。
- 把來讀的 AI 分別記下：為訓練來讀、為建目錄來讀、當場來讀。

**下一章**　下一章你會知道：AI 讀取、點名與客人上門有哪些診斷節點。

### 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

**這張圖的作用**　AI 顧客旅程：四階段十步驟，對照行銷受眾與旅程診斷

**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。

**圖檔**　figures/fig-2-1.svg

**圖內文字**　② 旅程設計｜走哪幾步｜AI 顧客旅程地圖：四階段十步驟｜承圖 0-2｜旅程階段｜第一階段｜店家就緒｜第二階段｜AI 資訊取得｜第三階段｜AI 輔助決策與行動｜第四階段｜顧客轉換與回流｜旅程步驟｜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｜誰在動｜接圖 1-1｜行銷受眾｜人類｜搜尋引擎爬蟲｜AI 爬蟲｜AI Agent｜機械爬蟲｜人類｜搜尋引擎爬蟲｜AI 爬蟲｜AI Agent｜機械爬蟲｜人類｜搜尋引擎爬蟲｜AI 爬蟲｜AI Agent｜機械爬蟲｜人類｜搜尋引擎爬蟲｜AI 爬蟲｜AI Agent｜機械爬蟲｜人類｜搜尋引擎爬蟲｜AI 爬蟲｜AI Agent｜機械爬蟲｜人類｜搜尋引擎爬蟲｜AI 爬蟲｜AI Agent｜機械爬蟲｜人類｜搜尋引擎爬蟲｜AI 爬蟲｜AI Agent｜機械爬蟲｜人類｜搜尋引擎爬蟲｜AI 爬蟲｜AI Agent｜機械爬蟲｜人類｜搜尋引擎爬蟲｜AI 爬蟲｜AI Agent｜機械爬蟲｜人類｜搜尋引擎爬蟲｜AI 爬蟲｜AI Agent｜機械爬蟲｜旅程診斷｜這一步問什麼｜資料齊嗎｜進得來嗎｜可取用嗎｜已收錄嗎｜有來讀嗎｜有點名嗎｜講對了嗎｜辦得成嗎｜有上門嗎｜有回來嗎｜主角｜有參與｜略有關｜其他受眾｜ID｜EO｜原創架構 © 2026

### 圖 2-2　旅程診斷關卡圖：十步驟、十道關卡

**這張圖的作用**　十步驟與十道診斷關卡：每一步一道關卡，各有一句診斷問句

**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。

**圖檔**　figures/fig-2-2.svg

**圖內文字**　旅程診斷｜接圖 2-1｜旅程診斷關卡圖：十步驟、十道關卡｜旅程步驟｜接圖 2-1｜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｜十道診斷關卡｜這一步的關卡｜可備｜可達｜可學｜可收｜可讀｜可選｜可信｜可辦｜可來｜可回｜關卡問什麼｜資料齊嗎｜進得來嗎｜可取用嗎｜已收錄嗎｜有來讀嗎｜有點名嗎｜講對了嗎｜辦得成嗎｜有上門嗎｜有回來嗎｜ID｜EO｜原創架構 © 2026

### 圖 2-3　五類行銷受眾旅程泳道圖

**這張圖的作用**　五類行銷受眾怎麼走 S1 到 S10

**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。

**圖檔**　figures/fig-2-3.svg

**圖內文字**　五類行銷受眾怎麼走 S1 到 S10（2026/3/3–10/8）｜實線方塊＝實測紀錄；虛線方塊與斜線底＝黑盒子（AI 平台內部）；箭頭＝走向。不同來源、期間與單位的數字分別呈現。｜圖例｜實測紀錄：本站資料與 Google／Bing 搜尋平台｜Bing 提供的實測紀錄｜黑盒子：AI 平台內部｜斜線底＝AI 平台內部｜來源圓點標在各方塊右上角｜S1 店家準備好｜（請求）｜S2 爬蟲來敲門｜（請求）｜S3 抄回去訓練｜（請求）｜S4 建目錄｜（請求／頁）｜S5 有人問 AI｜（請求）｜S6 AI 點名幾家｜（次）｜S7 AI 回答細節｜（次）｜S8 替客人辦事｜（請求）｜S9 客人上門｜（點擊／次）｜S10 回來再問｜（追蹤中）｜AI 爬蟲｜Meta、｜Anthropic、｜OpenAI、｜Amazon…｜AI Agent｜替人辦事、｜查門牌｜搜尋引擎爬蟲｜Google、｜Microsoft、｜Apple｜人類｜自然流量｜從搜尋或 AI 來｜機械爬蟲｜自動化資訊服務｜我們的網站｜全站｜1.97 億｜請求｜2/12 起｜至 10/8｜爬蟲到站｜5,684 萬｜請求｜AI 爬蟲｜抄回去訓練｜5,220 萬｜請求｜Anthropic｜2,448 萬｜建 AI 目錄｜399 萬｜請求｜自家 AI 搜尋｜282 萬｜拿去訓練、做索引｜當場來讀｜65.1 萬｜請求｜OpenAI 最大｜黑盒子｜AI 怎麼點名｜AI 公司內部｜AI 回答細節｜31,711｜次｜來源：Copilot｜回答引用｜客人上門｜到站來源追蹤中｜直接進站；自動瀏覽另列計數｜替人辦事｜1,809 萬｜請求｜黑盒子｜平台內部，追蹤中｜客人上門｜實測追蹤中｜建搜尋目錄｜Applebot｜2,462 萬｜Google 341 萬｜Microsoft｜1,205 萬 請求｜被收錄頁數｜65.7 萬｜頁｜Google 28.2 萬｜Bing 37.5 萬｜實測追蹤中｜排進去了嗎｜排第幾｜搜尋結果顯示｜約 822 萬｜次｜Google＋Bing｜約數｜自然流量｜到站來源紀錄｜Google｜26.77 萬｜Microsoft｜2.01 萬｜點擊｜客人上門｜從搜尋或 AI｜點進我們網站｜30.98 萬｜次・自然流量｜爬蟲到站｜723 萬次｜AI 的工具 708 萬｜實測追蹤中 15 萬｜黑盒子｜實測追蹤中｜S10 回來再問｜實測追蹤中｜1. 期間 2026/3/3–10/8；全站 196,702,526 次期間 2026/2/12–10/8；另列 AI Agent（自動瀏覽）2026/8/26–10/8。｜2. AI 爬蟲：抄回去訓練 52,203,119 次、建 AI 目錄 3,991,283 次、當場來讀 650,528 次；搜尋引擎爬蟲建搜尋目錄、做 AI 摘要是同一批 41,261,941 次。｜3. 被收錄頁數是 2026 年 9 月 Bing 37.5 萬＋Google 28.2 萬；搜尋顯示約 822 萬次；Copilot 回答引用 31,711 次。｜4. 人類自然流量 309,826 次；機械爬蟲 7,231,923 次＝AI 的工具 7,079,310＋實測追蹤中 152,613；AI Agent 替人辦事、查門牌。｜ID｜EO

### 圖 2-4　AI 平台旅程覆蓋圖：各家走到的最遠步驟

**這張圖的作用**　以 S1–S10 為共同尺度，比較各家行經範圍與最遠步驟

**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。

**圖檔**　figures/fig-2-4.svg

**圖內文字**　每一家走到哪一步：主要AI 平台的 AI 顧客旅程（S1→S10）｜讀取期間 2026/3/3–10/8；全站期間 2026/2/12–10/8。弧線粗細代表該家累計讀取請求。｜S1 店家準備好｜1.97 億｜請求｜S2 爬蟲來敲門｜1.05 億｜請求｜S3 抄回去訓練｜5,220 萬｜請求｜S4 建目錄｜4,525 萬｜請求｜S5 有人問 AI｜65.1 萬｜請求｜S6 AI 點名幾家｜約 822 萬｜次｜S7 AI 回答細節｜3.2 萬｜次｜S8 替客人辦事｜1,795 萬｜請求｜S9 客人上門｜31.0 萬｜點擊｜S10 回來再問｜實測追蹤中｜S9 自然流量來源（點擊）｜Google 26.8 萬｜Microsoft 2.0 萬｜Yahoo Japan 1.0 萬｜Meta 9,388｜DuckDuckGo 1,049｜Baidu 713｜其餘來源合計 611 次；來源點擊與爬蟲請求分別統計。｜主要AI 平台（讀取請求）｜Apple｜最遠 S4｜2,462 萬｜Anthropic｜最遠 S5｜2,449 萬｜Microsoft｜最遠 S9｜1,205 萬｜OpenAI｜最遠 S5｜1,200 萬｜Meta｜最遠 S9｜1,158 萬｜Amazon｜最遠 S3｜545 萬｜Google｜最遠 S9｜356 萬｜自家 AI 搜尋｜最遠 S4｜282 萬｜Yandex｜最遠 S4｜51.1 萬｜ByteDance｜最遠 S4｜25.6 萬｜AI Agent 自動瀏覽｜最遠 S8｜1,795 萬｜最遠步驟｜｜｜走到 S9｜：｜Google｜、｜Microsoft｜、｜Meta｜｜｜走到 S8｜：｜AI Agent 自動瀏覽｜｜｜走到 S5｜：｜Anthropic｜、｜OpenAI｜｜｜走到 S4｜：｜Apple｜、｜自家 AI 搜尋｜、｜Yandex｜、｜ByteDance｜｜｜走到 S3｜：｜Amazon｜圓點大小依各階段量的平方根呈現；實心代表請求，空心代表平台顯示、引用、自然流量；各指標依自身單位呈現。｜AI 平台弧線呈現主要讀取用途；S9 另按自然流量來源列示，同一家累計讀取量各計一次。｜S6 搜尋顯示為約數；S7 引用涵蓋 Copilot 7/22–10/8；S8 自動瀏覽涵蓋 8/26–10/8；S10 實測追蹤中。S9 自然流量與爬蟲請求分別統計。｜ID｜EO

### 圖 2-5　被 AI 提到的 4 條路＋最後一關

**這張圖的作用**　被 AI 提到的 4 條路與最後一關，對照 S1–S10

**怎麼看**　上方是兩種情況與四條路，每條附爬蟲種類與所在步驟；下方進度條的顏色對照上方：S3 對 ①，S4–S5 對 ②③④，S6–S7 對 ⑤。

**圖檔**　figures/fig-2-5.svg

**圖內文字**　被 AI 提到的 4 條路＋最後一關｜AI 提到你，大致有兩種情況：它本來就記得你，或它當下上網去查。｜AI 本來就記得你｜① AI 背過你｜受訓時讀過你的公開網頁｜爬蟲｜AI 爬蟲（訓練用）｜階段｜S3 抄回去訓練｜AI 當下上網去查｜② 查到你的官網｜讀你自己寫的介紹｜爬蟲｜搜尋引擎爬蟲、AI 爬蟲｜階段｜S4 建目錄、S5 有人問 AI｜③ 查到各平台上的你｜讀別人寫到你的資料｜爬蟲｜搜尋引擎爬蟲、AI 爬蟲｜階段｜S4 建目錄、S5 有人問 AI｜④ 查到第三方查證頁｜讀有人幫你確認過的資料｜爬蟲｜搜尋引擎爬蟲、AI 爬蟲｜階段｜S4 建目錄、S5 有人問 AI｜⑤ 最後一關：AI 選你、講對你｜查得到 → 被選中 → 講對｜階段｜S6 點名幾家、S7 回答細節｜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 點名幾家｜S7 回答細節｜S8 替客人辦事｜S9 客人上門｜S10 回來再問｜aeo.idaeo.ai

### 主張

- 主張：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。
  - 原因：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。
- 主張：每步都有診斷問句，用來檢查店家卡在哪一關。
  - 原因：每步對應一個問題，改善工作就有明確位置。
- 主張：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。
  - 原因：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。
- 主張：S10 接回 S5，形成持續循環。
  - 原因：客人再次提出需求，就展開下一輪 AI 輔助決策。
- 主張：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。
  - 原因：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。

### 名詞

- S1–S10：十步驟是 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。S1–S10 是診斷節點，不是每位客人必經的順序。S3 是為訓練來讀、S4 是為建目錄來讀，皆不等於已訓練或已收錄。
- 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。

### 問答

- 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。

### 本章三句話

- AI 顧客旅程分四階段十步驟，是診斷節點，不是每位客人必經的順序。
- 被 AI 提到有四條路：AI 訓練時讀過你、你的官網、各平台上的你、第三方查證頁。
- 每一步都有診斷問句，用來找出店家卡在哪一關。

### 本週可以做的三件事

- 在官網把店家是誰、做什麼、為什麼可信寫清楚。
- 檢查各平台和外部查證頁上的店家資訊是否正確。
- 用診斷問句逐條自問，標出目前卡在哪一步。

**下一章**　下一章你會知道各 AI 平台在顧客旅程中的讀取與到站實況。

### 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

**這張圖的作用**　網站、爬蟲、AI 平台後台、AI 平台前台、人類的量測分工

**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。

**圖檔**　figures/fig-3-1.svg

**圖內文字**　服務藍圖：我們的網站 → 爬蟲 → AI 平台 → 人（2026/3/3–10/8）｜橫向是本書步驟，縱向是服務藍圖；灰帶＝AI 平台黑盒子。數字分別來自本站紀錄及搜尋平台資料。｜實線＋數字＝實測紀錄｜虛線灰字＝平台內部｜灰帶＝黑盒子｜藍底＝我們的紀錄｜互動線｜可見線｜內部互動線｜▲ 實測紀錄｜▼ 平台內部｜人類｜提問→看答案→自然流量｜實測資料可查｜AI 平台前台｜AI 回答、搜尋結果｜實測資料可查｜AI 平台後台｜訓練、建目錄、排序｜平台內部｜來我們網站的爬蟲｜到站功能請求：本站紀錄｜實測紀錄｜我們的網站｜全站請求｜實測紀錄｜爬蟲自主到訪並取得內容｜有人問 AI｜觸發當場來讀｜交代 AI Agent｜自動瀏覽｜搜尋、看到結果｜Google／Bing｜看到 AI 回答｜引用了我們｜自然流量｜30.98 萬｜次｜客人上門｜接到提問｜決定當場去讀｜接到任務｜派 AI Agent 出門｜搜尋結果顯示｜約 822 萬｜次・約數｜Google＋Bing｜AI 回答細節｜31,711｜次・Copilot｜其他平台｜實測追蹤中｜建目錄｜排進去了嗎？｜平台內部｜建目錄・被收錄｜65.7 萬頁｜Google 28.2 萬｜Bing 37.5 萬｜排序｜排第幾？｜平台內部｜拿去訓練模型｜模型運用追蹤中｜組答案、挑引用｜用了我們哪段？｜平台內部｜爬蟲來敲門｜1.234 億｜請求｜含自動瀏覽｜四類 AI 受眾合計｜抄回去訓練｜5,220 萬｜請求｜Anthropic｜2,448 萬｜建 AI 目錄｜399 萬 請求｜建搜尋目錄｜4,126 萬 請求｜Apple 2,462 萬｜當場來讀｜65.1 萬｜請求｜OpenAI｜63.5 萬｜替人辦事｜1,809 萬｜請求｜AI Agent｜含自動瀏覽｜自然流量｜30.98 萬｜次回到網站｜S1 店家準備好｜1.967 億｜本站總計 196,702,526 次（2026/2/12–10/8）；四類 AI 受眾 105,487,618 次＋另列自動瀏覽 17,948,162 次。｜其餘流量 73,266,746 次；功能分類依最新紀錄，Apple 歸建搜尋目錄，Meta 歸抄回去訓練。｜1. 期間 2026/3/3–10/8；AI Agent（自動瀏覽）2026/8/26–10/8。各格是請求、頁、顯示次數或自然流量，單位不同。｜2. 灰帶是黑盒子：訓練、建索引及引用選段屬平台內部；被收錄頁數是 2026 年 9 月的 Bing 37.5 萬＋Google 28.2 萬。｜3. 搜尋結果顯示約 822 萬次（Google＋Bing）；AI 回答引用 31,711 次（Copilot，2026/7/22–10/8）。｜4. 自然流量 309,826 次；Google 267,734、Microsoft 20,053、Yahoo Japan 10,278、Meta 9,388。｜5. 建搜尋目錄、做 AI 摘要是同一批搜尋引擎爬蟲（41,261,941 次）；為 AI 回答而讀 46,052,576 次。｜S1｜（請求）｜S2｜（請求）｜S3｜（請求）｜S4｜（請求／頁）｜S5｜（請求）｜S6｜（次）｜S7｜（次）｜S8｜（請求）｜S9｜（點擊）｜S10｜（追蹤）｜S10 回來再問｜實測追蹤中｜排進索引｜模型運用（追蹤中）｜當場讀到的內容｜ID｜EO｜店家準備好｜爬蟲來敲門｜抄回去訓練｜建目錄｜有人問 AI｜AI 點名幾家｜AI 回答細節｜替客人辦事｜客人上門｜回來再問

### 圖 3-2　內容旅程地圖與 AI 黑盒子

**這張圖的作用**　各旅程階段的量測成果與 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。

**圖檔**　figures/fig-3-2.svg

**圖內文字**　AI 時代的內容旅程地圖：S1 到 S10（2026/3/3–10/8）｜四階段十步驟；灰色虛線框標示 AI 平台內部。全站 196,702,526 請求。｜店家就緒｜第一階段 · S1｜第二階段 AI 資訊取得｜S2–S4｜第三階段 AI 輔助決策與行動｜S5–S8｜第四階段 顧客轉換與回流｜S9–S10｜S1 店家準備好｜（請求）｜S2 爬蟲來敲門｜（請求）｜S3 抄回去訓練｜（請求）｜S4 建目錄｜（請求）｜S5 有人問 AI｜（請求）｜S6 AI 點名幾家｜（顯示次數）｜S7 AI 回答細節｜（引用次數）｜S8 替客人辦事｜（請求）｜S9 客人上門｜（自然流量）｜S10 回來再問｜（追蹤中）｜誰在做｜對象｜實測紀錄｜的數字｜黑盒子｜平台內部｜佔全站｜請求比例｜量的曲線｜開根號比例｜店家｜網站｜搜尋引擎｜AI 爬蟲｜AI 爬蟲｜搜尋引擎｜AI 平台｜AI 爬蟲｜搜尋平台｜AI 平台｜AI Agent｜人類｜人類｜AI 平台｜196,702,526｜請求｜2/12–10/8｜105,487,618｜請求｜AI 與搜尋引擎｜52,203,119｜請求｜訓練收集｜45,253,224｜請求｜兩類目錄合計｜650,528｜請求｜當場來讀｜約 822 萬｜次｜搜尋結果顯示｜31,711｜次｜Copilot 引用｜7/22–10/8｜17,948,162｜請求｜8/26–10/8｜309,826｜次｜獨立自然流量｜實測追蹤中｜實測追蹤中｜被哪些 AI 找到｜身分資訊追蹤中｜讀取後如何建檔與排序｜平台內部追蹤中｜AI 點名、回答後如何選擇｜外部紀錄持續追蹤｜客人之後是否再問｜實測追蹤中｜全站基準｜53.63%｜26.54%｜23.01%｜0.33%｜不同單位｜不同單位｜9.12%｜獨立紀錄｜持續追蹤｜S3、S4 按家族主用途分箱，本表互斥；S6、S7、S9 與請求單位不同。｜196,702,526｜第 1 階段｜105,487,618｜第 2 階段｜17,948,162｜第 3 階段｜309,826｜第 4 階段｜來源：爬蟲請求依核定清單；全站、用途分類、自然流量、引用次數與搜尋顯示依核定值。｜S4 合計＝建 AI 目錄 3,991,283＋建搜尋目錄／做 AI 摘要 41,261,941；兩類在本表各計一次。｜曲線只示意四階段的量級：S1 全站、S2 AI 請求、S8 自動瀏覽、S9 自然流量；各單位分別呈現量級。｜ID｜EO

### 圖 3-3　AI 平台旅程成果矩陣

**這張圖的作用**　各家 AI 平台在 S1–S10 的紀錄總表

**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。

**圖檔**　figures/fig-3-3.svg

**圖內文字**　AI 平台旅程成果矩陣｜每一家走到哪一步（S1→S10）｜S1｜店家準備好｜196,702,526 請求｜S2｜爬蟲來敲門｜105,487,618 請求｜S3｜抄回去訓練｜52,203,119 請求｜S4｜建目錄｜45,253,224 請求｜S5｜有人問 AI｜650,528 請求｜S6｜AI 點名幾家｜約 822 萬 次｜S7｜AI 回答細節｜31,711 次｜S8｜替客人辦事｜18,091,884 請求｜S9｜客人上門｜309,826 點擊｜S10｜回來再問｜實測追蹤中｜店家就緒｜AI 資訊取得｜AI 輔助決策與行動｜顧客轉換與回流｜S1｜S2｜S3｜S4｜S5｜S6｜S7｜S8｜S9｜S10｜AI 平台／分類｜左柱合計 105,487,618 請求；自動瀏覽另計。｜Apple｜24,615,429｜24,615,429｜Anthropic｜24,492,504｜24,479,305｜10,705｜2,494｜Microsoft｜12,050,061｜12,050,061｜375,000 頁｜910,622｜31,711｜20,053｜OpenAI｜11,998,898｜10,602,782｜760,806｜635,310｜Meta｜11,583,411｜11,583,411｜9,388｜Amazon｜5,454,011｜5,454,011｜Google｜3,413,957｜3,413,483｜282,000 頁｜474｜7,410,298｜267,734｜自家 AI 搜尋｜2,815,693｜2,815,693｜Yandex｜511,159｜511,159｜ByteDance｜255,863｜255,863｜Sogou｜253,223｜253,223｜Perplexity｜228,656｜218,062｜10,594｜TollBit｜126,292｜126,292｜Parallel｜125,562｜125,562｜Huawei｜114,316｜114,316｜Linkup｜60,455｜60,455｜Common Crawl｜19,054｜19,054｜DuckDuckGo｜14,008｜12,384｜1,624｜1,049｜DeepSeek｜按用途併入實測追蹤中｜mcpbeat｜7,925｜7,925｜其他平台｜115,218｜64,556｜36,023｜32｜14,607｜11,602｜AI Agent（自動瀏覽）｜17,948,162｜17,948,162｜AI 的工具｜7,079,310｜實測追蹤中｜152,613｜節點高度採對數比例；灰柱代表頁、次或點擊。分類列已分入左側總流量。｜全站請求自 2/12 起；爬蟲請求自 3/3 起。搜尋顯示總覽採核定約數，各家分項依實際資料。｜ID｜EO

#### OpenAI：同一家平台，三種來讀用途

2026/3/3–10/8，OpenAI 三種已識別爬蟲合計到站 11,998,898 次：訓練用途 10,602,782 次、建目錄用途 760,806 次、當場來讀 635,310 次；當場來讀是各平台最多的一家。這些是網站端記到的請求，不能據此判定內容已進入模型、已被收錄，或已在回答中被點名、引用。OpenAI 的後段成果仍在實測追蹤中；完整的圖在本章末「各平台檔案」圖 3-7。

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

**這張圖的作用**　Google 的讀取、搜尋呈現與客人到站可沿旅程接續對照

**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。

**圖檔**　figures/fig-3-4.svg

**圖內文字**　Google：搜尋顯示達 7,410,298 次｜發現：從被收錄、搜尋顯示到客人上門，Google 是整條路數字最完整的平台。｜Google 這條路：從 S1 店家準備好到 S10 回來再問｜2026/3/3–10/8 · 全站自 2/12 起算｜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｜S1 店家準備好｜我們的網站｜196,702,526｜全站請求 · 2/12–10/8｜S2 爬蟲來敲門｜Google 所有爬蟲｜3,556,335｜3/3–10/8 · 請求｜S3 抄回去訓練｜Google 這條路｜實測追蹤中｜S4 建目錄｜Google 搜尋爬蟲｜3,413,483｜請求｜被收錄約 28.2 萬頁｜S5 有人問 AI｜使用者觸發抓取｜474｜請求 · 兩種抓取合計｜S6 AI 點名幾家｜Google 搜尋顯示｜7,410,298｜次 · 搜尋平台紀錄｜S9 客人上門｜Google 自然流量｜267,734｜次 · 獨立的到站紀錄｜不同步驟的數字來自不同紀錄；請求、頁、顯示次數與自然流量各依自身單位解讀。｜Google 請求拆分｜搜尋爬蟲｜3,413,483｜實測追蹤中｜142,378｜即時抓取｜474｜合計 3,556,335｜搜尋平台提供｜被收錄｜約 28.2 萬｜頁｜搜尋結果顯示｜7,410,298｜次｜搜尋點擊｜179,618｜次｜搜尋點擊率 2.42%｜自然流量另記｜Google 帶來｜267,734 次｜全部來源｜309,826 次｜自然流量與搜尋點擊｜各依自身單位解讀｜黑盒子：AI 平台內部｜AI 回答細節｜S7 AI 回答引用：實測追蹤中，之後會公布｜替客人辦事｜S8 代辦：實測追蹤中｜S10 回來再問｜實測追蹤中｜三種紀錄各看一段｜網站請求｜爬蟲請求逐日記錄｜搜尋平台｜看得到收錄、顯示、點擊｜自然流量｜看得到人從哪裡來｜每週搜尋點擊率（Google 搜尋平台 · 搜尋點擊 ÷ 搜尋顯示）｜2026/3/3–10/8 · 每週一起算 · 舊站與新站的網域屬性｜0%｜2%｜4%｜6%｜8%｜3/2｜3/30｜4/27｜5/25｜6/22｜7/20｜8/17｜9/14｜10/5｜7.03%｜1.25%｜2.63%｜同一期間｜搜尋點擊 179,618 次｜搜尋顯示 7,410,298 次｜整體點擊率 2.42%｜來源：爬蟲請求採核定清單；全站與自然流量採核定值。收錄頁數為九月搜尋平台截面。｜Google 搜尋顯示、點擊與每週曲線：搜尋平台兩個網域屬性，取 3/3–10/8 的網頁搜尋紀錄。｜搜尋結果顯示與自然流量各有自己的口徑；Google 的 AI 回答引用、代辦及回來再問實測追蹤中。｜ID｜EO

### 圖 3-5　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

**這張圖的作用**　Microsoft 的資料能把搜尋收錄、回答引用與客人到站接起來

**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。

**圖檔**　figures/fig-3-5.svg

**圖內文字**　Microsoft：搜尋爬蟲讀取 12,050,061 次｜發現：目前提供 AI 回答引用數字的平台，Copilot 引用 31,711 次。｜Microsoft（Bing、Copilot）這條路：從 S1 到 S10｜2026/3/3–10/8 · 全站自 2/12 起算｜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｜S1 店家準備好｜我們的網站｜196,702,526｜全站請求 · 2/12–10/8｜S2 爬蟲來敲門｜Bing 搜尋爬蟲｜12,050,061｜3/3–10/8 · 請求｜S3 抄回去訓練｜訓練用途｜實測追蹤中｜S4 建目錄｜Bing 搜尋爬蟲｜12,050,061｜請求｜被收錄約 37.5 萬頁｜S5 有人問 AI｜當場讀取｜實測追蹤中｜S6 AI 點名幾家｜Bing 搜尋顯示｜910,622｜次 · 搜尋平台紀錄｜S9 客人上門｜Microsoft 自然流量｜20,053｜次 · 獨立的到站紀錄｜不同步驟的數字來自不同紀錄；請求、頁、顯示、引用與自然流量各依自身單位解讀。｜ID｜EO｜Microsoft 請求拆分｜搜尋爬蟲｜12,050,061｜建搜尋目錄｜也供 AI 摘要｜同一批請求｜只計一次｜合計 12,050,061｜搜尋平台提供｜被收錄｜約 37.5 萬｜頁｜搜尋結果顯示｜910,622｜次｜搜尋點擊｜32,052｜次｜點擊率 3.52%｜自然流量另記｜Microsoft 帶來｜20,053 次｜全部來源｜309,826 次｜自然流量與搜尋點擊｜各依自身單位解讀｜回答可見；代辦與回訪仍追蹤中｜S7 Copilot 回答引用｜31,711 次｜S8 替客人辦事｜實測追蹤中｜S10 回來再問｜實測追蹤中｜三種紀錄各看一段｜網站請求｜爬蟲請求逐日記錄｜搜尋平台｜看得到收錄、顯示、點擊｜回答監測｜看得到引用次數｜每週搜尋點擊率（搜尋點擊 ÷ 搜尋顯示）｜Bing 搜尋平台 · 7/21–10/6 可得資料 · 每週一起算｜較高｜較低｜7/20｜8/3｜8/17｜8/31｜9/14｜9/28｜10/5｜同一期間｜搜尋點擊 32,052 次｜搜尋顯示 910,622 次｜整體點擊率 3.52%｜來源：爬蟲請求採核定清單；全站、收錄、自然流量與回答引用採核定值。｜搜尋顯示、點擊與每週曲線採搜尋平台可得日資料，最後一日為 10/6；回答引用期間為 7/22–10/8。｜Bing 收錄為九月截面；回答引用與搜尋點擊分別計數，平台代辦和回訪仍在實測追蹤中。

### 圖 3-6　怎麼知道被 AI 引用？量測黑盒子兩端

**這張圖的作用**　回答「怎麼知道被 AI 引用」

**怎麼看**　左邊是第一方紀錄：AI 當場來讀 65.1 萬。右邊是平台資料與直接提問。Google 生成式 AI 曝光的本站數值待取得。IDAEO 平台的 Copilot 回答引用為 31,711 次。TK Lin 個人 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）。下方把讀取、曝光、引用接成可檢查的路徑。請求、曝光、引用、提問比例單位不同，不能相加。這是方法圖，交叉驗證尚未完成。

**圖檔**　figures/fig-3-6.svg

**圖內文字**　ID｜EO｜怎麼知道被 AI 引用？｜從黑盒子兩端，交叉核對取用成果｜看見取用｜看見曝光、引用與回答｜網站／邊緣的第一方紀錄｜平台資料／向 AI 直接提問｜AI 黑盒子｜訓練・排序｜點名・回答・代辦｜S6 點名｜S7 回答｜1｜VPS 存取日誌｜到站請求・路徑｜2｜Cloudflare｜AI 爬蟲請求｜AI 來源導流｜與 VPS 對照｜辨認同一次讀取｜第一方彙整｜65.1 萬｜AI 當場來讀｜3｜Google GSC｜生成式 AI 曝光｜與出現的網址｜本站數值待取得｜4｜Bing 站長工具｜Copilot 回答引用｜31,711 次｜2026/7/22–10/8｜5｜多 AI 提問｜100 題・五個模型｜84%｜回答把 IDA 當來源｜同一網址・同一期間｜把兩端的證據接成一條可檢查的路徑｜讀取｜曝光｜引用／回答｜請求、曝光、引用、提問比例：單位不同，不能相加。｜Bing 被引網址與實測答案直接核對引用；前端紀錄補足讀取與曝光。｜個案前後對照｜TK Lin 個人 IDA 實測｜9/20｜0｜10/3｜84%｜100 題、五個 AI 模型；84% 的回答把這個 IDA 當來源。｜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。｜原創架構 © 2026

### 各平台檔案：OpenAI、Anthropic、Apple、Meta

這四家目前已有讀取紀錄。平台端的顯示、引用或自然流量分項仍在實測追蹤中，所以放在章末。數據補齊後，會依同一條原則升回正文：同時有讀取、平台顯示或引用、自然流量分項。

### 圖 3-7　OpenAI：訓練用途讀取 10,602,782 次｜近九成是訓練用途請求，也是當場來讀最多的平台

**這張圖的作用**　OpenAI 為訓練來讀，也為即時提問當場來讀

**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。

**圖檔**　figures/fig-3-7.svg

**圖內文字**　OpenAI：三種爬蟲中訓練用途最多，10,602,782 次｜發現：近九成讀取是訓練用途，同時也是當場來讀最多的平台。｜OpenAI 這條路：爬蟲進來、平台內黑盒子、客人上門｜2026/3/3–10/8 · 三種爬蟲合計 11,998,898 請求；OpenAI 自然流量分項實測追蹤中｜三種已識別爬蟲的請求量｜綠帶寬度按 11,998,898 請求分配；每一條用途各算一次。｜S3 抄回去訓練｜10,602,782 請求｜S4 建目錄｜760,806 請求｜S5 有人問 AI｜635,310 請求｜平台內部黑盒子｜AI 點名、回答與代辦流程｜OpenAI 專屬請求實測追蹤中｜S1 店家準備好｜我們的網站｜S2 爬蟲來敲門｜OpenAI 的三種爬蟲｜S3–S5 進入網站｜網站請求紀錄｜S6–S8 平台內部｜黑盒子｜S9 客人上門｜自然流量｜全站｜196,702,526｜請求 · 2/12–10/8｜OpenAI｜11,998,898｜請求｜S3 抄回去訓練｜訓練爬蟲｜10,602,782｜請求｜把內容帶回平台供模型訓練｜S4 建目錄｜搜尋爬蟲｜760,806｜S5 有人問 AI｜即時擷取爬蟲｜635,310｜訓練請求可見｜AI 平台內部，由實測觀察｜建目錄請求可見｜AI 平台內部，由實測觀察｜當場來讀可見｜AI 平台內部，由實測觀察｜訓練之後｜AI 平台內部，由實測觀察｜S6 AI 點名幾家｜AI 平台內部，由實測觀察｜S7 AI 回答細節｜AI 平台內部，由實測觀察｜S9 客人上門｜自然流量｜實測追蹤中｜全站合計｜309,826 次｜S8 替客人辦事｜實測追蹤中｜S10 回來再問｜實測追蹤中｜這條路上，我們能直接計數的是爬蟲到站請求。｜訓練、建目錄、提問三條請求分支互不重複；其和為 11,998,898。｜平台的點名、回答和代辦各依自身單位解讀。｜S9 的 309,826 是全部來源的自然流量；OpenAI 分項實測追蹤中。｜來源：核定全站與自然流量；三種爬蟲請求由 2026/3/3–10/8 核定清單相加。｜綠帶寬度按三種爬蟲各自請求數分配；虛線框表示 OpenAI 平台內部，由實測觀察。｜ID｜EO

### 圖 3-8　Anthropic：訓練用途請求 24,479,305 次｜訓練用途請求居各家之首

**這張圖的作用**　Anthropic 的讀取大多是為訓練來讀，呈現這類讀取的規模

**怎麼看**　對照圖 3-7〈OpenAI〉，分別讀取到站請求與平台內部的實測課題。

**圖檔**　figures/fig-3-8.svg

**圖內文字**　Anthropic：訓練用途請求 24,479,305 次｜發現：幾乎全部讀取都是訓練用途，訓練用途請求居各家之首。｜Anthropic（Claude）這條路：從爬蟲到平台，再到客人｜2026/3/3–10/8 · 五種爬蟲合計 24,492,552 請求｜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｜四類用途的到站請求量｜訓練、建目錄、當場讀取另有用途追蹤中 48 請求；各分項只計一次。｜S3 抄回去訓練｜24,479,305 請求｜S4 建目錄｜10,705 請求｜S5 有人問 AI｜2,494 請求｜黑盒子：AI 平台內部｜S6–S8 點名、回答與代辦｜實測追蹤中｜S1 店家準備好｜我們的網站｜S2 爬蟲來敲門｜Anthropic的五種爬蟲｜S3–S5 到站用途｜網站請求紀錄｜S6–S8 平台內部｜黑盒子｜S9 客人上門｜自然流量｜全站｜196,702,526｜請求 · 2/12–10/8｜Anthropic｜24,492,552｜請求｜S3 抄回去訓練｜訓練爬蟲｜24,479,305｜請求｜把內容帶回平台供模型訓練｜S4 建目錄｜搜尋爬蟲｜10,705｜S5 有人問 AI｜當場讀取爬蟲｜2,494｜到站請求可見｜AI 平台內部，由實測觀察｜建目錄請求可見｜AI 平台內部，由實測觀察｜當場來讀可見｜AI 平台內部，由實測觀察｜訓練之後｜AI 平台內部，由實測觀察｜S6 AI 點名幾家｜AI 平台內部，由實測觀察｜S7 AI 回答細節｜AI 平台內部，由實測觀察｜S9 客人上門｜專屬自然流量｜實測追蹤中｜全站合計｜309,826 次｜S8 替客人辦事｜實測追蹤中｜S10 回來再問｜實測追蹤中｜這條路上，能直接計數的是爬蟲到站請求。｜S3 24,479,305 ＋ S4 10,705 ＋ S5 2,494 ＋ 用途追蹤中 48 ＝ 24,492,552。｜爬蟲請求與平台的點名、回答、代辦，各依自身單位解讀。｜S6–S8 的平台內部處理與 S9 自然流量分項仍在實測追蹤中。｜來源：全站與自然流量採核定值；各家爬蟲請求採 2026/3/3–10/8 核定清單。｜綠帶呈現到站請求的用途；虛線框表示平台內部或專屬數字仍在實測追蹤中。｜ID｜EO

### 圖 3-9　Apple：建目錄請求 24,615,429 次｜建目錄量居各家之首

**這張圖的作用**　Apple 的讀取集中在為建目錄來讀

**怎麼看**　先看讀取量，再沿旅程看後續取用的追蹤範圍。

**圖檔**　figures/fig-3-9.svg

**圖內文字**　Apple：建目錄請求達 24,615,429 次｜發現：讀取全部用於建搜尋目錄（Siri、Spotlight 等搜尋功能），建目錄量居各家之首。｜Apple 這條路：從爬蟲到平台，再到客人｜2026/3/3–10/8 · 一種爬蟲合計 24,615,429 請求｜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｜建目錄用途的到站請求量｜已歸用途的請求都在 S4 建目錄；這一批只計一次。｜S3 抄回去訓練｜實測追蹤中｜S4 建目錄｜24,615,429 請求｜S5 有人問 AI｜實測追蹤中｜黑盒子：AI 平台內部｜S6–S8 點名、回答與代辦｜實測追蹤中｜S1 店家準備好｜我們的網站｜S2 爬蟲來敲門｜Apple的一種爬蟲｜S3–S5 到站用途｜網站請求紀錄｜S6–S8 平台內部｜黑盒子｜S9 客人上門｜自然流量｜全站｜196,702,526｜請求 · 2/12–10/8｜Apple｜24,615,429｜請求｜S3 抄回去訓練｜專屬請求｜實測追蹤中｜把內容帶回平台供模型訓練｜S4 建目錄｜搜尋爬蟲｜24,615,429｜S5 有人問 AI｜專屬請求｜實測追蹤中｜實測追蹤中｜AI 平台內部，由實測觀察｜建目錄請求可見｜AI 平台內部，由實測觀察｜實測追蹤中｜AI 平台內部，由實測觀察｜訓練之後｜AI 平台內部，由實測觀察｜S6 AI 點名幾家｜AI 平台內部，由實測觀察｜S7 AI 回答細節｜AI 平台內部，由實測觀察｜S9 客人上門｜專屬自然流量｜實測追蹤中｜全站合計｜309,826 次｜S8 替客人辦事｜實測追蹤中｜S10 回來再問｜實測追蹤中｜這條路上，能直接計數的是爬蟲到站請求。｜S4 的 24,615,429 請求等於 Apple 爬蟲合計。｜爬蟲請求與平台的點名、回答、代辦，各依自身單位解讀。｜Apple 的 S3、S5–S10 專屬數字持續實測追蹤。｜來源：全站與自然流量採核定值；各家爬蟲請求採 2026/3/3–10/8 核定清單。｜綠帶呈現到站請求的用途；虛線框表示平台內部或專屬數字仍在實測追蹤中。｜ID｜EO

### 圖 3-10　Meta：訓練用途請求 11,583,411 次｜讀取全部是訓練用途

**這張圖的作用**　Meta 的讀取紀錄對應訓練用途，客人到站則依自然流量解讀

**怎麼看**　分別看 AI 讀取與客人到站，依各自單位解讀成果。

**圖檔**　figures/fig-3-10.svg

**圖內文字**　Meta：訓練用途請求 11,583,411 次｜發現：讀取全部是訓練用途；同期另有 9,388 次自然流量。｜Meta 這條路：從爬蟲到平台，再到客人｜2026/3/3–10/8 · 一種爬蟲合計 11,583,411 請求｜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｜訓練用途的到站請求量｜已歸用途的請求都在 S3 抄回去訓練；這一批只計一次。｜S3 抄回去訓練｜11,583,411 請求｜S4 建目錄｜實測追蹤中｜S5 有人問 AI｜實測追蹤中｜黑盒子：AI 平台內部｜S6–S8 點名、回答與代辦｜實測追蹤中｜S1 店家準備好｜我們的網站｜S2 爬蟲來敲門｜Meta的一種爬蟲｜S3–S5 到站用途｜網站請求紀錄｜S6–S8 平台內部｜黑盒子｜S9 客人上門｜自然流量｜全站｜196,702,526｜請求 · 2/12–10/8｜Meta｜11,583,411｜請求｜S3 抄回去訓練｜訓練爬蟲｜11,583,411｜請求｜把內容帶回平台供模型訓練｜S4 建目錄｜專屬請求｜實測追蹤中｜S5 有人問 AI｜專屬請求｜實測追蹤中｜到站請求可見｜AI 平台內部，由實測觀察｜實測追蹤中｜AI 平台內部，由實測觀察｜實測追蹤中｜AI 平台內部，由實測觀察｜訓練之後｜AI 平台內部，由實測觀察｜S6 AI 點名幾家｜AI 平台內部，由實測觀察｜S7 AI 回答細節｜AI 平台內部，由實測觀察｜S9 客人上門｜自然流量｜9,388 次｜全站合計｜309,826 次｜S8 替客人辦事｜實測追蹤中｜S10 回來再問｜實測追蹤中｜這條路上，能直接計數的是爬蟲到站請求。｜S3 的 11,583,411 請求等於 Meta 爬蟲合計。｜爬蟲請求與平台的點名、回答、代辦，各依自身單位解讀。｜S9 自然流量另有 9,388 次；請求與人類到站次數各依自身單位解讀。｜來源：全站與自然流量採核定值；各家爬蟲請求採 2026/3/3–10/8 核定清單。｜綠帶呈現到站請求的用途；虛線框表示平台內部或專屬數字仍在實測追蹤中。｜ID｜EO

### 主張

- 主張：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。
  - 原因：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。
- 主張：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。
  - 原因：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。
- 主張：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。
  - 原因：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。
- 主張：各來源的成果依單位分別解讀。
  - 原因：請求、頁數與點擊代表不同事件，同口徑比較才有行銷意義。
- 主張：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。
  - 原因：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，發生在 AI 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。IDAEO 用兩端量測與定期實測觀察成果。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。
- 平台資料：Google、Bing 等平台提供收錄、搜尋顯示與點擊。圖上 S6 是搜尋顯示（不是 AI 點名）。本書的平台 AI 引用數據來自 Copilot。AI 回答的點名率之後公布。
- 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 列的是搜尋顯示（不是 AI 點名）。AI 回答的點名率之後公布。

### 問答

- 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。

### 本章三句話

- AI 平台裡的點名、回答與排序是黑盒子，看不到。
- 能量的是兩端：進去前的讀取、出來後的到站，再加定期問 AI。
- 讀取、搜尋顯示與引用是不同事件，不能相加。

### 本週可以做的三件事

- 整理自家官網的讀取與到站紀錄，標清來源與期間。
- 查看搜尋平台提供的收錄、搜尋顯示與引用紀錄，分開記。
- 向 AI 詢問自家資訊，核對回答內容與列出的來源。

**下一章**　下一章你會知道：店家資訊要經過哪三種來源驗證。

### 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 區分個案來源清單紀錄與平台指標。解讀圖上 S6 時，說清楚數字是搜尋顯示（不是 AI 點名）。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

**這張圖的作用**　IDAEO 驗證模型結合官方、本方與第三方證據，支持可信事實

**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。

**圖檔**　figures/fig-4-1.svg

**圖內文字**　③ 信任驗證｜憑什麼信｜承圖 0-2｜驗證原則：說到做到，有憑有據；沒有證據的不寫｜IDAEO｜核心｜IDAEO 驗證模型｜日本、台灣、香港大數據｜三角驗證｜三方｜官方｜本方｜第三方｜誰說的｜政府說的｜店家自己說的｜外部的人說的｜資料來源｜政府公開登記｜店家官網與本人｜外部公開資料｜取證｜官方登記核驗｜原文存真｜多源交叉取證｜標示｜可信燈號｜存真狀態｜來源標記｜重驗｜定期稽核｜到期重驗｜持續蒐證｜驗證引擎｜三方合一｜IDAEO 驗證引擎｜交叉印證｜引用准入｜判定存證｜結果｜每一條事實給一個結果，不是整家店一個結果｜原創架構 © 2026｜ID｜EO

### 主張

- 主張：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。
  - 原因：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。
- 主張：事實先行定律：可信內容始於已驗事實。
  - 原因：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。
- 主張：主張溯源定律：每項主張皆有可溯依據。
  - 原因：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。
- 主張：外部印證定律：可信主張須有外部印證。
  - 原因：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。
- 主張：逐項驗證事實，並持續確認時效。
  - 原因：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。

### 問答

- 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。

### 本章三句話

- 可信事實要先驗過，再交給 AI 讀取。
- 驗證結合官方、本方與第三方來源。
- 事實過了時效，就要重驗。

### 本週可以做的三件事

- 挑出店家主張，查它的出處。
- 把官網地址與官方登記資料對照，標出不一致處。
- 找獨立的外部來源，確認它不是轉載自家說法。

**下一章**　下一章你會知道：服務分級怎麼對應旅程。

### 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 — 先被讀到；AEO+ 口碑 — 被點名；IDA 品牌公關 — 講對、上門、回來

**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

**這張圖的作用**　十步驟對應的服務分級、策略與驗證

**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。

**圖檔**　figures/fig-5-1.svg

**圖內文字**　④ 服務分級｜做到哪一級｜旅程步驟｜接圖 2-1｜服務分級｜看什麼數｜AEO 曝光先被讀到｜AEO+ 口碑被點名｜IDA 品牌公關講對、上門、回來｜驗證｜接圖 4-1｜服務分級：沿旅程步驟逐級深化｜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｜AEO 曝光｜先被讀到｜AI 就緒分｜AI 讀取量｜AEO+ 口碑｜被點名｜AI 當場來讀量｜｜AI 點名率｜IDA 品牌公關｜講對、上門、回來｜AI 正確率｜AI 引用量｜AI Agent 到站量｜｜AI 導客量｜AI 回訪量｜全旅程完整涵蓋｜Full-Journey Coverage · S1–S10｜本方＋官方｜IDA 驗證｜IDAEO 驗證｜原創架構 © 2026｜ID｜EO｜承圖 0-3｜旅程診斷｜13｜項｜旅程診斷｜4｜項｜旅程診斷｜1｜項｜旅程診斷｜1｜項｜解決方案｜7｜項｜解決方案｜2｜項｜解決方案｜4｜項｜旅程診斷｜6｜項｜旅程診斷｜6｜項｜旅程診斷｜1｜項｜旅程診斷｜2｜項｜旅程診斷｜1｜項｜旅程診斷｜3｜項｜旅程診斷｜4｜項｜解決方案｜3｜項｜解決方案｜2｜項｜解決方案｜1｜項

### 圖 5-2　成效指標對照矩陣

**這張圖的作用**　九個成效指標對應旅程步驟、診斷問句、IDAEO 解決方案與數據

**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。

**圖檔**　figures/fig-5-2.svg

**圖內文字**　策略｜接圖 5-1｜指標｜對哪一步｜接旅程步驟｜旅程診斷｜問什麼｜IDAEO｜解決方案｜驗證數據｜到 2026/10/8｜AEO 曝光｜AEO+ 口碑｜IDA 品牌公關｜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｜S1｜S2–S4｜S5｜S6｜S7｜S7｜S8｜S9｜S10｜資料齊嗎｜進得來嗎｜已收錄嗎｜有來讀嗎｜有點名嗎｜講對了嗎｜有引用嗎｜辦得成嗎｜有上門嗎｜有回來嗎｜就緒診斷｜引擎｜修復處方｜AI 通行協定｜到訪軌跡｜收錄雷達｜即時取用｜偵測｜點名探針｜答案席位｜追蹤｜事實基準庫｜偏誤警報｜引用溯源｜Agent對接層｜即時履約｜串接｜來源歸因｜回流識別｜每店一分｜0–100分｜9,746萬次｜抄回去訓練＋｜建目錄｜65萬次｜AI 回答｜前到站｜讀取｜定時實測｜同一組題目｜問多家 AI｜記錄點名名次｜實測追蹤中｜逐句比對｜回答對照｜驗過的事實｜講對幾成｜實測追蹤中｜3.17萬次｜Copilot｜回答附出處｜1,809萬次｜到站次數｜辦成量實測｜追蹤中｜31.0萬次｜從搜尋或 AI｜點進來｜回頭客數｜同一位客人｜再回來問、｜再上門的次數｜實測追蹤中｜原創架構 © 2026｜ID｜EO｜S1–S4 先被讀到｜S5–S6 被點名｜S7–S10 講對、上門、回來

### 主張

- 主張：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。
  - 原因：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。
- 主張：較高服務分級涵蓋前一級內容。
  - 原因：口碑承接曝光，品牌公關承接口碑，服務逐步擴展整段旅程。
- 主張：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。
  - 原因：各指標對應不同成果，能把服務目標連到驗收依據。
- 主張：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。
  - 原因：服務隨品牌目標擴展，從接觸到選擇都能衡量。

### 名詞

- AEO 曝光 — 先被讀到（S1–S4）：方案名，涵蓋 S1–S4，目標是讓內容先被讀到。回答裡被點名屬 AEO+ 口碑（S5–S6），列為出處屬 S7。
- AEO+ 口碑 — 被點名（S5–S6）：涵蓋 S5–S6 的服務分級。以 AI 在回答裡點名你建立口碑；是否推薦要另看回答內容。AI 時代的口碑＝AI 替你說（AI Word of Mouth）。
- IDA 品牌公關 — 講對、上門、回來（S7–S10，含前兩級）：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。它是服務最高級的方案名。書名裡的 IDA 是身分資料權威，驗證模型裡的 IDA 驗證是方法。三個 IDA 同字，範圍不同。
- 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。

### 問答

- 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。

### 本章三句話

- 服務分三級：AEO 曝光涵蓋 S1–S4，AEO+ 口碑涵蓋 S5–S6，IDA 品牌公關涵蓋 S1–S10。
- 較高的服務分級包含前一級內容，隨品牌目標擴展旅程範圍。
- 九個成效指標對應各步診斷問句，把服務目標連到驗收依據。

### 本週可以做的三件事

- 對照旅程診斷問句，找出店裡目前卡住的步驟。
- 依目前行銷目標，選定要先建立曝光、點名或導客。
- 針對要驗收的旅程步驟，選定對應的成效指標。

**下一章**　下一章你會看到各項成效指標的實測數字，以及怎麼解讀。

### 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

**這張圖的作用**　三類成效指標對應各自的衡量對象

**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。

**圖檔**　figures/fig-6-1.svg

**圖內文字**　⑤ 成效衡量｜怎麼算成果｜成效指標：AI 每一步的取用都是成果｜三類｜成果：AI 取用｜背景：搜尋｜客人上門｜量什麼｜AI 讀取量｜為 AI 回答｜而讀｜AI 當場｜來讀量｜AI 引用量｜AI Agent｜到站量｜被收錄頁數｜搜尋結果｜顯示｜AI 導客量｜第一方數據｜IDAEO 實測｜9,746｜萬次｜S2–S4｜3/3 起｜4,605｜萬次｜搜尋＋AI 回答｜3/3 起｜65｜萬次｜S5｜3/3 起｜3.17｜萬次｜S7｜Copilot｜7/22 起｜1,809｜萬次｜S8｜8/26 起｜Bing｜萬頁｜Google｜萬頁｜822｜萬次｜Google＋Bing｜31.0｜萬次｜S9｜8/26 起｜原創架構 © 2026｜ID｜EO｜承圖 0-2｜先有 AI 曝光數，才有後面的旅程。｜＝AI 曝光數｜37.5｜28.2｜9 月｜約

### 圖 6-2　十步驟成效總覽

**這張圖的作用**　十步驟總覽，呈現各步的量測成果

**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 是搜尋顯示（不是 AI 點名），指搜尋端列出你的次數。AI 回答的點名率之後公布。

**圖檔**　figures/fig-6-2.svg

**圖內文字**　十步驟總覽：每一步留下多少（2026/3/3–10/8）｜AI 平台內部流程，公開結果持續追蹤｜S1｜店家準備好｜196,702,526 請求｜S2｜爬蟲來敲門｜105,487,618 請求｜S3｜抄回去訓練｜52,203,119 請求｜S4｜建目錄｜45,253,224 請求｜收錄 657,000 頁｜S5｜有人問 AI｜650,528 請求｜S6｜AI 點名幾家｜約 822 萬 次｜S7｜AI 回答細節｜31,711 次｜S8｜替客人辦事｜18,091,884 請求｜S9｜客人上門｜309,826 點擊｜自然流量｜S10｜回來再問｜實測追蹤中｜佔全站請求｜53.6%｜26.5%｜23.0%｜0.33%｜9.20%｜柱身厚度按請求量開根號縮放；灰柱表示頁、次或點擊；虛線表示觀測輪廓。｜全站請求自 2/12 起；爬蟲請求自 3/3 起。各步按不同口徑分別呈現。｜ID｜EO

### 圖 6-3　AI 來訪結構圖：誰來、來做什麼

**這張圖的作用**　流量依行銷受眾與功能分布

**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。

**圖檔**　figures/fig-6-3.svg

**圖內文字**　流量旅程：誰來、來做什麼｜2026/3/3–10/8 · 全站 1.97 億請求 · 已分類 AI 1.05 億｜誰來｜13 類來源 · 數字為請求數及佔全站比例｜來做什麼｜9 類用途 · 依旅程階段排｜S1 店家準備好｜S2 爬蟲來敲門｜我們的網站 1.97 億 請求｜Apple｜2,462 萬 · 12.5%｜Anthropic｜2,449 萬 · 12.5%｜AI Agent（自動瀏覽）｜1,795 萬 · 9.1%｜Microsoft｜1,205 萬 · 6.1%｜OpenAI｜1,200 萬 · 6.1%｜Meta｜1,158 萬 · 5.9%｜Amazon｜545 萬 · 2.8%｜Google｜341 萬 · 1.7%｜自家 AI 搜尋｜282 萬 · 1.4%｜其他平台合併｜183 萬 · 0.93%｜AI 的工具｜708 萬 · 3.6%｜實測追蹤中｜15 萬 · 0.08%｜其餘流量｜7,327 萬 · 37.2%｜S3 抄回去訓練｜5,220 萬 · 26.5%｜S4 建目錄｜建 AI 目錄｜399 萬 · 2.0%｜S4 建目錄｜建搜尋目錄、做 AI 摘要｜4,126 萬 · 21.0%｜S5 有人問 AI（當場來讀）｜65 萬 · 0.33%｜S8 替客人辦事｜替人辦事、查門牌；自動瀏覽｜1,809 萬 · 9.2%｜S9 客人上門（自然流量）｜309,826 次｜到站來源紀錄另計（1.97 億為請求）｜AI 的工具｜708 萬 · 3.6%｜實測追蹤中｜15 萬 · 0.08%｜其餘流量｜7,327 萬 · 37.2%｜流帶粗細＝精確請求數開根號；流帶最細以 1.5px 呈現（1.5px 為線寬下限）。圖中大數四捨五入。S8 含替人辦事、查門牌及自動瀏覽。｜資料期：紀錄 2026/3/3–10/8；自動瀏覽 2026/8/26–10/8；網站總流量 2026/2/12–10/8。｜S6、S7、S10 發生在 AI 平台內與客人身上，由實測追蹤，見圖 3-2。｜ID｜EO

### 圖 6-4　全程成效流向圖：從 AI 曝光到客人上門

**這張圖的作用**　全站流量依 AI 平台與用途分流，最後接到自然流量

**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。

**圖檔**　figures/fig-6-4.svg

**圖內文字**　全流程：總流量 → 各家AI 平台 → 用途 → 自然流量｜2026/3/3–10/8 · 全站 1.97 億請求 · 已分類 AI 1.05 億 · 每家一色｜網站總流量｜全部請求｜各家AI 平台｜13 類來源 · 請求數／全站比例｜用途｜8 類 · 依旅程階段排｜網站總流量｜1.97 億｜請求｜Anthropic 2,449 萬 · 12.5%｜OpenAI 1,200 萬 · 6.1%｜Amazon 545 萬 · 2.8%｜Apple 2,462 萬 · 12.5%｜Meta 1,158 萬 · 5.9%｜Microsoft 1,205 萬 · 6.1%｜自家 AI 搜尋 282 萬 · 1.4%｜Google 341 萬 · 1.7%｜其他平台合併 183 萬 · 0.93%｜AI Agent（自動瀏覽） 1,795 萬 · 9.1%｜AI 的工具 708 萬 · 3.6%｜實測追蹤中 15 萬 · 0.08%｜其餘流量 7,327 萬 · 37.2%｜S3 抄回去訓練｜5,220 萬 · 26.5%｜S4 建目錄｜建 AI 目錄｜399 萬 · 2.0%｜S4 建目錄｜建搜尋目錄、做 AI 摘要｜4,126 萬 · 21.0%｜S5 有人問 AI（當場來讀）｜65 萬 · 0.33%｜S8 替客人辦事｜替人辦事、查門牌；自動瀏覽｜1,809 萬 · 9.2%｜AI 的工具｜708 萬 · 3.6%｜實測追蹤中｜15 萬 · 0.08%｜其餘流量｜7,327 萬 · 37.2%｜S9 客人上門｜自然流量 309,826 次｜從搜尋或 AI 點進來，另計｜Yahoo Japan｜10,278 · 3.3%｜DuckDuckGo｜1,049 · 0.34%｜Baidu｜713 · 0.23%｜Meta｜9,388 · 3.0%｜Microsoft｜20,053 · 6.5%｜Google｜267,734 · 86.4%｜其他來源｜611 · 0.20%｜流帶粗細＝精確請求數，採線性比例；流帶最細以 1.5px 呈現（1.5px 為線寬下限）；前三欄為請求，自然流量另計。虛線只示同名AI 平台。｜資料期：紀錄 2026/3/3–10/8；自動瀏覽 2026/8/26–10/8；網站總流量 2026/2/12–10/8。大數四捨五入。｜ID｜EO

### 圖 6-5　九家 AI 平台旅程成果比較

**這張圖的作用**　各家讀取量與帶客成果的同尺度比較

**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。

**圖檔**　figures/fig-6-5.svg

**圖內文字**　九家各自的流量漏斗：來讀 → 做什麼 → 結果 → 自然流量｜2026/3/3–10/8 · 讀取量前九家AI 平台 · 九格同一尺度｜品牌色＝請求 斜線＝頁／次 灰色＝自然流量｜Apple｜讀取量 #1｜2,462 萬 請求｜總量 · 請求｜行為 · 請求｜結果 · 次｜S9 客人上門｜佔 AI 合計｜23.3%｜S2｜2,462 萬｜S3｜—｜S4｜2,462 萬｜S5｜—｜S6｜—｜S7｜—｜S8｜—｜—｜實測追蹤中｜請求與到站分開看｜S10 回來再問：實測追蹤中｜Anthropic｜讀取量 #2｜2,449 萬 請求｜總量 · 請求｜行為 · 請求｜結果 · 次｜S9 客人上門｜佔 AI 合計｜23.2%｜S2｜2,449 萬｜S3｜2,448 萬｜S4｜1.1 萬｜S5｜2,494｜S6｜—｜S7｜—｜S8｜—｜—｜實測追蹤中｜請求與到站分開看｜S10 回來再問：實測追蹤中｜Microsoft｜讀取量 #3｜1,205 萬 請求｜總量 · 請求｜行為 · 請求｜結果 · 次｜S9 客人上門｜佔 AI 合計｜11.4%｜S2｜1,205 萬｜S3｜—｜S4｜1,205 萬｜S5｜—｜S6｜—｜S7｜3.2 萬｜S8｜—｜2.0 萬｜佔比 6.5%｜請求與到站分開看｜S10 回來再問：實測追蹤中｜OpenAI｜讀取量 #4｜1,200 萬 請求｜總量 · 請求｜行為 · 請求｜結果 · 次｜S9 客人上門｜佔 AI 合計｜11.4%｜S2｜1,200 萬｜S3｜1,060 萬｜S4｜76.1 萬｜S5｜63.5 萬｜S6｜—｜S7｜—｜S8｜—｜—｜實測追蹤中｜請求與到站分開看｜S10 回來再問：實測追蹤中｜Meta｜讀取量 #5｜1,158 萬 請求｜總量 · 請求｜行為 · 請求｜結果 · 次｜S9 客人上門｜佔 AI 合計｜11.0%｜S2｜1,158 萬｜S3｜1,158 萬｜S4｜—｜S5｜—｜S6｜—｜S7｜—｜S8｜—｜9,388｜佔比 3.0%｜請求與到站分開看｜S10 回來再問：實測追蹤中｜Amazon｜讀取量 #6｜545 萬 請求｜總量 · 請求｜行為 · 請求｜結果 · 次｜S9 客人上門｜佔 AI 合計｜5.2%｜S2｜545 萬｜S3｜545 萬｜S4｜—｜S5｜—｜S6｜—｜S7｜—｜S8｜—｜—｜實測追蹤中｜請求與到站分開看｜S10 回來再問：實測追蹤中｜Google｜讀取量 #7｜356 萬 請求｜總量 · 請求｜行為 · 請求｜結果 · 次｜S9 客人上門｜佔 AI 合計｜3.4%｜S2｜356 萬｜S3｜—｜S4｜341 萬｜S5｜474｜S6｜—｜S7｜—｜S8｜—｜26.8 萬｜佔比 86.4%｜請求與到站分開看｜S10 回來再問：實測追蹤中｜自家 AI 搜尋｜讀取量 #8｜282 萬 請求｜總量 · 請求｜行為 · 請求｜結果 · 次｜S9 客人上門｜佔 AI 合計｜2.7%｜S2｜282 萬｜S3｜—｜S4｜282 萬｜S5｜—｜S6｜—｜S7｜—｜S8｜—｜—｜實測追蹤中｜請求與到站分開看｜S10 回來再問：實測追蹤中｜Yandex｜讀取量 #9｜51.1 萬 請求｜總量 · 請求｜行為 · 請求｜結果 · 次｜S9 客人上門｜佔 AI 合計｜0.5%｜S2｜51.1 萬｜S3｜—｜S4｜51.1 萬｜S5｜—｜S6｜—｜S7｜—｜S8｜—｜—｜實測追蹤中｜請求與到站分開看｜S10 回來再問：實測追蹤中｜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｜S4 2026 年 9 月收錄頁：Google 28.2 萬、Microsoft 37.5 萬；S6 搜尋顯示約 822 萬次，逐家分項實測追蹤中。｜S7 Copilot 回答引用 31,711 次（7/22–10/8）；S9 自然流量 309,826 次。只顯示已核定的逐家分項。｜柱長＝數量開根號，九格同尺度；佔 AI 合計的分母＝105,487,618 次。請求、頁、次及到站紀錄各依自身單位解讀。｜ID｜EO

### 圖 6-6　冷啟動時間軸：AI 平台依序到站與早期紅利

**這張圖的作用**　冷啟動與早期紅利，呈現 AI 平台依序到站的節奏

**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。這是單站觀察，其中三家為下限。圖 7-1〈IDAEO 成長里程碑〉呈現本站的累積量。8/24 以前可能含重複請求。較早就緒是否帶來較早累積，仍要看到站紀錄。

**圖檔**　figures/fig-6-6.svg

**圖內文字**　冷啟動時間軸：AI 平台依序到站，越早就緒、越早累積｜2026/3/3–10/8 · 有兩隻以上爬蟲的 AI 平台 6 家，依第一隻首日排序 · 點＝首現日（顏色＝用途、大小＝總請求）｜弧線大字＝兩隻首現相隔天數；此前請求見右欄 · 右欄＝量測後下一隻摘要｜OpenAI｜+30 天以上｜Anthropic｜+31 天以上｜Perplexity｜+35 天以上｜DuckDuckGo｜+30 天｜Google｜+31 天｜自家 AI 搜尋｜+70 天｜六家裡五家落在 30–35 天；首日為 3/3 的是下限。｜AI 流量有早期紅利：越早就緒，越早累積。同一 AI 平台的下一隻爬蟲，約 30 天後才來。｜冷啟動 Cold Start｜AI 流量從 0 開始累積；業界經驗值約 90 天。｜就算 S1 充分準備好，AI 平台仍依序到站。｜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。｜TK Lin 個人 IDA 案例：14 天走到 S7（AI 回答細節）。｜AI 平台｜第一隻 → 量測後下一隻｜3/3｜4月｜5月｜6月｜7月｜8月｜9月｜10/8｜8/24 起採用平台認證的 AI 身分 ▸｜OpenAI｜3 隻 · 共 1,200 萬｜訓練與即時讀取：｜量測開始時已在場｜+30 天以上｜訓練爬蟲 ≤3/3｜即時讀取爬蟲 3/5｜搜尋爬蟲 4/2｜+30 天以上｜量測後新來的第一隻：搜尋爬蟲｜首見 4/2 · 距第一隻 30 天以上｜此前已來 23.7 萬次以上｜即時讀取爬蟲頭一週 40 次｜Anthropic｜5 隻 · 共 2,449 萬｜+31 天以上｜+12 天｜+47 天｜+1 天｜訓練爬蟲 ≤3/3｜即時讀取爬蟲 4/3｜搜尋爬蟲 4/15｜實測追蹤中 6/1｜實測追蹤中 6/2｜+31 天以上｜訓練爬蟲 → 即時讀取爬蟲｜之前已來 905 次以上（訓練爬蟲 905）｜即時讀取爬蟲 頭一週 57 次｜第三隻 搜尋爬蟲 4/15｜距第一隻 +43 天以上 · 之前已來 4,687 次以上｜第四隻 實測追蹤中 6/1｜距第一隻 +90 天以上 · 之前已來 201 萬次以上｜第五隻 實測追蹤中 6/2｜距第一隻 +91 天以上 · 之前已來 206 萬次以上｜Perplexity｜2 隻 · 共 22.9 萬｜+35 天以上｜搜尋爬蟲 ≤3/3｜即時讀取爬蟲 4/7｜+35 天以上｜搜尋爬蟲 → 即時讀取爬蟲｜之前已來 4,864 次以上（搜尋爬蟲 4,864）｜即時讀取爬蟲 頭一週 2 次｜DuckDuckGo｜2 隻 · 共 1.4 萬｜+30 天｜搜尋爬蟲 3/5｜問答爬蟲 4/4｜+30 天｜搜尋爬蟲 → 問答爬蟲｜之前已來 28 次（搜尋爬蟲 28）｜問答爬蟲 頭一週 4 次｜Google｜5 隻 · 共 356 萬｜+31 天｜+37 天｜+25 天｜+74 天｜搜尋爬蟲 3/11｜筆記整理爬蟲 4/11｜深度研究爬蟲 5/18｜通用爬蟲 6/12｜圖片爬蟲 8/25｜+31 天｜搜尋爬蟲 → 筆記整理爬蟲｜之前已來 12.7 萬次（搜尋爬蟲 12.7 萬）｜筆記整理爬蟲 頭一週 2 次｜第三隻 深度研究爬蟲 5/18｜距第一隻 +68 天 · 之前已來 36.5 萬次｜第四隻 通用爬蟲 6/12｜距第一隻 +93 天 · 之前已來 99.5 萬次｜第五隻 圖片爬蟲 8/25｜距第一隻 +167 天 · 之前已來 239 萬次｜自家 AI 搜尋｜2 隻 · 共 282 萬｜+70 天｜目錄爬蟲 6/26｜跨站目錄爬蟲 9/4｜+70 天｜目錄爬蟲 → 跨站目錄爬蟲｜之前已來 281 萬次（目錄爬蟲 281 萬）｜跨站目錄爬蟲 頭一週 2,213 次｜只有一隻爬蟲的 AI 平台（26 家，依首日）｜Microsoft 搜尋爬蟲 ≤3/3｜Yandex 搜尋爬蟲 ≤3/3｜ByteDance 搜尋爬蟲 ≤3/3｜Amazon 訓練爬蟲 3/5｜Apple 搜尋爬蟲 3/11｜You.com 搜尋爬蟲 4/1｜Baidu 搜尋爬蟲 4/4｜Common Crawl 訓練爬蟲 4/9｜Brave 搜尋爬蟲 4/10｜Cohere 實測追蹤中 5/5｜Huawei 搜尋爬蟲 5/6｜Kagi 搜尋爬蟲 5/16｜Meta 訓練爬蟲 6/14｜Sogou 搜尋爬蟲 6/26｜TollBit 代辦工具爬蟲 6/26｜代辦工具平台 代辦工具爬蟲 6/26｜Linkup 搜尋爬蟲 7/31｜DeepSeek 實測追蹤中 8/7｜Yahoo Japan 雅虎搜尋爬蟲 8/7｜Parallel 目錄爬蟲 8/24｜日本資訊研究機構 研究爬蟲 8/25｜自動檢測 AI 平台 代辦工具爬蟲 8/26｜Golemreach 頁面檢測爬蟲 8/26｜Mistral 即時讀取爬蟲 8/29｜日本研究機構 研究爬蟲 8/29｜Andi 頁面檢測爬蟲 9/17｜用途｜抄回去訓練｜建目錄｜有人問 AI｜爬蟲來敲門｜實測追蹤中｜空心＝量測初期已在場；首日 3/3 為下限｜虛線圈＝認證啟用後首次出現｜資料：2026/3/3–10/8 每日請求；每點按爬蟲首日定位，大小按總請求取對數。｜首日 3/3 為量測起點；其後天數與此前請求是下限。｜8/24 起採用平台認證的 AI 身分；虛線圈標記認證啟用後首次出現。｜家族統計同 AI 平台不同爬蟲；AI 的工具及實測追蹤中另列。｜ID｜EO

### 主張

- 主張：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。
  - 原因：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。
- 主張：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。
  - 原因：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。
- 主張：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。
  - 原因：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。
- 主張：AI 當場來讀量 65 萬次，是即時需求觸發的取用。
  - 原因：AI 依提問當場取得資訊，這項指標反映客人的當下需求。
- 主張：IDAEO 平台 AI 引用量 3.17 萬次，代表內容被列為回答出處。
  - 原因：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。
- 主張：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。
  - 原因：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。
- 主張：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。
  - 原因：這項指標對應 S9，連接前段 AI 取用與客人行動。
- 主張：冷啟動（Cold Start）：AI 流量從 0 累積，業界經驗值約 90 天。
  - 原因：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。
- 主張：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）。
  - 原因：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。
- 主張：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。
  - 原因：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。
- 主張：AI 流量的早期紅利，指提早備好資訊，供到站的爬蟲讀取。
  - 原因：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。
- 主張：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。
  - 原因：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。

### 冷啟動與熱啟動

- 起點
  - 冷啟動 Cold Start：AI 流量從 0 累積。
  - 熱啟動 Warm Start：內容接上 AI 流量樞紐的既有流量。
- 必要條件
  - 冷啟動 Cold Start：S1 資料齊，讓到站的 AI 取得內容。
  - 熱啟動 Warm Start：內容滿足 S1，樞紐每月累積上千萬次 AI 請求。
- 多久
  - 冷啟動 Cold Start：業界經驗值約 90 天。
  - 熱啟動 Warm Start：經驗值約 30 天；TK Lin 個人案例 14 天走到 S7。
- 實測
  - 冷啟動 Cold Start：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。8/24 以前可能含重複請求。
  - 熱啟動 Warm Start：TK Lin 個人 IDA：9/20 上線，10/3 實測。這個 IDA 出現在 AI 搜尋的來源清單，占回答的 84%（單一個案）。
- 店家怎麼做
  - 冷啟動 Cold Start：把 S1 備好並盡早上線，持續累積 AI 曝光。
  - 熱啟動 Warm Start：把滿足 S1 的內容上線到 AI 流量樞紐。
- 時間的效果
  - 冷啟動 Cold Start：早上線能否擴大領先，仍待驗證。
  - 熱啟動 Warm Start：內容可供樞紐既有爬蟲讀取，實際成效仍須觀察。

### 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 是 AI 與搜尋引擎取得內容的步驟。包含抄回去訓練、建 AI 目錄與建搜尋目錄，合計 9,746 萬次。這裡只計為訓練或建目錄來讀，不代表已訓練或收錄。另有當場來讀 65 萬、具名 AI Agent 14.4 萬與機械爬蟲 723 萬。全部加起來，就是 AI、搜尋引擎與機械爬蟲合計的 1.055 億次。8/24 以前可能含重複請求。
- 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：本書按客人經搜尋或 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。指 AI 曝光累積可能增加後續取用，並擴大領先的假說。是否成立，須以同口徑與可比對象觀察。累積量增加本身，不能證明領先差距擴大。

### 問答

- 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。

### 本章三句話

- 讀取、引用與客人到站，是不同階段的成果。
- 比較數字前，要先對齊對象、期間與單位。
- 冷啟動與熱啟動的起點不同，個案時間不能當作承諾。

### 本週可以做的三件事

- 核對官網資料是否齊全，補上缺漏並上線。
- 替手上的成效紀錄標明來源、期間與單位。
- 把讀取、回答引用、客人到站與回流紀錄分開整理。

**下一章**　下一章你會看到 IDAEO 本站與早期實測店家的紀錄，以及怎麼讀統計範圍。

### 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在加入實測期間有什麼變化？

**為什麼排在這裡**　自家網站與早期實測店家提供第一方觀察數據；尚無對照組，不代表成果由 IDAEO 造成。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

**這張圖的作用**　八個里程碑與累積曲線，呈現網站從零到一億次請求的實績

**怎麼看**　按 1–8 的里程碑順序讀標題、做法與同期讀取，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；8/24 以前可能含重複請求。每張卡片下方標出對應學理。

**圖檔**　figures/fig-7-1.svg

**圖內文字**　IDAEO 成長里程碑：從零到一億次請求｜2026/3/3–10/8 · 八個里程碑：做了什麼、讀取如何成長｜①｜3/3｜量測正式啟動｜做了什麼：啟動 AI 到訪量測，｜建立基準。｜結果：首日 53 次；｜3 月 63.5 萬請求。｜學理：｜全程成效定律（成效衡量）｜逐日紀錄可查｜②｜3/9–3/17｜搜尋曝光同步展開｜做了什麼：公司頁開始獲得｜搜尋曝光。｜結果：4 月讀取 159 萬次。｜學理：｜受眾適配定律（受眾策略）｜逐日紀錄可查｜③｜4/15｜首位訪客由 AI 回答到站｜做了什麼：開始追蹤 AI 回答｜帶來的到站。｜結果：第一次有可核對的｜到站紀錄。｜學理：｜旅程設計 · S9 客人上門｜到站紀錄可查｜④｜5/20–5/23｜品牌知識呈現全面升級｜做了什麼：升級品牌資訊呈現，｜強化 AI 理解基礎。｜結果：5 月讀取 311 萬次。｜學理：｜身分連續定律（S1 店家就緒）｜逐日紀錄可查｜⑤｜6/1–6/12｜研究實證驅動優化｜做了什麼：彙整網路上相關｜論文，採用實測有效的方法｜優化。｜結果：6 月讀取 1,607 萬次。｜學理：｜理論基礎 · 17 項既有理論｜逐日紀錄可查｜⑥｜6/25–7/4｜IDAEO 新站建立｜做了什麼：直接使用｜IDAEO 完整方法論建站。｜結果：7 月讀取 2,597 萬次。｜學理：｜五大構面與九大要素｜逐日紀錄可查｜⑦｜7/17–8/22｜讀取表現再創高峰｜做了什麼：深化整體優化，｜提升 AI 取用的效率與｜穩定度。｜結果：8 月讀取 3,599 萬次。｜學理：｜AI 曝光數（S2–S4）｜逐日紀錄可查｜⑧｜9 月至 10/8｜累積突破一億次請求｜做了什麼：持續追蹤 AI 與｜搜尋引擎的累積讀取。｜結果：9 月 1,579 萬次。｜10 月至 10/8 讀取 634 萬次。｜累積 1.055 億次。｜學理：｜複利領先與活的學說｜逐日紀錄可查｜4 月｜5 月｜6 月｜7 月｜8 月｜9 月｜3/3｜10/8｜①｜②｜③｜④｜⑤｜⑥｜⑦｜⑧｜累積讀取請求（逐日累加）｜單位：請求 · 縱軸 0–1.1 億，線性｜5/20–8/23：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 →｜2,500 萬｜5,000 萬｜7,500 萬｜1 億｜①｜②｜③｜④｜⑤｜⑥｜⑦｜⑧｜10/8 累積 1.055 億｜AI Agent 自動瀏覽 1,795 萬（8/26–10/8）另列｜3/3｜4 月｜5 月｜6 月｜7 月｜8 月｜9 月｜10/8｜累積（月底）｜63.5 萬｜222 萬｜533 萬｜2,140 萬｜4,737 萬｜8,336 萬｜9,915 萬｜1.055 億｜口徑：累積含 AI 的工具 707.9 萬；AI Agent 自動瀏覽 1,795 萬（8/26–10/8）另列。｜圖上月量由逐日紀錄彙整；8/24 起採用平台認證的 AI 身分計數。｜S1 店家準備好 → S2 爬蟲來敲門；後續回答、辦事與回流依各自口徑呈現。｜ID｜EO

### 圖 7-2　AI 平台月排名消長圖

**這張圖的作用**　各家平台讀取量的月排名變化

**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。

**圖檔**　figures/fig-7-2.svg

**圖內文字**　各平台的月排名變化｜2026/3/3–10/8 · 每月讀取請求前十名（上方為第一名）· 10 月截至 10/8｜品牌色：｜Apple｜Anthropic｜OpenAI｜Microsoft｜Meta｜Amazon｜Google｜自家 AI 搜尋｜Perplexity｜DuckDuckGo｜中性色（名稱標在帶子兩端）：｜Yandex｜ByteDance｜Sogou｜Huawei｜Parallel｜TollBit｜Common Crawl｜3 月｜4 月｜5 月｜6 月｜7 月｜8 月｜9 月｜10 月（至 10/8）｜前十名以外｜前十名以外｜1｜23.7 萬｜2｜14.1 萬｜3｜10.2 萬｜4｜5｜6｜7｜8｜9｜10｜1｜44.4 萬｜2｜36.3 萬｜3｜34.9 萬｜4｜5｜6｜7｜8｜9｜10｜1｜165 萬｜2｜76.6 萬｜3｜30.2 萬｜4｜5｜6｜7｜8｜9｜10｜1｜573 萬｜2｜394 萬｜3｜245 萬｜4｜5｜6｜7｜8｜9｜10｜1｜1,071 萬｜2｜436 萬｜3｜383 萬｜4｜5｜6｜7｜8｜9｜10｜1｜1,266 萬｜2｜1,022 萬｜3｜601 萬｜4｜5｜6｜7｜8｜9｜10｜1｜269 萬｜2｜178 萬｜3｜168 萬｜4｜5｜6｜7｜8｜9｜10｜1｜163 萬｜2｜80.3 萬｜3｜32.6 萬｜4｜5｜6｜7｜8｜9｜10｜OpenAI｜Yandex｜Amazon｜Google｜Microsoft｜ByteDance｜Perplexity｜Apple｜Anthropic｜DuckDuckGo｜Meta｜Microsoft｜Anthropic｜Amazon｜OpenAI｜Apple｜Google｜Perplexity｜Yandex｜Sogou｜來源：IDAEO 第一方量測紀錄；每月按同一AI 平台請求量排序，只畫前十名。｜十月截至 10/8；AI 平台排名按逐家來源統計；AI Agent 自動瀏覽、AI 的工具與實測追蹤中另列。｜帶寬隨月請求量開根號變化；同一請求兼具兩種用途時，在同一AI 平台排名只計一次。｜ID｜EO

### 圖 7-3　早期實測店家成果：加入實測期間的變化

**這張圖的作用**　早期實測店家也一起驗證

**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，掌握加入實測期間的變化。接著看第一批店家官網加入 IDAEO 實測後的變化。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。尚無對照組，不代表因果。

**圖檔**　figures/fig-7-3.svg

**圖內文字**　早期實測店家成果：加入實測期間的變化｜2026/3–10 月 · 各區期間見分項 · IDAEO 第一方量測紀錄｜A｜店家頁的 Google 搜尋點擊（每月）｜IDAEO 平台上的店家頁｜3 月｜297｜4 月｜2,810｜5 月｜8,127｜6 月｜9,673｜7 月｜10,734｜8 月｜12,119｜9 月｜15,128｜連續七個月上升，9 月是 4 月的 5.4 倍｜B｜AI 把客人帶進店家頁（累積）｜AI 回答帶來的到站 · 4/15 起累計｜3 月｜4 月｜3｜5 月｜53｜6 月｜336｜7 月｜524｜8 月｜651｜9 月｜760｜至 10/8 累計 774 次｜約 5,067 萬次｜店家頁的 AI 曝光數（5/19–10/9 被 AI 讀取）｜先有 AI 曝光數，才有後面的旅程｜C｜第一批實測店家的官網｜加入 IDAEO 實測期間的變化（尚無對照組，不代表因果）｜官網｜參與實測｜第一批實測店家｜373,254｜次官網開啟｜4/11 起累積｜341｜次｜AI 帶來的到站｜行業｜5 月 → 9 月｜AI 帶來的到站｜育兒內容網站｜52,817｜55,286｜294 次｜ChatGPT 236、Gemini 35、｜Perplexity 15、Claude 6、Copilot 2｜餐飲設備製造商｜842｜1,275｜ChatGPT 15 次｜活動場景設計｜442｜1,741｜—｜皮件品牌｜555｜908｜ChatGPT 2 次｜髮廊｜74｜128｜—｜工作室｜3｜329｜—｜5 月與 9 月都有完整紀錄的官網中，多數成長、部分未成長｜D｜自家網站：和心村官網（旅館觀光產業）｜www.washinmura.jp · IDAEO 方法論的第一個實測場｜每 8 次讀取，就有 1 次是有人正在問 AI｜AI 當場來讀 11,333 次，占 AI 與搜尋引擎讀取 95,333 次的 11.9%｜S2–S4 AI 資訊取得｜95,333 次｜AI 與搜尋引擎讀取｜8/20–10/8｜S5 有人問 AI｜11,333 次｜AI 當場來讀｜ChatGPT 7,720、Claude 1,983、｜Perplexity 1,630｜S9 客人上門｜已收到由 AI 帶來的預訂｜預訂數據之後會公布｜Google 搜尋點擊 109,140 次、搜尋顯示 1,344,589 次｜3/3–10/8｜E｜第二批實測產業：7–8 月加入｜373,776 次 AI 曝光｜第二批實測產業的 IDA 頁 · 7/18–10/8 被 AI 讀取的次數｜誰來讀｜來做什麼｜Meta｜170,137｜OpenAI｜60,869｜Anthropic｜59,178｜Amazon｜37,218｜Apple｜36,744｜Microsoft｜9,407｜Common Crawl｜107｜Google｜102｜Perplexity｜11｜ByteDance｜3｜抄回去訓練｜327,365 次｜建 AI 目錄與搜尋目錄｜46,399 次｜當場來讀｜12 次｜當場來讀＝有人問 AI，AI 即時來讀這些頁面。｜IDA 頁的搜尋點擊與客人到站：實測追蹤中，之後會公布。｜產業官網（4–9 月合計）｜Copilot 引用｜37,793 次｜Bing 搜尋點擊｜10,177 次｜AI 引用是搜尋點擊的｜3.7 倍｜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。｜ID｜EO｜店家官網數字為整站開啟次數。

### 主張

- 主張：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。
  - 原因：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）。
- 主張：參與實測的中小企業，在加入 IDAEO 平台期間出現以下變化。
  - 原因：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。
- 主張：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。
  - 原因：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。
- 主張：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。
  - 原因：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。
- 主張：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。
  - 原因：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。
- 主張：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。
  - 原因：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。
- 主張：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）。
  - 原因：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。

### 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。

### 問答

- 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。

### 本章三句話

- 自家網站與早期實測店家，提供不同場景的第一方數據。
- 八個里程碑並列做法與同期讀取；8/24 前後計數口徑不同。
- 有完整紀錄的官網中，多數成長、部分未成長；尚無對照組，不代表因果。

### 本週可以做的三件事

- 把自己官網要記錄的對象與期間先寫下來，再開始記。
- 比較月量前，先核對各月的計數口徑。
- 記下自己官網的來訪變化，不拿別人的曲線當自己的預期。

**下一章**　下一章你會知道 IDAEO 的理論依據，以及它和市面 AI 能見度工具的差別。

### 自我檢查

用 IDAEO 本站、和心村與早期實測店家的不同場景，說明共同實測的意義；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，說明加入實測期間各場景出現什麼變化，以及為何尚不能說是因果。

## 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。學說架構在前面各章實測之後展開；七大定律仍需持續實測檢驗。

### 圖 8-1　AI 能見度定位圖：能見度在完整旅程的位置

**這張圖的作用**　AI 能見度指標與完整旅程相互對照，強調基本功是 S1–S4

**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。

**圖檔**　figures/fig-8-1.svg

**圖內文字**　旅程步驟｜接圖 2-1｜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｜誰在談｜AI 能見度的基本功：S1–S4｜AI 先讀得到你，回答裡才會有你｜外面說的「AI 能見度」｜AI 回答裡有沒有你｜下游：辦事、上門、回流｜外面還很少量｜外面量什麼｜各家工具｜IDAEO 旅程診斷涵蓋｜題目｜涵蓋｜幾種問法｜會出現你｜提及率｜被提到｜幾次、｜和同業比｜引用率｜有沒有｜連到你、｜講得對｜不對｜IDAEO 旅程診斷涵蓋｜IDAEO｜旅程診斷｜接圖 2-1｜資料齊嗎｜進得來嗎｜可取用嗎｜已收錄嗎｜有來讀嗎｜有點名嗎｜講對了嗎｜辦得成嗎｜有上門嗎｜有回來嗎｜IDAEO｜服務分級｜接圖 5-1｜AEO 曝光先被讀到｜AEO+ 口碑被點名｜IDA 品牌公關講對、上門、回來｜S1–S4 是基礎：缺了它，AI 較難讀到你自己的說法｜AI 先讀得到，回答裡才會有你；能見度是 S5–S7 的結果，地基在 S1–S4。｜ID｜EO｜原創架構 © 2026

### 圖 8-2　IDAEO 理論基礎對應圖

**這張圖的作用**　17 項既有理論依五大構面排列，每格列出處與應用

**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。箭頭是類比對應，不表示該理論證明了 IDAEO。

**圖檔**　figures/fig-8-2.svg

**圖內文字**　五大構面｜① 受眾策略｜對誰做｜② 旅程設計｜走哪幾步｜學理｜檢索增強生成｜Lewis 等 2020｜｜AI 回答前先檢索 →｜當場來讀｜委託代理｜Jensen、Meckling｜1976｜AI Agent 是｜客人的代理人｜AI 可讀標準｜RFC 9309、｜schema.org｜｜AI 讀網站有規矩｜→ AI 放行｜顧客旅程｜McKinsey 2009、｜Google 2011｜｜消費決策是有回流的循環 →｜十步驟｜注意力稀缺｜Simon 1971｜｜AI 一次只點名幾家 → S6｜五大構面｜④ 服務分級｜做到哪一級｜⑤ 成效衡量｜怎麼算成果｜學理｜信號理論｜Spence 1973｜｜信號要有代價、｜差的一方付不起，｜才可信 → 分級、｜徽章｜能力成熟度模型｜Paulk 等 1993｜｜能力分級，｜逐級往上→｜服務分級（三級）｜版本化定價｜Shapiro、Varian｜1998｜同一產品｜分版本提供 →｜服務分級（三級）｜內容不同｜效果層級｜Lavidge、Steiner｜1961｜知道、｜有好感、行動有先後｜→ 曝光、口碑、｜品牌公關｜聲量佔比｜Jones 1990｜｜聲量佔比要和市佔｜一起看 →｜AI 點名率｜古德哈特定律｜Goodhart 1975｜｜指標變目標就失準｜→ 不只看點擊，｜看 AI 每一步的取用｜五大構面｜③ 信任驗證｜憑什麼信｜學理｜資訊不對稱｜Akerlof 1970｜｜分不出好壞就不敢引｜用 → 需要驗證｜來源可信度｜Hovland、｜Weiss 1951｜｜同一句話，誰說的影｜響信不信 →｜每條事實標明是誰｜說的｜信任三要素｜Mayer 等 1995｜｜信任看能力、善意、｜正直，並隨行為更新｜→ 到期重驗｜實體解析｜Fellegi、Sunter｜1969｜同一家要多個｜欄位對上 →｜官方登記核驗｜資料溯源｜W3C PROV 2013｜｜每筆資料從哪來、｜何時 → 原文存真｜第三方認證中介｜Lizzeri 1999｜｜認證中介決定揭露多｜少資訊 → IDAEO｜逐條附出處，｜不替店家下結論｜ID｜EO｜原創架構 © 2026

### IDAEO 學說架構：七大定律、五大構面、九大要素

#### 七步串成有實測依據的方法論

學說的完整說明留到本章，先呈現實測數據，再說明理論架構與待檢驗的主張。林毅祥把實測、驗證與理論接在一起。再串起流程、診斷、解決方案與成效，形成 IDAEO。從第一方數據出發，以三地資料建立驗證模型；能否支撐可信事實，仍待實測。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。定律目前作為判斷原則，仍需實測檢驗。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。

### 圖 8-3　IDAEO 七大定律總圖

**這張圖的作用**　IDAEO 七大定律是全書核心

**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 0-2〈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 8-3 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。跨資料核對同一主體時，可看 AI 有沒有把不同內容連回同一主體。若身分一致仍被認錯，這條就要重查。

**圖檔**　figures/fig-8-3.svg

**圖內文字**　定律｜核心｜IDAEO 七大定律：AI 時代行銷的基本法則｜七大定律｜受眾適配定律｜Law of Audience｜Adaptation｜身分連續定律｜Law of Identity｜Continuity｜驗證獨立定律｜Law of｜Independent｜Verification｜事實先行定律｜Law of Fact｜Primacy｜主張溯源定律｜Law of Claim｜Traceability｜外部印證定律｜Law of External｜Corroboration｜全程成效定律｜Law of｜Full-Journey｜Outcomes｜一句話｜表達隨受眾｜而異｜主體身分｜始終一致｜驗證有成本，｜結論依事實｜可信內容始於｜已驗事實｜每項主張皆有｜可溯依據｜可信主張須有｜外部印證｜AI 各階段｜取用皆是成效｜為什麼｜人與 AI｜理解資訊的｜方式各異｜AI 對主體的認知｜靠長期累積｜公信力來自｜判斷不受｜委託左右｜經過核實，｜AI 才放心取用｜可追溯，AI｜才有引用的｜把握｜獨立觀點｜補足單方敘述｜顧客在 AI 回答｜中就完成決定｜對應構面｜① 受眾策略｜對誰做｜④ 服務分級｜做到哪一級｜③ 信任驗證｜憑什麼信｜⑤ 成效衡量｜怎麼算成果｜ID｜EO｜原創架構 © 2026

### IDAEO 怎麼建成：從實測到成效的七步

- 步驟：① 實測
  - 做了什麼：量測第一方數據，累積 1.055 億次請求（含 AI、搜尋引擎與機械爬蟲）。8/24 以前可能含重複請求。AI 曝光數為 9,746 萬次。這些數據與來訪者種類，作為行銷判斷的基礎。
  - 在哪裡看：見圖 6-1〈全程成效儀表板〉與第 1 章
- 步驟：② 驗證
  - 做了什麼：以日本、台灣、香港三地大數據建立 IDAEO 驗證模型。模型是否能支撐可信事實，仍需實測結果支持。
  - 在哪裡看：見圖 4-1〈IDAEO 驗證模型〉
- 步驟：③ 理論
  - 做了什麼：結合 17 項學理與 78 筆延伸文獻，讓行銷設計有理論出處。
  - 在哪裡看：見圖 8-2〈IDAEO 理論基礎對應圖〉與書末文獻
- 步驟：④ 流程
  - 做了什麼：建立 AI 顧客旅程四階段十步驟，把資訊準備接到顧客回流。
  - 在哪裡看：見圖 2-1〈AI 顧客旅程地圖〉
- 步驟：⑤ 診斷
  - 做了什麼：配置十道旅程診斷關卡，讓每一步有驗收重點。
  - 在哪裡看：見圖 2-2〈旅程診斷關卡圖〉
- 步驟：⑥ 解決方案
  - 做了什麼：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。
  - 在哪裡看：見圖 5-2〈成效指標對照矩陣〉與圖 5-1〈服務分級階梯圖〉
- 步驟：⑦ 成效
  - 做了什麼：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。
  - 在哪裡看：見圖 6-1〈全程成效儀表板〉

### 主張

- 主張：外界 AI 能見度主要對應 S5–S7 的回答階段。
  - 原因：工具透過提問觀察品牌是否被提及，焦點在 AI 的回答。
- 主張：AI 能見度的基本功是 S1–S4
  - 原因：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。
- 主張：IDAEO 把 S1–S4 的基礎與 S8–S10 的行動、轉換、回流接進同一旅程。
  - 原因：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。
- 主張：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。
  - 原因：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。
- 主張：圖列 17 項既有理論，完整文獻見書末「理論基礎與文獻」。
  - 原因：圖中列出設計對應；完整文獻可查作者、年份與出處。
- 主張：每月的新數據與實測驗證，持續增強 IDAEO 的理論與實證基礎。
  - 原因：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。

### 問答

- 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。

### 本章三句話

- 市面工具主要看 S5–S7；IDAEO 也看 S8–S10。
- S1–S4 是基礎；缺了它，AI 較難讀到你自己的說法。
- IDAEO 結合 17 項既有理論與延伸文獻，作者、年份和出處可查。

### 本週可以做的三件事

- 整理官網的基本資訊，檢查是否一致且完整。
- 問 AI 你的店，核對有沒有被提到、講得對不對。
- 比較不同 AI 能見度工具時，先對齊題目範圍、觀察期間與指標定義。

**下一章**　接著看書末「這本書怎麼長大」。

### 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。

## 一家店本週能做的十件事

這十件是準備，不是成效保證。每件都是店家自己做得完的事。

1. **寫一份事實底稿**　寫下名稱、地址、電話、營業時間、做什麼、為什麼可信。形容詞改成可核對的事實，例如開業年、品項、價格。每條單獨一句，附出處與日期，自己逐條對一遍。
   - 對應：對應 S1；事實先行、主張溯源定律；見第 2 章問答、第 4 章問答、圖 4-1；W3C PROV 見圖 8-2
2. **全網同一寫法**　官網、地圖、各平台上的店名、地址、時段逐字一致。把各處並排貼在一起。自己能改的頁就改成同一寫法；別人的頁標待查。
   - 對應：對應 S1；身分連續定律；見圖 2-5 ③、圖 8-2 實體解析（Fellegi & Sunter 1969）
3. **確認進得來，放不放行自己決定**　確認頁面打得開、站內找得到，並檢查網站對爬蟲公布的讀取規則。爬蟲能不能進來由你的網站設定決定；各平台的訓練用途政策另看平台說明。
   - 對應：對應 S2；關卡問句「進得來嗎」；見第 2 章問答；RFC 9309 見圖 8-2
4. **給機器一份讀得懂的版本**　把事實底稿整理成機器讀得懂的格式：網頁上的結構化資料，以及一份給 AI 看的內容導覽檔。這一步可以自己做，也可以請第三方協助。做完對照底稿，看有沒有漏項。
   - 對應：對應 S1；受眾適配定律；schema.org 見圖 8-2；llms.txt（Howard 2024）見書末文獻
5. **一頁答一題**　客人最常問的事，各寫一頁短答：怎麼預約、價格、怎麼到、適合誰。每句都要能對回事實底稿，對不回的就刪掉。
   - 對應：對應 S5、S7；見圖 2-5 ②；檢索增強生成（Lewis 等 2020）見圖 8-2
6. **對帳別人寫到你的頁**　看各平台上寫到你的資料，以及第三方確認過的頁，是否仍是底稿那一句。不一致時，自己頁面有錯就改，外部頁面有錯就標待查，不另寫一套說法。
   - 對應：對應 S4–S5；外部印證定律；見圖 2-5 ③④；Chen 等 2025 見書末文獻
7. **清掉過期資訊或標上日期**　找出停賣品項、舊價格、舊時段。能刪就刪，不能刪就標明已停用與適用日期。每次改價或改時段時，順手檢查一次。
   - 對應：對應 S7；見第 4 章「逐項驗證事實，並持續確認時效」與到期重驗
8. **讓事情辦得成**　預約、聯絡、到店路線，寫成人與機器都能照著辦的句子。然後自己照著走一遍，看卡在哪裡。
   - 對應：對應 S8；關卡問句「辦得成嗎」；見第 1 章 AI Agent 替客人辦事；委託代理見圖 8-2
9. **用客人會問的句子，自己問幾家 AI**　用客人會問的說法去問，記下有沒有點名你、講對沒有。講錯的，回去改第 1 件與第 6 件。附來源的回答也可能出錯，所以要自己對照底稿。
   - 對應：對應 S6、S7；見第 3 章問答「定期向多家 AI 提問，確認點名與回答正確性」；Venkit 等 2025 見書末文獻
10. **紀錄分開看，記下起點**　把既有的到站、詢問、回流紀錄按事件分開看，來源不明就標未知。先記下現在的樣子，之後每月回看第 9 件的答案有沒有變。不要只盯單一指標。
   - 對應：對應 S9、S10；見第 3 章「各來源的成果依單位分別解讀」、圖 6-1、冷啟動時間軸見圖 6-6；古德哈特定律

### 別做的事

- 不要在頁面裡藏給 AI 看的指令，或堆砌關鍵字。研究顯示，頁面上加一段字可能左右 AI 的推薦（Kumar & Lakkaraju 2024）。
- 不要用誇大或無法核對的形容詞當事實。改寫成可核對的事實，見第 1 件。
- 不要為了討好某一家 AI 改寫事實。網頁文字可操縱 AI 推薦排序（Pfrommer 等 2024）；競相操縱時，各方表現會一起變差（Nestaas 等 2025）。
- 不要把某一次問 AI 的結果當成定論。只看單一結果，容易誤判。

## 這本書怎麼長大

這本書是活的。每月的新數據，先發表在 km.idaeo.ai/idaeo，書每月出新版。每次改了什麼，可看更新日誌：km.idaeo.ai/idaeo/changelog.html。正文裡寫「之後公布」的項目，都集中列在下面。

### 下一版起會補的項目

- AI 回答的點名率與正確率的全平台數字。
- AI 回訪量的數字。
- Google 生成式 AI 曝光的本站數值。
- 搜尋點擊與客人到站的實測，涵蓋第二批實測產業。
- Copilot 以外其他平台的 AI 引用數據，並標清來源與期間。
- AI 帶來的預訂數據。
- 圖上 S6 的搜尋端顯示，與 AI 回答點名的同頁逐筆交叉驗證。
- 在地搜尋的實測。

**參與**　想參與實測，請見 km.idaeo.ai/idaeo/participate。

## 關於作者

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。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。

## 本書用法與市面對照

同一個詞可能有不同用法，以下對照本書定義與市面名稱。

- GEO：本書用法：本書的 GEO 是提升內容在生成式回答中可見度的優化領域，沿用 Aggarwal 等（2024）的用法。建 AI 目錄是 S4 功能名，不是 GEO。　市面用法：生成式引擎優化，關注內容在生成式回答裡的可見度。
- AEO（領域）：本書用法：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。這是優化領域，不是服務分級；服務第一級叫 AEO 曝光，只涵蓋 S1–S4。　市面用法：讓內容被答案引擎取用或引用。
- AEO 曝光：本書用法：方案名，涵蓋 S1–S4，目標是讓內容先被讀到。回答裡被點名屬 AEO+ 口碑（S5–S6），列為出處屬 S7。　市面用法：市面常把 AEO 理解成被答案引擎引用。
- LLMO：本書用法：本書的 LLMO 是面向模型訓練的優化。訓練用途的讀取可被觀察，但不等於模型已訓練或記住你。　市面用法：名稱是大型語言模型優化（Large Language Model Optimization）。
- AIO：本書用法：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。　市面用法：市面可指 AI 摘要優化，也可作 AI 優化的總稱。

AEO 著重讓 AI 回答取用內容，GEO 著重提升生成式回答中的可見度；兩個優化領域會重疊。

## 名詞總表

- English：Marketing　繁體中文：行銷　简体中文：营销　日本語：マーケティング　行銷學對應：行銷學　定義：涵蓋線上與線下，讓對的客人找到你、相信你、選擇你。
- English：AI-Era Marketing　繁體中文：AI 時代行銷學　简体中文：AI 时代营销学　日本語：AI時代のマーケティング学　行銷學對應：行銷學　定義：客人直接問 AI 的時代，對人與 AI 一起做的行銷。
- English：The Seven Laws of IDAEO　繁體中文：IDAEO 七大定律　简体中文：IDAEO 七大定律　日本語：IDAEOの七大法則　行銷學對應：行銷原則　定義：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。
- English：Marketing Audiences　繁體中文：行銷受眾　简体中文：营销受众　日本語：マーケティング・オーディエンス　行銷學對應：目標受眾　定義：行銷需要接觸並理解其需求的人與 AI。
- English：Humans　繁體中文：人類　简体中文：人类　日本語：人（生活者）　行銷學對應：消費者　定義：透過搜尋、AI 或在地搜尋尋找店家的人。
- English：Search Engine Crawlers　繁體中文：搜尋引擎爬蟲　简体中文：搜索引擎爬虫　日本語：検索エンジンクローラー　行銷學對應：搜尋通路　定義：替搜尋引擎建目錄、做 AI 摘要的 AI。
- English：AI Crawlers　繁體中文：AI 爬蟲　简体中文：AI 爬虫　日本語：AIクローラー　行銷學對應：AI 通路　定義：替 AI 公司抄回去訓練、建 AI 目錄、當場來讀的 AI。
- English：AI Agents　繁體中文：AI Agent　简体中文：AI Agent　日本語：AIエージェント　行銷學對應：代客決策者　定義：替客人辦事的 AI。
- English：Automated Bots　繁體中文：機械爬蟲　简体中文：机械爬虫　日本語：自動サービスボット　行銷學對應：資訊接觸　定義：提供資訊分析與網頁預覽等自動化資訊服務的 AI。
- English：Optimization Domains　繁體中文：優化領域　简体中文：优化领域　日本語：最適化領域　行銷學對應：通路優化　定義：依行銷受眾與資訊功能劃分的優化範圍。
- English：Search Engine Optimization　繁體中文：SEO　简体中文：搜索引擎优化　日本語：検索エンジン最適化　行銷學對應：搜尋行銷　定義：讓搜尋引擎收錄你、排得到你。
- English：AI Overview Optimization　繁體中文：AIO　简体中文：AI 概览优化　日本語：AIによる概要の最適化　行銷學對應：搜尋行銷　定義：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。
- English：Large Language Model Optimization　繁體中文：LLMO　简体中文：大语言模型优化　日本語：LLM最適化　行銷學對應：品牌知名度　定義：本書的 LLMO 是面向模型訓練的優化。訓練用途的讀取可被觀察，但不等於模型已訓練或記住你。
- English：Generative Engine Optimization　繁體中文：GEO　简体中文：生成式引擎优化　日本語：生成エンジン最適化　行銷學對應：內容行銷　定義：本書的 GEO 是提升內容在生成式回答中可見度的優化領域，沿用 Aggarwal 等（2024）的用法。建 AI 目錄是 S4 功能名，不是 GEO。
- English：Answer Engine Optimization　繁體中文：AEO　简体中文：答案引擎优化　日本語：アンサーエンジン最適化　行銷學對應：即時服務　定義：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。這是優化領域，不是服務分級；服務第一級叫 AEO 曝光，只涵蓋 S1–S4。
- English：Map Engine Optimization (Local SEO)　繁體中文：MEO　简体中文：地图引擎优化　日本語：MEO（マップエンジン最適化）　行銷學對應：在地行銷　定義：讓客人透過在地搜尋找到你。
- English：Customer Journey　繁體中文：顧客旅程　简体中文：顾客旅程　日本語：カスタマージャーニー　行銷學對應：顧客體驗　定義：客人從需求形成、取得資訊到選擇與回流的歷程。
- English：S1 Prepare　繁體中文：S1 店家準備好　简体中文：S1 店家准备好　日本語：S1 準備　行銷學對應：資訊準備　定義：店家資料齊，供人與 AI 理解品牌資訊。
- English：S2 Crawl　繁體中文：S2 爬蟲來敲門　简体中文：S2 爬虫来敲门　日本語：S2 クロール　行銷學對應：觸及　定義：AI 到站取得品牌資訊。
- English：S3 Train　繁體中文：S3 抄回去訓練　简体中文：S3 抄回去训练　日本語：S3 学習　行銷學對應：品牌記憶　定義：AI 取得內容供模型訓練使用。
- English：S4 Index　繁體中文：S4 建目錄　简体中文：S4 建目录　日本語：S4 インデックス　行銷學對應：資訊收錄　定義：搜尋與 AI 將內容納入目錄。
- English：S5 Ask　繁體中文：S5 有人問 AI　简体中文：S5 有人问 AI　日本語：S5 質問　行銷學對應：需求形成　定義：客人提出需求，AI 接續取得作答資訊。
- English：S6 Mention　繁體中文：S6 AI 點名幾家　简体中文：S6 AI 点名几家　日本語：S6 言及　行銷學對應：考慮名單　定義：AI 在回答中點名相關店家。
- English：S7 Answer　繁體中文：S7 AI 回答細節　简体中文：S7 AI 回答细节　日本語：S7 回答　行銷學對應：資訊評估　定義：AI 回答店家的具體資訊。
- English：S8 Act　繁體中文：S8 替客人辦事　简体中文：S8 替客人办事　日本語：S8 代行　行銷學對應：代客行動　定義：AI Agent 替客人查詢、預約與執行任務。
- English：S9 Visit　繁體中文：S9 客人上門　简体中文：S9 客人上门　日本語：S9 来訪　行銷學對應：顧客轉換　定義：客人點進網站或到店採取行動。
- English：S10 Return　繁體中文：S10 回來再問　简体中文：S10 回来再问　日本語：S10 再訪　行銷學對應：顧客忠誠　定義：客人再次提出需求並回流。
- English：Journey Diagnostics　繁體中文：旅程診斷　简体中文：旅程诊断　日本語：ジャーニー診断　行銷學對應：行銷稽核　定義：依旅程步驟與成效指標確認進展及改善重點。
- English：Ten Diagnostic Gates　繁體中文：十道診斷關卡　简体中文：十道诊断关卡　日本語：十の診断ゲート　行銷學對應：旅程管理　定義：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。
- English：Triangulated Verification　繁體中文：三角驗證　简体中文：三角验证　日本語：三角検証（トライアンギュレーション）　行銷學對應：來源可信度　定義：結合官方、本方與第三方證據形成可信判斷的原則。
- English：Official Source　繁體中文：官方　简体中文：官方　日本語：公的情報源　行銷學對應：來源可信度　定義：政府公開登記等公部門提供的資訊。
- English：First-Party Source　繁體中文：本方　简体中文：本方　日本語：当事者情報源　行銷學對應：品牌主張　定義：店家或本人對自身資訊提出的說明。
- English：Third-Party Source　繁體中文：第三方　简体中文：第三方　日本語：第三者情報源　行銷學對應：外部印證　定義：外部獨立來源提供的公開資訊。
- English：IDAEO Service Tiers　繁體中文：服務分級（三級）　简体中文：服务分级（三级）　日本語：サービス階層　行銷學對應：服務設計　定義：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。ID → IDA → AEO 是書名的做法順序：身分，官方、可查證的身分資料，再被答案引擎取用。AEO → AEO+ → IDA 是服務深度：先被讀到（S1–S4），被點名（S5–S6），再講對、上門、回來（S7–S10，含前兩級）。字母相同，順序不同；書名裡的 AEO 是優化領域，不是第一級方案。封面標語描述全書追求的成果，不是某一級方案名。
- English：AEO Exposure — Gets read first (S1–S4)　繁體中文：AEO 曝光 — 先被讀到（S1–S4）　简体中文：AEO 曝光 — 先被读到（S1–S4）　日本語：AEO露出 — まず読まれる（S1–S4）　行銷學對應：品牌曝光　定義：方案名，只涵蓋 S1–S4，目標是先被讀到。不是市面所說的被答案引擎點名或引用；被點名是下一級 AEO+ 口碑（S5–S6），列為出處屬 S7。
- English：AEO+ Word of Mouth — Named in the answer (S5–S6)　繁體中文：AEO+ 口碑 — 被點名（S5–S6）　简体中文：AEO+ 口碑 — 被点名（S5–S6）　日本語：AEO+ クチコミ — 言及される（S5–S6）　行銷學對應：口碑行銷　定義：涵蓋 S5–S6，以 AI 在回答裡點名你建立口碑；是否推薦要另看回答內容。AI 時代的口碑＝AI 替你說（AI Word of Mouth）。
- English：IDA Brand PR — Described right, visit, return (S7–S10, includes the first two tiers)　繁體中文：IDA 品牌公關 — 講對、上門、回來（S7–S10，含前兩級）　简体中文：IDA 品牌公关 — 讲对、上门、回来（S7–S10，含前两级）　日本語：IDAブランドPR — 正しく語られ、来訪、再訪（S7–S10、前の二階層を含む）　行銷學對應：品牌公關　定義：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。它是服務最高級的方案名。書名裡的 IDA 是身分資料權威，驗證模型裡的 IDA 驗證是方法。三個 IDA 同字，範圍不同。
- English：Performance Metrics　繁體中文：成效指標　简体中文：成效指标　日本語：成果指標　行銷學對應：行銷成效衡量　定義：對應旅程各步成果的九項衡量依據。
- English：AI Readiness Score　繁體中文：AI 就緒分　简体中文：AI 就绪分　日本語：AIレディネス・スコア　行銷學對應：準備度評估　定義：一家店在 S1 準備得多齊，0 到 100 分。
- English：AI Crawl Volume　繁體中文：AI 讀取量　简体中文：AI 读取量　日本語：AIクロール数　行銷學對應：AI 曝光　定義：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。
- English：AI Real-Time Retrievals　繁體中文：AI 當場來讀量　简体中文：AI 当场来读量　日本語：AIリアルタイム取得数　行銷學對應：即時需求　定義：AI 依客人提問即時取得內容的次數。
- English：AI Mention Rate　繁體中文：AI 點名率　简体中文：AI 点名率　日本語：AI言及率　行銷學對應：品牌提及　定義：同一組題目中，AI 點名店家的比例。
- English：AI Answer Accuracy Rate　繁體中文：AI 正確率　简体中文：AI 正确率　日本語：AI回答正確率　行銷學對應：資訊品質　定義：AI 回答店家資訊時，與已驗事實相符的比例。
- English：AI Citations　繁體中文：AI 引用量　简体中文：AI 引用量　日本語：AI引用数　行銷學對應：引用成果　定義：AI 回答將內容列為出處的次數。
- English：AI Agent Visits　繁體中文：AI Agent 到站量　简体中文：AI Agent 到站量　日本語：AIエージェント訪問数　行銷學對應：代理接觸　定義：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。
- English：Search & AI Referral Visits　繁體中文：AI 導客量　简体中文：AI 导客量　日本語：検索・AI経由流入数　行銷學對應：導流　定義：本書按客人經搜尋或 AI 點進網站的次數衡量。
- English：AI Return Visits　繁體中文：AI 回訪量　简体中文：AI 回访量　日本語：AI再訪数　行銷學對應：顧客回流　定義：同一位客人再次提問與到訪的成果。
- English：AI Content Use　繁體中文：AI 取用　简体中文：AI 取用　日本語：AIによるコンテンツ利用　行銷學對應：內容成效　定義：AI 讀取、回答引用與代客行動中的內容使用。
- English：AI Visibility　繁體中文：AI 能見度　简体中文：AI 能见度　日本語：AI可視性　行銷學對應：品牌能見度　定義：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。
- English：First-Party Data　繁體中文：第一方數據　简体中文：第一方数据　日本語：ファーストパーティデータ　行銷學對應：第一方數據　定義：IDAEO 直接量測並累積的數據，用來建立方法論與驗收成效。
- English：Organic Traffic　繁體中文：自然流量　简体中文：自然流量　日本語：自然流入　行銷學對應：自然觸及　定義：客人經搜尋或 AI 點進網站的次數。
- English：Tracking in Progress　繁體中文：實測追蹤中　简体中文：实测跟踪中　日本語：計測中　行銷學對應：成效量測　定義：由 IDAEO 持續累積量測成果，之後會公布。
- English：Black Box　繁體中文：黑盒子　简体中文：黑盒子　日本語：ブラックボックス　行銷學對應：決策過程　定義：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。
- English：Five Marketing Audiences　繁體中文：五類行銷受眾　简体中文：五类营销受众　日本語：五つのマーケティング・オーディエンス　行銷學對應：目標受眾　定義：人類、搜尋引擎爬蟲、AI 爬蟲、AI Agent 與機械爬蟲。
- English：Four AI Audiences　繁體中文：四類 AI 受眾　简体中文：四类 AI 受众　日本語：四つのAIオーディエンス　行銷學對應：AI 顧客　定義：搜尋引擎爬蟲、AI 爬蟲、AI Agent 與機械爬蟲。
- English：Six Optimization Domains　繁體中文：六大優化領域　简体中文：六大优化领域　日本語：六つの最適化領域　行銷學對應：通路優化　定義：SEO、AIO、AEO、GEO、LLMO、MEO 共同涵蓋的優化範圍。AIO 管搜尋引擎 AI 摘要優化，AEO 管 AI 回答與當場來讀。GEO 是提升內容在生成式回答中可見度的優化領域，與 AEO 的回答階段重疊。LLMO 面向模型訓練，以訓練用途的讀取觀察接觸。建 AI 目錄是 S4 功能名。
- English：Five Dimensions of IDAEO Marketing　繁體中文：IDAEO 行銷五大構面　简体中文：IDAEO 营销五大构面　日本語：IDAEOマーケティングの五つの構成軸　行銷學對應：行銷架構　定義：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。
- English：Audience Strategy　繁體中文：受眾策略　简体中文：受众策略　日本語：オーディエンス戦略　行銷學對應：目標市場　定義：對誰做：依行銷受眾的需求安排資訊與接觸。
- English：Journey Design　繁體中文：旅程設計　简体中文：旅程设计　日本語：ジャーニー設計　行銷學對應：顧客體驗　定義：走哪幾步：把品牌接觸、AI 取用與顧客行動連成旅程。
- English：Trust and Verification　繁體中文：信任驗證　简体中文：信任验证　日本語：信頼と検証　行銷學對應：品牌信任　定義：憑什麼信：以可信事實與外部印證支持品牌主張。
- English：Performance Measurement　繁體中文：成效衡量　简体中文：成效衡量　日本語：成果測定　行銷學對應：行銷績效　定義：怎麼算成果：用對應各步的指標解讀取用與轉換價值。
- English：Nine Elements of the IDAEO Framework　繁體中文：IDAEO 架構九大要素　简体中文：IDAEO 架构九大要素　日本語：IDAEOフレームワークの九要素　行銷學對應：行銷架構　定義：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。
- English：IDAEO Solutions　繁體中文：IDAEO 解決方案　简体中文：IDAEO 解决方案　日本語：IDAEOソリューション　行銷學對應：行銷支援　定義：對應顧客旅程與行銷目標的專業服務。
- English：Verification Principles　繁體中文：驗證原則　简体中文：验证原则　日本語：検証原則　行銷學對應：可信度　定義：以已驗事實、可溯依據與外部印證建立可信主張。
- English：AI Customer Journey: Four Phases, Ten Steps　繁體中文：AI 顧客旅程：四階段十步驟　简体中文：AI 顾客旅程：四阶段十步骤　日本語：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　行銷學對應：顧客旅程　定義：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。
- English：Merchant Readiness　繁體中文：店家就緒　简体中文：店家就绪　日本語：店舗レディネス　行銷學對應：資訊準備　定義：S1 階段的品牌資訊已為人與 AI 的理解做好準備。
- English：AI Information Acquisition　繁體中文：AI 資訊取得　简体中文：AI 信息获取　日本語：AIによる情報取得　行銷學對應：資訊接觸　定義：S2–S4 階段由 AI 取得供搜尋、訓練與回答使用的資訊。
- English：AI-Assisted Decision and Action　繁體中文：AI 輔助決策與行動　简体中文：AI 辅助决策与行动　日本語：AIによる意思決定・行動支援　行銷學對應：決策支援　定義：S5–S8 階段由 AI 回應需求、點名品牌、回答細節與代客行動。
- English：Customer Conversion and Re-engagement　繁體中文：顧客轉換與回流　简体中文：顾客转化与回流　日本語：顧客のコンバージョンと再エンゲージメント　行銷學對應：轉換與關係經營　定義：S9–S10 階段由客人採取行動並再次接觸品牌。
- English：AI Impressions　繁體中文：AI 曝光數　简体中文：AI 曝光数　日本語：AIインプレッション数　行銷學對應：曝光衡量　定義：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。
- English：Automated Information Services　繁體中文：自動化資訊服務　简体中文：自动化信息服务　日本語：自動化情報サービス　行銷學對應：資訊服務　定義：機械爬蟲提供的資訊整理、分析與網頁預覽等服務。
- English：Local Search　繁體中文：在地搜尋　简体中文：本地搜索　日本語：ローカル検索　行銷學對應：在地行銷　定義：客人依地點與附近需求尋找店家或服務。
- English：IDAEO Learners　繁體中文：IDAEO 學習者　简体中文：IDAEO 学习者　日本語：IDAEO学習者　行銷學對應：行銷教育　定義：希望理解並運用 AI 時代行銷學的大眾。
- English：Law of Audience Adaptation　繁體中文：受眾適配定律　简体中文：受众适配定律　日本語：オーディエンス適応の法則　行銷學對應：受眾策略　定義：表達隨受眾而異，因為人與 AI 理解資訊的方式不同。
- English：Law of Identity Continuity　繁體中文：身分連續定律　简体中文：身份连续定律　日本語：アイデンティティ連続性の法則　行銷學對應：品牌認知　定義：主體身分始終一致；AI 對主體的認知靠長期累積。
- English：Law of Independent Verification　繁體中文：驗證獨立定律　简体中文：验证独立定律　日本語：独立検証の法則　行銷學對應：品牌信任　定義：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。
- English：Law of Fact Primacy　繁體中文：事實先行定律　简体中文：事实先行定律　日本語：事実優先の法則　行銷學對應：可信度　定義：可信內容始於已驗事實；經過核實，AI 才放心取用。
- English：Law of Claim Traceability　繁體中文：主張溯源定律　简体中文：主张溯源定律　日本語：主張の追跡可能性の法則　行銷學對應：來源可信度　定義：每項主張皆有可溯依據；可追溯，AI 才有把握引用。
- English：Law of External Corroboration　繁體中文：外部印證定律　简体中文：外部印证定律　日本語：外部裏付けの法則　行銷學對應：外部印證　定義：可信主張須有外部印證，因為獨立觀點補足單方敘述。
- English：Law of Full-Journey Outcomes　繁體中文：全程成效定律　简体中文：全程成效定律　日本語：ジャーニー全体の成果の法則　行銷學對應：行銷成效　定義：AI 各階段取用皆是成效，因為顧客在 AI 回答中就完成決定。
- English：IDAEO Verification Model　繁體中文：IDAEO 驗證模型　简体中文：IDAEO 验证模型　日本語：IDAEO 検証モデル　行銷學對應：品牌信任　定義：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。
- English：Cold Start　繁體中文：冷啟動　简体中文：冷启动　日本語：コールドスタート　行銷學對應：流量累積　定義：AI 流量從 0 累積，業界經驗值約 90 天。
- English：Warm Start　繁體中文：熱啟動　简体中文：热启动　日本語：ウォームスタート　行銷學對應：流量累積　定義：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）。
- English：AI Traffic Hub　繁體中文：AI 流量樞紐　简体中文：AI 流量枢纽　日本語：AIトラフィック・ハブ　行銷學對應：通路與平台　定義：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。
- English：Compounding Lead　繁體中文：複利領先　简体中文：复利领先　日本語：複利的リード　行銷學對應：流量累積　定義：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。
- English：AI Platforms　繁體中文：AI 平台　简体中文：AI 平台　日本語：AIプラットフォーム　行銷學對應：通路與平台　定義：營運搜尋引擎、AI 服務與爬蟲的公司，例如 Google、OpenAI、Microsoft、Anthropic、Apple、Meta。
- English：Living Theory　繁體中文：活的學說　简体中文：活的学说　日本語：生きている理論　行銷學對應：行銷學　定義：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。

### 本書圖 8-2 列出的 17 項學理（19 筆出處）

- 理論：檢索增強生成
  - 出處：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。
  - IDAEO 怎麼用：AI 回答前先檢索 → 當場來讀
- 理論：委託代理
  - 出處：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。
  - IDAEO 怎麼用：AI Agent 是客人的代理人
- 理論：AI 可讀標準（robots 協定）
  - 出處：Koster, M., Illyes, G., Zeller, H., & Sassman, L.（2022）。Robots Exclusion Protocol。RFC 9309，IETF（Proposed Standard），2022 年 9 月。
  - IDAEO 怎麼用：AI 讀網站有規矩 → AI 放行
- 理論：AI 可讀標準（結構化資料詞彙）
  - 出處：Schema.org。About Schema.org。Schema.org 社群（創始公司：Google、Microsoft、Yahoo、Yandex）。
  - IDAEO 怎麼用：AI 讀網站有規矩 → AI 放行
- 理論：顧客旅程（消費者決策旅程）
  - 出處：Court, D., Elzinga, D., Mulder, S., & Vetvik, O. J.（2009）。The consumer decision journey。McKinsey Quarterly，2009 年 6 月。
  - IDAEO 怎麼用：消費決策是有回流的循環 → 十步驟
- 理論：顧客旅程（零關鍵時刻 ZMOT）
  - 出處：Lecinski, J.（2011）。Winning the Zero Moment of Truth。Google（免費電子書）。
  - IDAEO 怎麼用：客人在購買前先上網查，路徑可前進也可回頭 → 十步驟
- 理論：注意力稀缺
  - 出處：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。
  - IDAEO 怎麼用：資訊愈多，注意力愈稀缺 → S6 AI 一次只點名幾家
- 理論：資訊不對稱
  - 出處：Akerlof, G. A.（1970）。The Market for "Lemons": Quality Uncertainty and the Market Mechanism。The Quarterly Journal of Economics, 84(3), 488–500。
  - IDAEO 怎麼用：品質資訊不對稱影響交易判斷 → 以驗證補足可信依據
- 理論：來源可信度
  - 出處：Hovland, C. I., & Weiss, W.（1951）。The Influence of Source Credibility on Communication Effectiveness。Public Opinion Quarterly, 15(4), 635–650。
  - IDAEO 怎麼用：誰說的，會影響人信不信 → 主張溯源定律：每項主張都附來源
- 理論：信任三要素
  - 出處：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。
  - IDAEO 怎麼用：信任看能力、善意、正直，並隨行為更新 → 信任隨時效更新
- 理論：實體解析
  - 出處：Fellegi, I. P., & Sunter, A. B.（1969）。A Theory for Record Linkage。Journal of the American Statistical Association, 64(328), 1183–1210。
  - IDAEO 怎麼用：同一家要多個欄位對上 → 身分連續定律
- 理論：資料溯源
  - 出處：Moreau, L., & Missier, P.（編）（2013）。PROV-DM: The PROV Data Model。W3C Recommendation，2013 年 4 月 30 日。
  - IDAEO 怎麼用：每筆資料從哪來、何時 → 主張溯源定律
- 理論：第三方認證中介
  - 出處：Lizzeri, A.（1999）。Information Revelation and Certification Intermediaries。The RAND Journal of Economics, 30(2), 214–231。
  - IDAEO 怎麼用：認證中介決定揭露多少資訊 → 驗證獨立定律
- 理論：信號理論
  - 出處：Spence, M.（1973）。Job Market Signaling。The Quarterly Journal of Economics, 87(3), 355–374。
  - IDAEO 怎麼用：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
- 理論：能力成熟度模型
  - 出處：Paulk, M. C., Curtis, B., Chrissis, M. B., & Weber, C. V.（1993）。Capability maturity model, version 1.1。IEEE Software, 10(4), 18–27。
  - IDAEO 怎麼用：能力分級，逐級往上 → 服務分級
- 理論：版本化定價
  - 出處：Shapiro, C., & Varian, H. R.（1998）。Versioning: The Smart Way to Sell Information。Harvard Business Review, 76(6), 106–114。
  - IDAEO 怎麼用：同一產品分版本提供 → 服務分級內容不同
- 理論：效果層級
  - 出處：Lavidge, R. J., & Steiner, G. A.（1961）。A Model for Predictive Measurements of Advertising Effectiveness。Journal of Marketing, 25(6), 59–62。
  - IDAEO 怎麼用：知道、有好感、行動有先後 → 曝光、口碑、品牌公關
- 理論：聲量佔比
  - 出處：Jones, J. P.（1990）。Ad Spending: Maintaining Market Share。Harvard Business Review, 68(1), 38–42。
  - IDAEO 怎麼用：廣告聲量佔比要和市佔一起看 → 借這個概念量 AI 點名率
- 理論：古德哈特定律
  - 出處：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）
  - IDAEO 怎麼用：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

- 理論：行銷的官方定義
  - 出處：American Marketing Association。Definition of Marketing。AMA 官方網站（2026/10/11 查閱）。
  - IDAEO 怎麼用：行銷是為顧客與社會創造並交換價值的活動 → 對象擴及 AI
- 理論：AIDA（注意、興趣、慾望、行動）
  - 出處：Strong, E. K., Jr.（1925）。Theories of selling。Journal of Applied Psychology, 9(1), 75–86。
  - IDAEO 怎麼用：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
- 理論：顧客旅程與顧客體驗
  - 出處：Lemon, K. N., & Verhoef, P. C.（2016）。Understanding Customer Experience Throughout the Customer Journey。Journal of Marketing, 80(6), 69–96。
  - IDAEO 怎麼用：旅程分消費決策前、中、後與多接觸點 → 十步驟加入 AI 接觸點
- 理論：以顧客為基礎的品牌權益
  - 出處：Keller, K. L.（1993）。Conceptualizing, Measuring, and Managing Customer-Based Brand Equity。Journal of Marketing, 57(1), 1–22。
  - IDAEO 怎麼用：品牌資產來自顧客腦中的品牌知識 → 延伸到 AI 腦中的知識
- 理論：服務主導邏輯
  - 出處：Vargo, S. L., & Lusch, R. F.（2004）。Evolving to a New Dominant Logic for Marketing。Journal of Marketing, 68(1), 1–17。
  - IDAEO 怎麼用：價值在使用中與顧客共創 → AI 代辦也是共創的一環
- 理論：口碑對新產品擴散的影響
  - 出處：Arndt, J.（1967）。Role of Product-Related Conversations in the Diffusion of a New Product。Journal of Marketing Research, 4(3), 291–295。
  - IDAEO 怎麼用：正面口碑能促進消費者採用新產品 → 口碑是「AEO+ 口碑」的核心
- 理論：兩級傳播與意見領袖
  - 出處：Katz, E., & Lazarsfeld, P. F.（1955）。Personal Influence: The Part Played by People in the Flow of Mass Communications。Glencoe, IL: Free Press。
  - IDAEO 怎麼用：意見領袖替大眾解讀、轉述訊息 → AI 扮演同樣的中介角色
- 理論：傳統與社群贏得媒體的銷售效果
  - 出處：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。
  - IDAEO 怎麼用：贏得媒體能帶動銷售 → 第三方證據比自說有力
- 理論：服務藍圖
  - 出處：Shostack, G. L.（1984）。Designing Services That Deliver。Harvard Business Review, 62(1), 133–139。
  - IDAEO 怎麼用：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
- 理論：承諾與信任（關係行銷）
  - 出處：Morgan, R. M., & Hunt, S. D.（1994）。The Commitment-Trust Theory of Relationship Marketing。Journal of Marketing, 58(3), 20–38。
  - IDAEO 怎麼用：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
- 理論：顧客價值
  - 出處：Gupta, S., Lehmann, D. R., & Stuart, J. A.（2004）。Valuing Customers。Journal of Marketing Research, 41(1), 7–18。
  - IDAEO 怎麼用：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

- 理論：生成式引擎優化（GEO）
  - 出處：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。
  - IDAEO 怎麼用：首次提出 GEO 優化框架並量測可見度 → 本書沿用其核心方向：提升內容在生成式回答中的可見度。
- 理論：生成式搜尋引擎的可驗證性
  - 出處：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。
  - IDAEO 怎麼用：生成式搜尋的引用支撐程度有差異 → 正確率要另行量測
- 理論：對話式搜尋引擎的排名操縱
  - 出處：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。
  - IDAEO 怎麼用：網頁文字可操縱 AI 推薦排序 → 所以要有三方驗證
- 理論：操縱語言模型提高產品能見度
  - 出處：Kumar, A., & Lakkaraju, H.（2024）。Manipulating Large Language Models to Increase Product Visibility。arXiv 預印本 arXiv:2404.07981。
  - IDAEO 怎麼用：在商品頁加一段字就能擠進推薦首位 → 點名率可被操縱
- 理論：針對語言模型的對抗式 SEO
  - 出處：Nestaas, F., Debenedetti, E., & Tramèr, F.（2025）。Adversarial Search Engine Optimization for Large Language Models。ICLR 2025。arXiv:2406.18382。
  - IDAEO 怎麼用：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
- 理論：AI 搜尋偏好贏得媒體
  - 出處：Chen, M., Wang, X., Chen, K., & Koudas, N.（2025）。Generative Engine Optimization: How to Dominate AI Search。arXiv 預印本 arXiv:2509.08919。
  - IDAEO 怎麼用：AI 搜尋引第三方來源多於品牌自有 → 第三方證據最關鍵
- 理論：對話式 SEO 是否有效的基準測試
  - 出處：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。
  - IDAEO 怎麼用：多數改寫技巧效果有限 → 以實測成效判斷優化成果
- 理論：AI 搜尋「有引用就可信」的落差
  - 出處：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。
  - IDAEO 怎麼用：附來源的 AI 回答仍常出錯 → 要逐條事實驗證
- 理論：AI 摘要降低點擊
  - 出處：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。
  - IDAEO 怎麼用：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

- 理論：演算法消費者
  - 出處：Gal, M. S., & Elkin-Koren, N.（2017）。Algorithmic Consumers。Harvard Journal of Law & Technology, 30(2), 309–353。
  - IDAEO 怎麼用：演算法替人挑選並下單 → 行銷對象延伸到 AI 顧客
- 理論：自動購物系統的採用障礙
  - 出處：de Bellis, E., & Johar, G. V.（2020）。Autonomous Shopping Systems: Identifying and Overcoming Barriers to Consumer Adoption。Journal of Retailing, 96(1), 74–87。
  - IDAEO 怎麼用：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
- 理論：AI 購物代理如何選品
  - 出處：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。
  - IDAEO 怎麼用：AI 代理選品有位置與模型偏好 → 商家要為代理優化
- 理論：代理對代理的市場實驗環境
  - 出處：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。
  - IDAEO 怎麼用：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

- 理論：PageRank 與大型搜尋引擎架構
  - 出處：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。
  - IDAEO 怎麼用：爬取、索引、以連結算權威 → S2 與 S4 的技術原型
- 理論：權威來源與樞紐（HITS）
  - 出處：Kleinberg, J. M.（1999）。Authoritative sources in a hyperlinked environment。Journal of the ACM, 46(5), 604–632。
  - IDAEO 怎麼用：權威由他人指向來認定 → 第三方引用是權威的來源
- 理論：以事實正確性評估來源可信度（KBT）
  - 出處：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。
  - IDAEO 怎麼用：用網頁事實對不對來評可信度 → 逐條事實驗證的依據
- 理論：知識圖譜（實體而非字串）
  - 出處：Singhal, A.（2012）。Introducing the Knowledge Graph: things, not strings。Google 官方部落格，2012 年 5 月 16 日。
  - IDAEO 怎麼用：搜尋從比對字串改成認識實體 → 店家要成為可辨識實體
- 理論：知識圖譜綜述
  - 出處：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。
  - IDAEO 怎麼用：知識圖譜如何建立、驗證與更新 → S4 的學術總覽
- 理論：E-E-A-T（經驗、專業、權威、可信）
  - 出處：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）。
  - IDAEO 怎麼用：Google 的品質評分指南看四個面向，信任最重要 → 驗證的對照
- 理論：事實查核資料集 FEVER
  - 出處：Thorne, 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。
  - IDAEO 怎麼用：每條聲明對證據判支持、反駁或不足 → 驗證三態的原型
- 理論：原子事實正確率 FActScore
  - 出處：Min, 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。
  - IDAEO 怎麼用：把回答拆成單一事實逐條算正確比例 → 正確率的算法
- 理論：語言生成的幻覺綜述
  - 出處：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。
  - IDAEO 怎麼用：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

- 理論：淨推薦值（NPS）
  - 出處：Reichheld, F. F.（2003）。The One Number You Need to Grow。Harvard Business Review, 81(12), 46–54。
  - IDAEO 怎麼用：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
- 理論：多通路轉換歸因
  - 出處：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。
  - IDAEO 怎麼用：轉換要分攤給各接觸通路 → AI 通路也要算進歸因
- 理論：資料驅動的多點觸及歸因
  - 出處：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。
  - IDAEO 怎麼用：用資料估每個接觸點的貢獻 → 連接讀取量到導客量
- 理論：坎貝爾定律（指標被用於決策就會被扭曲）
  - 出處：Campbell, D. T.（1979）。Assessing the impact of planned social change。Evaluation and Program Planning, 2(1), 67–90。
  - IDAEO 怎麼用：量化指標越用於決策越被扭曲 → 九個成效指標要互相制衡
- 理論：廣告成效的實驗與觀察比較
  - 出處：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。
  - IDAEO 怎麼用：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

- 理論：先行者優勢
  - 出處：Lieberman, M. B., & Montgomery, D. B.（1988）。First-mover advantages。Strategic Management Journal, 9(S1), 41–58。
  - IDAEO 怎麼用：先進場有優勢，也要付出代價 → 早期紅利靠持續投入守住
- 理論：報酬遞增與路徑依賴
  - 出處：Arthur, W. B.（1989）。Competing Technologies, Increasing Returns, and Lock-In by Historical Events。The Economic Journal, 99(394), 116–131。
  - IDAEO 怎麼用：報酬遞增時，早期領先可能鎖定市場 → 複利領先的學理參照
- 理論：冷啟動問題
  - 出處：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。
  - IDAEO 怎麼用：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

- 理論：OpenAI 爬蟲說明
  - 出處：OpenAI。Overview of OpenAI Crawlers。OpenAI 開發者文件（2026/10/11 查閱）。
  - IDAEO 怎麼用：GPTBot、OAI-SearchBot、ChatGPT-User 各有用途 → 訓練、建目錄、當場來讀三種讀取
- 理論：Anthropic 爬蟲說明
  - 出處：Anthropic。Does Anthropic crawl data from the web, and how can site owners block the crawler?。Claude Help Center（2026/10/11 查閱）。
  - IDAEO 怎麼用：ClaudeBot、Claude-SearchBot、Claude-User 各有用途 → 同一家平台也分三種讀取
- 理論：Perplexity 爬蟲說明
  - 出處：Perplexity。Perplexity Crawlers。Perplexity 官方文件（2026/10/11 查閱）。
  - IDAEO 怎麼用：PerplexityBot 建搜尋結果，Perplexity-User 隨使用者提問來讀 → 建目錄與當場來讀
- 理論：Amazon 爬蟲說明
  - 出處：Amazon。About Amazonbot。Amazon Developer（2026/10/11 查閱）。
  - IDAEO 怎麼用：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
- 理論：Google 爬蟲總覽
  - 出處：Google。Google's common crawlers。Google Crawling Infrastructure 文件（2026/10/11 查閱）。
  - IDAEO 怎麼用：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
- 理論：AI 爬取與導客的外部量測
  - 出處：Tomé, J.（2025）。The crawl-to-click gap: Cloudflare data on AI bots, training, and referrals。Cloudflare Blog，2025 年 8 月 29 日。
  - IDAEO 怎麼用：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
- 理論：模型情境協定（MCP）
  - 出處：Model Context Protocol。Specification（2025-06-18 版）。modelcontextprotocol.io。
  - IDAEO 怎麼用：AI Agent 透過標準接口取用資料與工具 → S8 替客人辦事
- 理論：代理對代理協定（A2A）
  - 出處：Google（2025）。Announcing the Agent2Agent Protocol (A2A)。Google Developers Blog，2025 年 4 月 9 日。
  - IDAEO 怎麼用：不同的 AI Agent 用共同標準交接任務 → AI Agent 是新的行銷受眾
- 理論：代理支付協定（AP2）
  - 出處：Google Cloud（2025）。Announcing Agent Payments Protocol (AP2)。Google Cloud Blog，2025 年 9 月。
  - IDAEO 怎麼用：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
- 理論：llms.txt 提案
  - 出處：Howard, J.（2024）。The /llms.txt file（現行為 v2）。llmstxt.org，2024 年 9 月 3 日首次發布。
  - IDAEO 怎麼用：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

- 理論：受眾適配定律｜語意網
  - 出處：Berners-Lee, T., Hendler, J., & Lassila, O.（2001）。The Semantic Web。Scientific American, 284(5), 34–43。
  - IDAEO 怎麼用：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
- 理論：受眾適配定律｜媒介豐富度
  - 出處：Daft, R. L., & Lengel, R. H.（1986）。Organizational Information Requirements, Media Richness and Structural Design。Management Science, 32(5), 554–571。
  - IDAEO 怎麼用：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
- 理論：身分連續定律｜品牌即信號
  - 出處：Erdem, T., & Swait, J.（1998）。Brand Equity as a Signaling Phenomenon。Journal of Consumer Psychology, 7(2), 131–157。
  - IDAEO 怎麼用：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
- 理論：身分連續定律｜實體連結
  - 出處：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。
  - IDAEO 怎麼用：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
- 理論：驗證獨立定律｜審計獨立性
  - 出處：DeAngelo, L. E.（1981）。Auditor size and audit quality。Journal of Accounting and Economics, 3(3), 183–199。
  - IDAEO 怎麼用：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
- 理論：驗證獨立定律｜品質揭露與認證
  - 出處：Dranove, D., & Jin, G. Z.（2010）。Quality Disclosure and Certification: Theory and Practice。Journal of Economic Literature, 48(4), 935–963。
  - IDAEO 怎麼用：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
- 理論：事實先行定律｜資料品質
  - 出處：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。
  - IDAEO 怎麼用：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
- 理論：主張溯源定律｜生成內容的歸因
  - 出處：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。
  - IDAEO 怎麼用：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
- 理論：主張溯源定律｜資料來源譜系
  - 出處：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。
  - IDAEO 怎麼用：資料要能回答「為何產生、來自哪裡」 → 每條主張連回具體證據
- 理論：外部印證定律｜傳播者偏差
  - 出處：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。
  - IDAEO 怎麼用：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
- 理論：外部印證定律｜三角驗證
  - 出處：Jick, T. D.（1979）。Mixing Qualitative and Quantitative Methods: Triangulation in Action。Administrative Science Quarterly, 24(4), 602–611。
  - IDAEO 怎麼用：不同來源的證據可以互相檢查 → 官方、本方、第三方合看
- 理論：全程成效定律｜不點擊也滿足需求
  - 出處：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。
  - IDAEO 怎麼用：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
- 理論：全程成效定律｜顧客權益與行銷報酬
  - 出處：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。
  - IDAEO 怎麼用：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
- 理論：S6 AI 點名幾家｜考慮名單
  - 出處：Hauser, J. R., & Wernerfelt, B.（1990）。An Evaluation Cost Model of Consideration Sets。Journal of Consumer Research, 16(4), 393–408。
  - IDAEO 怎麼用：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
- 理論：S6 AI 點名幾家｜被想起就會被選
  - 出處：Nedungadi, P.（1990）。Recall and Consumer Consideration Sets: Influencing Choice without Altering Brand Evaluations。Journal of Consumer Research, 17(3), 263–276。
  - IDAEO 怎麼用：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
- 理論：S8 替客人辦事｜自動化的層級
  - 出處：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。
  - IDAEO 怎麼用：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
- 理論：S10 回來再問｜期望確認
  - 出處：Bhattacherjee, A.（2001）。Understanding Information Systems Continuance: An Expectation-Confirmation Model。MIS Quarterly, 25(3), 351–370。
  - IDAEO 怎麼用：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
- 理論：AI 曝光數｜被讀到的次數與模型記得多少
  - 出處：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。
  - IDAEO 怎麼用：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
- 理論：AI 曝光數｜重複出現與模型記憶
  - 出處：Carlini, N., Ippolito, D., Jagielski, M., Lee, K., Tramèr, F., & Zhang, C.（2023）。Quantifying Memorization Across Neural Language Models。ICLR 2023。arXiv:2202.07646。
  - IDAEO 怎麼用：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
- 理論：AI 能見度｜品牌顯著性
  - 出處：Romaniuk, J., & Sharp, B.（2004）。Conceptualizing and measuring brand salience。Marketing Theory, 4(4), 327–342。
  - IDAEO 怎麼用：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
- 理論：成效指標｜構念效度
  - 出處：Cronbach, L. J., & Meehl, P. E.（1955）。Construct validity in psychological tests。Psychological Bulletin, 52(4), 281–302。
  - IDAEO 怎麼用：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
- 理論：IDA 第三方驗證｜信任財
  - 出處：Darby, M. R., & Karni, E.（1973）。Free Competition and the Optimal Amount of Fraud。The Journal of Law and Economics, 16(1), 67–88。
  - IDAEO 怎麼用：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
- 理論：熱啟動｜爬蟲重訪排程
  - 出處：Cho, J., & Garcia-Molina, H.（2003）。Effective page refresh policies for Web crawlers。ACM Transactions on Database Systems, 28(4), 390–426。
  - IDAEO 怎麼用：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
- 理論：複利領先｜偏好連結
  - 出處：Barabási, A.-L., & Albert, R.（1999）。Emergence of Scaling in Random Networks。Science, 286(5439), 509–512。
  - IDAEO 怎麼用：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
- 理論：複利領先｜累積優勢
  - 出處：Merton, R. K.（1968）。The Matthew Effect in Science。Science, 159(3810), 56–63。
  - IDAEO 怎麼用：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
- 理論：活的學說｜研究綱領
  - 出處：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。
  - IDAEO 怎麼用：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
- 理論：活的學說｜設計科學
  - 出處：Hevner, A. R., March, S. T., Park, J., & Ram, S.（2004）。Design Science in Information Systems Research。MIS Quarterly, 28(1), 75–106。
  - IDAEO 怎麼用：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

- 第一方數據：取自 IDAEO 第一方量測紀錄。期間 2026/3/3–10/8，舊站與新站合計。AI、搜尋引擎與機械爬蟲共 1.055 億次（105,487,618 次）。此數字與 IDAEO 核定口徑一致。這是平台站規模，不能直接和單一店家官網比。8/24 以前可能含重複請求。AI 讀取量 9,746 萬次，按來讀用途列示。抄回去訓練 5,220 萬，指為訓練來讀。建 AI 目錄 399 萬（含自家 Cloudflare AI Search 的 282 萬，下月更新時扣除）。建搜尋目錄 4,126 萬。建目錄的數字只表示為建目錄來讀。這些讀取不代表已訓練或已收錄。Applebot、PetalBot、YouBot、Kagibot 歸搜尋引擎爬蟲。分類依各家官方文件（2026/10/14 查核）。
- AI Agent：1,795 萬次是 2026/8/26–10/8 的自動瀏覽，按程式操作瀏覽器功能另列；具名 AI Agent 14.4 萬次，合計 1,809 萬次。Hermes、OpenClaw、Devin、Grok、Muse 列為實測追蹤中，具名到訪成果之後會公布；Manus 為 14 次。
- 人類：自然流量 31.0 萬次是從搜尋或 AI 點進網站的次數（2026/8/26 起為主），其中 Google 為 26.8 萬；在地搜尋實測追蹤中，之後會公布。
- 機械爬蟲提供自動化資訊服務：「AI 的工具」指名稱標示為 AI、來源歸類於其他自動化服務的請求。SEO 工具爬蟲（Semrush、Majestic、Moz、Ahrefs 等）與網頁預覽（Facebook、LinkedIn、X 等）依平台認證身分列示（2026/8/24–10/8），採獨立統計，屬上述總次數以外的範圍。「實測追蹤中」15 萬次的身分與功能由 IDAEO 持續確認，分類成果之後會公布。
- 搜尋結果顯示：各圖的分項為搜尋平台原值（Google 741 萬次、Bing 91 萬次，相加 832 萬次）；總覽的約 822 萬次為 IDAEO 核定口徑，兩者相差約 10 萬次。被收錄頁數為 2026 年 9 月的值，Bing 採各子資料夾合計。
- TK Lin 個人 IDA 實測（2026/10/3）：100 題分五組各 20 題（身分、公司、專業、和心村、IDA）。五個 AI 模型為 Perplexity Sonar、OpenAI GPT-5.4、Anthropic Claude Sonnet 5、Google Gemini 3.5 Flash、xAI Grok 4.5，共 500 筆回答。84% 指這個 IDA 出現在 AI 搜尋的來源清單（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），對應 419 筆回答。它在來源清單出現 439 次，是所有來源的第一名。其中指名他本人的 40 題（身分、公司兩組）為 91.5%（183 筆），這個 IDA 出現 190 次。10/11 追蹤：Perplexity 四語 16 題中，13 題的來源有這個 IDA。單一個案不能直接推論到店家。
- 啟動時間：熱啟動約 30 天是經驗值；圖 6-6〈冷啟動時間軸〉另有實測：同一家 AI 平台的爬蟲依序到站，相隔 30–35 天。冷啟動約 90 天是業界經驗值；14 天是 TK Lin 個人 IDA 的實測案例。
- 實測店家：第一批實測店家與第二批實測產業都是真實營業的店家，IDAEO 已逐一核對身分；依約定，本書只列產業，店名留在 IDAEO 內部紀錄。
- 發行主體：IDAEO 由株式會社和心（法人番號 8011401020677，日本東京都港區）營運；作者林毅祥（TK Lin）。
- 學理基礎：既有 17 項出處已逐項查證，作者與年份依文獻清單列示；其中六篇的查證範圍為出版社書目與摘要。Goodhart 為 1975 年發表、1976 年出版。理論依據分為行銷學基礎、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，完整文獻見書末「理論基礎與文獻」。
- 外部 AI 能見度指標：依 2026-10-11 查證的工具商說明與各家公開定義整理；比較時採相同的量測範圍與指標口徑。
- 各家標誌為其所有者的商標，在本書中用於辨識各 AI 平台。
- 九個成效指標與 IDAEO 解決方案採本書命名；驗證數據統計全平台，單店成果依該店資料衡量。AI 點名率、AI 正確率、AI 回訪量的量法已定，由 IDAEO 繼續累積，之後會公布。
- 優化領域的同領域用語依本書的功能分類歸納，採各詞的使用脈絡；AIO 與 AEO 相連，都對應 AI 回答取用內容。AAO、AXO、AAIO 與 GAIO、AISO 依 2026-10-11 查證的 AI 平台詞彙頁列示；SXO、VSO、ASO、CRO、SMO、SGE、LLM SEO 採業界通用說法，本次逐項查證範圍為前述 AI 平台詞彙。
- 延伸圖沿用〈AI 時代的網站流量〉入門課的視覺架構，數字依同一份第一方量測紀錄彙整至 2026/10/8；旅程步驟一律寫 S1–S10。本版統計範圍以各圖列示項目為準。
- 各延伸圖按期間解讀：AI 請求 3/3–10/8；全站 2/12–10/8；自動瀏覽 8/26–10/8；站別拆分 8/20–10/8；Copilot 引用 7/22–10/8。8/24 以前合併多方第一方量測紀錄，可能涵蓋重複請求；引用時一併標示此範圍。
- Copilot 引用 3.17 萬次依 IDAEO 核定口徑採正式內容範圍；原始匯總為 5.26 萬次。
- 「為 AI 回答而讀」4,605 萬次按 IDAEO 核定口徑，包括建搜尋目錄與做 AI 摘要、建 AI 目錄、當場來讀及具名 AI Agent。其中建搜尋目錄 4,126 萬次供搜尋與 AI 回答共用，其餘按功能加總，合併呈現取用範圍。
- 圖 6-6〈冷啟動時間軸〉呈現 AI 平台依序到站的紀錄。六家中五家 AI 平台的第一隻與下一隻爬蟲相隔 30–35 天。這是同一 AI 平台不同爬蟲先後出現的間隔。首日為 2026/3/3 的爬蟲在量測啟動時已在場。所列間隔按觀察起點計算，代表實際間隔的下限。冷啟動是新網站的 AI 流量從 0 開始累積。業界經驗值約 90 天。熱啟動的內容滿足 S1，並上線在 AI 流量樞紐。這指每月累積上千萬次 AI 請求的平台。IDAEO 平台 7 月 2,597 萬次、8 月 3,599 萬次、9 月 1,579 萬次。8/24 以前可能含重複請求，前後口徑不同。9 月較 8 月下降，跨月比較須留意口徑。熱啟動的經驗值約 30 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% 指這個 IDA 出現在 AI 搜尋的來源清單（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）。限制見「TK Lin 個人 IDA 實測」資料說明，不能推論到店家。
- AI Agent 到站量 1,809 萬次＝自動瀏覽 1,795 萬＋具名 AI Agent 14.4 萬。另有 5,102 次 AI Agent 以一般瀏覽器到訪，另計，不加進任何合計。
- 早期實測店家、第二批實測產業與自家和心村官網：店家頁搜尋點擊、AI 帶客、店家頁 AI 讀取與店家官網開啟次數取自 IDAEO 第一方量測紀錄（2026-10-10 查詢）；第二批實測產業 IDA 頁的 AI 曝光取自 IDAEO 第一方量測紀錄（2026-10-11 查詢，期間 7/18–10/8，10 家平台、三種用途各自相加皆為 373,776 次）；產業官網的搜尋點擊與 Copilot 引用取自授權的搜尋平台資料（2026-10-11 查詢），僅列合計。和心村官網的 Google 搜尋點擊 109,140 次（3/3–10/8）取自搜尋平台資料；AI 與搜尋引擎讀取 95,333 次、AI 當場來讀 11,333 次（8/20–10/8）取自 IDAEO 第一方量測紀錄。Google 去年同月比較只含有去年紀錄的官網；Bing 合計中部分官網的資料自 8/13 起。