AI 搜尋時代的檢索機制報告

一、緒論

1.1 研究背景

過去二十年的搜尋引擎生態，核心邏輯是一條線性的路徑，使用者產生資訊需求、搜尋引擎透過演算法排序網頁連結、使用者點擊進入官方或第三方網站，在網站內完成理解與轉換。

在這個單一的線性架構下，網站即是流量的終點，也是所有行銷轉換發生的核心場域，所有的搜尋意圖都被收斂在單一網站當中。

然而，隨著 Google AI Overviews、ChatGPT 與 Perplexity 等 AI 應用產品普及，搜尋引擎正在從「目錄導流系統」轉變成「資訊整合系統」。

品牌可以在使用者從未造訪官方網站的情況下，被 AI 摘要、推薦，甚至直接給出電話、地址等轉換入口。對行銷人而言，這意味著過去用「排名 → 點擊 → 網站 → 轉換」描述搜尋價值的方式，開始出現斷裂。

1.2 研究問題與目的

討論 AI 搜尋與 GEO 時，常見的假設是：「品牌必須做好官網與結構化資料，AI 才能讀懂並推薦。」本研究檢查這個假設在小型樣本中的觀測結果。

但只要實際透過 AI 應用或 SERP 中的 AIO 查詢台灣各地的在地名店，就會發現一個明顯的矛盾：許多只有 Google 商家檔案、Facebook 粉專，甚至連粉專都沒有更新的老字號小吃店，依然頻繁出現在 AI 的推薦清單中，且地址、招牌菜與營業資訊往往十分準確。

這引出了一個核心問題：如果沒有官網也能被 AI 推薦，那官網到底替品牌增加了什麼價值？在 AI 搜尋時代，該如何重新定義並量測這種價值？

二、AI 搜尋如何改變曝光與獲客

2.1 流量漏斗的轉變：藍色連結的失效與 SERP 閉環

傳統的搜尋主要是透過藍色連結導流與監測成效，因為使用者必須前往外部網站才能獲取完整的資訊，得到確切的答案。但在生成式 AI 普及的當下，這條路徑從單一的線性，變成了多分支，甚至是圓形的路徑閉環。除了傳統的 SERP 被 AIO 截獲外，AI 應用本身也是一種 SERP，使用者向 GPT 提問 → GPT 直接提供答案 → 使用者完成資訊的獲取，實際上使用者在這條路徑中，從未去接觸藍色連結，也就是網站本身。

根據 Pew Research Center 追蹤 900 名美國成人的瀏覽紀錄顯示：在出現 Google AI 摘要的搜尋中，僅約 8% 會點擊傳統搜尋結果；在未出現 AI 摘要時，點擊率則為 15%；使用者點擊摘要內來源連結的比例約為 1%。這些觀測顯示，取得答案後不一定會點進網站。

另一方面，Seer Interactive 的客戶資料也顯示，2025 年 5–7 月的 AI 導流相較此前三個月成長 113%。隨著生成式 AI 的普及，AI 已經全方位壓縮傳統點擊，同時正在形成新的、較高意圖的導流來源和路徑。

2.2 零點擊常態化

零點擊其實並非生成式 AI 出現後才出現的現象。過去 Google 早已透過知識圖譜、精選摘要等功能，讓使用者對資訊的需求能直接在 SERP 被滿足。

2024 年 SparkToro 與 Datos 的研究顯示，美國約有 58.5% 的 Google 搜尋沒有產生任何點擊，顯示在生成式 AI 衝擊搜尋路徑前，零點擊早已是一種現象。

不過雖然精選摘要截斷了搜尋意圖，但仍然會導流至藍色連結當中，人們依舊能使用行銷手段爭奪第 0 位；但當搜尋決策鏈從 SERP 轉向 AI 應用內部的 AI SERP 後，傳統的 SEO、SEM 等優化手段的價值或會受到衝擊與價值重估。

伴隨著 Google 於 2024 年 5 月在美國正式推出 AIO（AI Overviews），並於同年 10 月開始大規模向全球市場擴張，使「搜尋 → 點擊網站」不再是取得資訊的必要路徑

到了 2026 年，SparkToro 結合 Similarweb 資料更估計，美國 Google 搜尋的零點擊比例已升至 68.01%。這顯示人們在 AIO 普及後，更加依賴生成式 AI 提供的資訊，而非主動去深挖資訊來源。當使用者在 SERP 便獲取到了想要的資訊，進而直接結束搜尋意圖，於是促進了零點擊的成長曲線上升。

2.3 AI Overviews 與 AI 搜尋的路徑差異

生成式 AI 對傳統搜尋決策鏈的影響，除了搜尋結果頁內嵌的 AI Overviews，還有對話式 AI 搜尋的普及。

對話式 AI 搜尋讓使用者可以持續追問；傳統搜尋結果頁與對話介面因此有不同的站外點擊路徑。

Shi、Zhu 與 Gu（2026）實際分析 ChatGPT Search 上線前後的行為，發現人們在與 ChatGPT 的對話中僅 5.2% 產生可辨識的站外推薦；同時，在人們取得 ChatGPT Search 權限後，對於傳統搜尋使用量平均下降了 9.4%，且 20 週後降幅更是估計擴大至 17.0%。

這些研究觀察的是不同平台、不同分母下的行為，不能據此推算使用者轉向 AI 搜尋的整體比例。

從搜尋意圖來看，AIO 是在既有搜尋版圖內進行「流量攔截（Traffic Interception）」，而 AI 應用則是更根本的「入口替代（Substitution Effect）」。

2.4 決策代理人化之影響預測

根據 CDN 服務商 Cloudflare 的 Radar 2026 年 6 月 8 日 HTML 請求圖表，Bot 占 57.2%、Human 占 42.8%，機器人請求已超過人類。Cloudflare 執行長 Matthew Prince 於 6 月 3 日指出，這是機器人流量首度超越人類。

伴隨著 AI Agent （AI 代理人）的技術逐漸完善，可預期的是人們將會把搜尋決策鏈更簡化為直接下達命令給代理人。屆時 AI 不再只是回答使用者的提問，而是會自主拆解複雜任務、跨平台調用工具、主動去造訪網頁。

HUMAN Security 2026 年的報告亦證實，由 AI 代理與代理式瀏覽器產生的網路流量年增率高達 7,851%，且高度集中於零售電商、影音媒體與旅遊住宿等具強交易屬性的產業。

未來「使用者是否親自造訪網站」與「品牌是否完成一次交易或聯絡」可能愈來愈分離，也迫使著企業與商家需重估網站的價值，因為對 AI 代理人來說，第一手資訊來源，意味著高信任的數位錨點。

當搜尋行為進一步演進，「決策代理人化」勢必會讓網站所扮演的角色出現變化。

三、AI 如何認識一家商家？官網的價值解析

前面的 2.4 節中有提到，隨著 AI 代理人的技術逐漸成熟，搜尋決策鏈很可能再度被簡化。因此，如何讓 AI 準確的引用到官方網站，甚至直接從中提取資訊作為答案的來源，便成為了重中之重。

3.1 AI 眼中的「數位實體」

在本文的分析框架中，一家餐廳不只對應一個 URL；名稱、地址、電話、菜單、評論、新聞與社群頁面等公開資訊，共同構成可供核對的「數位實體」。

Google Business Profile（GBP）的官方說明即指出，商家資訊可能來自公開網站、第三方授權資料、使用者內容、商家提供內容，以及 Google 與該地點互動後取得的資訊。

因此，沒有獨立官網不等於沒有可被 AI 使用的資料。對一間經營多年的老店而言，大量食記、媒體報導、地圖評論與社群貼文，本身就可能形成非常厚的數位足跡。

當 AI 在回答「台北有什麼老字號牛肉麵？」時，便可利用這些數位足跡完成實體辨識、特徵整理，並進一步給出資訊。

這也是「無官網商家仍會被 AI 提到」最重要的機制解釋：它們不是沒有資料，而是品牌資料分散在整個公開網路。

3.2 「數位錨點」的價值解析

前一節提到，一家店即使沒有官網，也能透過第三方聚合留下足夠多的數位足跡，讓 AI 辨識出數位實體。但這些資料畢竟分散在不同網站，菜單更新了，部落客必然不會去做修改；分店搬遷了，Google 評論裡仍可能留下舊地址。

商家可以更正部分平台資料，卻無法統一維護所有人的描述，這也會造成數位足跡的紊亂。因此，「網路上有這家店的資料」與「這家店有一份自己能持續維護的官方說明」仍然是兩回事。

LS-Labs 在本文將「官網」這種第一手資訊來源稱為「數位錨點」，指商家可自行更新、供外界核對資訊的官方節點。

官網的價值並非否定數位足跡的價值，也非保證 AI 一定會採用官方提供的資訊，而是讓品牌有一個可持續更新的錨點做來源。而這個錨點的用途，又可被分成三個面向。

3.3 為何要分開量測提及、引用與資訊品質？

前兩節說明了第三方數位足跡能讓沒有確認官網的商家進入 AI 回答；官網則提供商家可維護的數位錨點。但如果只統計「店名出現幾次」，實際上無法去分辨當前 AI 眼中的商家到底是什麼樣子的。

AI 可能在某句回答中提到一家店時，引用食記的比例大過於官網；也可能雖列出了官網，但回答中附帶的地址或電話卻去採用第三方的過時來源。

這也是單一「GEO 分數」的侷限：它可以概括可見度，卻很難指出品牌是否有 AI 幻覺或是資訊來源的污染。

Semrush 2026 年針對多個 AI 搜尋介面的研究，也觀察到「引用」與「品牌提及」並不是同一事件：在其 3,981 次網域出現事件中，61.7% 為有來源連結但未提及品牌（幽靈引用），25.1% 為提及品牌但未附來源連結，只有 13.2% 同時出現品牌提及與來源連結。

品牌被提及與網站被列為來源並非同一件事。

對本報告而言，更重要的是釐清：AI 到底有沒有提到商家？用了哪些來源？基本資訊是否與參照資料一致？回答是否提供了轉化路徑？

若這些資訊，最後都只被壓成一個單純的「GEO Score」，品牌其實很難知道下一步該做內容、做 PR、修資料，還是改善 CTR。

為此，LS-Labs 將這個問題拆成 MCAC 模型，作為自我檢測的框架。

四、LS-Labs 的 AI 搜尋量測框架：MCAC 模型

4.1 MCAC：分開檢查 AI 搜尋中的品牌表現

本研究以 MCAC（Mention、Citation、Accuracy、Conversion-readiness）作為操作性框架，分別觀察品牌提及、引用來源、資訊正確性與回答提供的行動入口。原始觀測將第四項記為 Actionability；公開框架改稱 Conversion-readiness 以對應 MCAC 縮寫，量測內容仍是回答提供的行動資訊。實際轉換仍需另行驗證。

這四項診斷在 GEO 主題頁以同一則餐廳回答示範，搭配本報告的樣本與方法，可以區分觀察到的現象與尚待驗證的改善假設。

表格可左右捲動，比較完整欄位

MCAC 的用途，在於讓檢查方向更具體：Mention 低，可檢查主題關聯；Citation 過度依賴第三方，可檢查第一方資訊是否可見；Accuracy 出錯，須核對資料；Conversion-readiness 弱，表示回答缺少可採取的下一步。

4.2 實測設計：六家台北牛肉麵店 × 四類問題

本研究於 2026 年 9 月 16 日，以台北市牛肉麵商家進行小型目的性抽樣。三家可確認自有官網，三家在本次查核中未確認獨立自有網域。

表格可左右捲動，比較完整欄位

4.3 實測結果：官網能有效提供第一方數位錨點，不過並非壟斷 AI 能見度

這組實測結果最值得注意的是，不同 MCAC 構面在結果上帶來了完全不同視角的觀點解析。在能見度上，第三方足跡已經可以把沒有獨立官網的老店帶進回答；在基本事實上，兩組都能答對地址與電話；到了來源與落點，官網的價值才真正出現。

4.4 Citation 重析：AI 的來源池遠比品牌官網更分散

對 21 筆有效紀錄重新計數，共得到 408 個 citations 清單項目、206 個依原始 URL 字串去重的網址，以及 112 個移除 www. 後的主機名稱。三家樣本商家的登錄官方網域，在全體資料中共對應 6 個去重網址，占 206 個去重網址的 2.91%；若以 citations 清單項目計算，官方來源為 10/408，占 2.45%。

表格可左右捲動，比較完整欄位

這個結果不應被讀成「AI 只信任官網 2.91%」，因為來源清單的出現次數不是信任權重；但它很清楚地呈現了一個搜尋現實：生成式搜尋的答案來源是多源的，品牌官網只是整個資訊生態的一部分。

對品牌而言，這反而說明 GEO 不應只做站內 SEO。真正的 AI 可見度來自一個混合結構：第一方官網負責標準答案與承接，Google Business Profile 等可管理平台負責在地實體資訊，媒體與專業內容提供權威背書，UGC 與評論則補充口碑與情境語意。這些來源並非相互取代，反而是形成類似合作的關係，共同構築出 AI 眼中的品牌實體。

4.5 Comparison 壓力測試：MCAC 也能檢查量測本身

本輪雙店比較題出現一個很有價值的現象：正序與反序測試中，第一順位商家 6/6 都能取得地址與電話，第二順位則 0/6 完整；順序翻轉後，缺漏也跟著翻轉。

這個結果最大的價值，不是證明某一個模型「有位置偏誤」，而是提醒 GEO 量測不能只跑一次、只看一種 Prompt。若原始測試沒有做反序校準，很容易把「第一順位比較完整」誤讀成「有官網商家表現更好」。

對 MCAC 而言，這讓框架多了一層用途：它不只衡量品牌，也能檢查量測設計。未來實務上可透過重複執行、Prompt 順序平衡、跨模型觀測與時間序列，把一次性的 AI 回答轉成更穩定的品牌監測資料。

五、結論：AI 搜尋時代，單一面向的 GEO Score 可能造成量測偏差

本報告從「沒有官網的老店，為什麼還是能被 AI 推薦？」這樣一個看似矛盾的觀點出發，實際深入探究 AI 眼中品牌形象是如何被組成，最終得出「AI 認識的是商家在整個公開網路留下的實體訊號，也就是本研究所謂的 數位足跡」，Google 商家、媒體、食記、社群與評論，足以讓一個品牌被辨識、描述與推薦。

然而實測也發現，官網真正的價值在於塑造一個可持續更新的 數位錨點，讓品牌能在多源的搜尋環境當中，建立一個由第一方主動控制的資訊來源。它讓品牌擁有一個可維護的公開版本、一個可被引用的官方落點，以及一個能承接訂位、訂購、詢價、會員與其他商業流程的入口，並不能只從 能不能被 AI 推薦 這樣淺薄的理由忽視官網的價值。

對小型在地商家而言，如果主要需求只有名稱、地址、電話與現場來客，Google Business Profile、社群與第三方平台可能已經承擔大部分功能；但當品牌開始面對多分店、服務條件、內容敘事、訂位訂購、CRM、數據歸因與跨平台一致性時，官網的邊際價值會明顯提高。

在 206 個去重引用網址中，樣本商家的登錄官方網址有 6 個，占 2.91%。這個比例描述的是本次回答列出的來源構成，不是 AI 對官網的信任分數。品牌若只整理站內內容，仍無法處理分散在公開平台上的過時資訊與第三方描述；反過來說，只累積第三方聲量，也無法取代一份可持續維護的官方版本。

因此，本報告不把 GEO 壓成單一排名分數。反而提出 MCAC 框架分別檢查四件事：AI 有沒有提到品牌、根據哪些來源描述品牌、基本事實是否正確，以及回答有沒有提供可轉換的路徑。四者呈現的不同面向，正好對應行銷的四個價值。本次研究也顯示，商家出現在問題中的先後順序會影響資訊完整度；只測一次、只看店名有沒有出現，甚至可能把提問方式造成的差異誤判成品牌表現。

當搜尋從藍色連結走向生成式答案，真正值得被監測的，不只是曝光，而是品牌在答案形成前就具備足夠多的 正確資訊。同時，GEO 監測也不應只是告訴品牌「你有沒有被提到」，而應該持續回答品牌在 AI 決策鏈中的位置、來源、正確性與轉換能力，這也正是 LS-Labs 持續想要傳遞的價值。

最後，以上建議僅代表本次案例研究提出的決策方向，而非對所有商家建站效益的因果估計。

資料可用性與研究揭露

資料可用性：本頁提供研究方法、樣本範圍與統計結果。原始 API 紀錄、參照表與分析檔目前未公開提供下載，因此本頁不等於已提供可獨立重算的公開資料集。資料存取問題可透過聯絡入口詢問。

利益關係：作者同時參與 LS-Labs 的研究與工具開發，相關經驗可能影響研究問題、工具選擇與詮釋。現有研究紀錄未提供完整的外部贊助或資助聲明，不能據此宣稱沒有利益關係。

AI 協作：研究修訂紀錄載明使用 AI 協助文獻檢索、程式重算、證據比對與語言編輯。AI 輔助不代表來源已逐項人工查證，也不代表經過外部同儕審查。

學術預印本：本研究的學術版已於 2026-10-30 發布於 Zenodo，提供英文與繁體中文 PDF。引用格式：LI-Sheng（李昇）（2026）。Retrieval Mechanisms of Local Businesses in the Generative Search Era: Third-Party Footprints, First-Party Anchors, and the MCAC Empirical Evaluation Framework（預印本）。Zenodo。https://doi.org/10.5281/zenodo.23773956