GEO 品牌能見度監測系統
當使用者開始直接問 AI「哪個牌子好」，我想知道的不只是品牌有沒有被提到，還有 AI 到底怎麼理解它、產品資訊講得對不對。這些問題在團隊裡原本只能靠零星抽查回答。於是我為一個台灣保健品牌從零建立監測系統，把分散的 AI 回答，轉成可以持續追蹤、比較與採取行動的指標。
問題：沒有人量得出「AI 怎麼講我們」
在現有 SEO 工具，我們可以固定追蹤關鍵字、排名與流量；到了 AI 回答，團隊看到的卻常是偶然出現的一張截圖。每個人問的問題不同、使用的模型不同，今天被推薦一次，也無法判斷這是穩定的品牌能見度，還是單次結果，更無法和下一期比較。
而且，「被提到」不等於「被理解正確」。對保健品牌來說，AI 有沒有講對成分、檢驗與產品差異，會直接影響使用者怎麼認識品牌。我的背景是 SEO 與內容，所以我先定義哪些資訊值得量、怎麼量才不會失真，再用 AI 補上開發能力，把這套量測方法做成能持續運行的系統。
做了什麼：兩層量測＋每晚自動跑的管線
一個部署在 Cloud Run 上的正式系統，核心是兩層互補的量測，以及餵養它們的自動化管線：
系統架構：從題庫到兩層指標，每晚自動跑一輪。
- M1・能見度層追蹤三個指標：品牌出現在多少回答中（提及率）、和競品相比佔了多少聲量（聲量佔比）、AI 有多少次引用品牌官網作為來源（網域引用率）。這些數字可以依購買旅程、產品線與 AI 引擎分開查看，找出品牌究竟在哪一段、哪個品類、哪個模型裡沒有被看見。
- M2・敘事正確性層先把品牌希望被正確理解的重點，拆成一條條可以檢查的項目，例如成分、檢驗與產品差異。當 AI 提到品牌時，系統會逐項判斷：哪些講對了、哪些講錯了、哪些重要資訊完全沒提到。
- 自動化管線系統每晚從 700 多題的題庫中依規則抽樣，分別向 ChatGPT、Gemini 與 Claude 提問；完整回答寫入 BigQuery，再由多模型評分系統自動標註。不同類型的問題採用不同監測頻率，並設定預算上限，讓系統能長期運行，而不是只做一次性的研究。
系統跑起來之後：這些數字真的回答了問題嗎？
- 不同模型分開看ChatGPT、Gemini 與 Claude 的檢索和回答方式不同。把三者平均後，數字反而不對應任何一個使用者實際接觸到的環境，因此系統會分別呈現各個引擎的結果。
- 讓分母和問題對得上一開始，我用全部題目作為分母，後來發現不同購買旅程階段的題型混在一起，會讓個別階段的變化被稀釋。改成在各階段內分別計算後，才能看出品牌是在認知、考慮，還是決策階段失去能見度。
- 從既有內容反推使用者問題把既有文章的段落反推成使用者會問 AI 的問題，題庫可複製到任何新產品線，不用每次手刻。
- 先被看見，才談有沒有被講對如果一則回答完全沒有提到品牌，就無法判斷它是否正確描述了品牌。因此，系統把「品牌有沒有出現」和「出現後有沒有被講對」分成兩層計算，避免把沒有提及誤算成敘事錯誤。
第一次比較兩期結果時，品牌提及率看起來成長了一倍。但進一步對照聲量佔比後，我發現變化主要來自兩期題庫組成不同，不代表品牌真的更常被推薦。這次經驗讓我重新調整趨勢指標，也開始規劃固定基準題組與有對照組的內容實驗，讓之後的變化更容易被正確解讀。
——工具把數字算出來，不代表數字已經回答了原本的問題。洞察：需求越大的品類，品牌越隱形
把 27 條產品線的「需求熱度」對上「AI 能見度」，出現一條清楚的負相關：小眾利基品類（特殊成分、競品少）早就被 AI 看見；需求最大的幾個主流品類反而幾乎隱形——需求前 11 大的品類裡，10 個能見度低於平均。內容資源該優先投在右下角。
需求 × 能見度象限（單期監測數據，泡泡大小＝該品類的網域引用率）。品牌與產品線均已匿名，以代號表示（編號＝需求排名）。
另一個關鍵發現：引用率的引擎差距超過 4 倍——同一份內容，在某個引擎有八成回答會引用品牌網域，在另一個引擎不到兩成。手動抽查後找到方向：那個引擎的 web search 偏好英文來源，而品牌內容全是繁中。「AI 能見度」不只是內容結構問題，還有檢索語言的維度——這決定了下一步內容策略的打法。
下一步：從觀測走到實驗
- 固定基準題組鎖定題庫組成的跨期可比版本，讓趨勢指標不再被題庫變動綁架。
- 差異中的差異（diff-in-diff）內容實驗從高需求低能見度象限選介入組與對照組，補結構化內容後重測——對照組吸收環境變動，剩下的才是內容的真實效果。
- 檢索語言驗證量化各引擎引用來源的中英文占比，決定要不要為關鍵品類產英文權威內容。