以 Pipeline 計算的成果

挑戰

選型提問全面缺席

買家在 ChatGPT 問「適合中型企業的人資系統推薦」時，答案清單裡只有競品。審計起點的事實很殘酷：在選型類目標提問中，品牌引用率趨近於零 — 產品力存在，但 AI 讀不到、也還不信任。

方法

審計 → 內容引擎 → 知識圖譜

我們沒有先寫內容，而是先把缺口量化，再按 Pipeline 影響力決定進攻順序。

• 30 天 GEO 審計：定位六大引擎的引用缺口，拆解競品被引用的結構性原因
• GEO 內容引擎：為「人資系統選型」情境重建可引用的內容 — 定義段、比較表、原創數據
• 知識圖譜建構：以實體與結構化資料，讓 AI 引擎把品牌與「人資系統」這個類別牢牢綁定

結果

月增 40+ 筆 Inbound Demo

6 個月內 AI 引擎引用次數成長 312%，在「人資系統推薦」類提問中成為 ChatGPT 與 Perplexity 的常駐答案。Demo 表單的來源欄位開始出現「ChatGPT 推薦我們的」— Pipeline 第一次可以直接歸因給 AI 搜尋。

「Demo 表單的來源欄，第一次出現『ChatGPT 推薦我們的』。」

挑戰

競品壟斷比較型提問

「A vs B」「最佳行銷自動化工具」這類高購買意圖提問，AI 的答案幾乎被兩個競品包辦。啟動時答案佔有率僅 11% — 買家做決定的那一刻，品牌根本不在對話裡。

方法

320 組提問鎖定 + 3 週改寫迴圈

比較型提問是逐組攻防的陣地戰，我們用固定節奏把每一組陣地奪回來。

• 鎖定 320 組高購買意圖提問，按 Pipeline 影響力排序，而非搜尋量
• 每週引用追蹤量化每組提問的佔有率變化，缺口自動進入改寫佇列
• 3 週改寫迴圈：診斷 → 改寫 → 驗證，每一篇內容迭代到被引用為止

結果

SQL 成本下降一半

6 個月內答案佔有率從 11% 提升至 58%，高意圖提問的主要推薦位置被逐組奪回。AI 導流的買家抵達時已完成大半研究，SQL 成本因此下降一半 — 同樣的行銷預算，換到兩倍的合格管道。

「第一次有報表可以告訴 CEO：這些 SQL 是 AI 搜尋帶來的。」

挑戰

流量焦慮

傳統自然流量逐季下滑，團隊的第一直覺是「把流量補回來」。但審計顯示真正的問題不是量 — 而是品牌完全沒有出現在 AI 的購物推薦對話裡。

洞察

AI 推薦的流量小，但信任已經建立

買家請 AI 推薦商品時，得到的不是十條藍色連結，而是一份已經過濾、已經比較過的短清單。能進入這份清單的品牌，拿到的是接近「朋友推薦」等級的信任 — 我們把優化重心從「搶回點擊」轉向「佔據推薦位」。

結果

質 > 量的 GEO 流量觀

90 天統計期內，AI 引擎導流的訪客規模僅是 Organic 的一小部分，轉換率卻是 4.7 倍。這個案例改變了團隊衡量流量的方式：與其追逐下滑的點擊，不如佔據 AI 答案裡的推薦位 — 因為每一位抵達的訪客，信任已經建立。

「AI 來的客人不問『你們是誰』，直接問『怎麼下單』。」