AI 引擎決定要不要引用你的內容之前，會先問一個問題：寫這篇的人是誰，憑什麼相信他。多數 B2B 網站的作者欄不是空白，就是只掛一個名字加職稱，等於主動把引用的位置讓給那些把作者背景講清楚的競爭對手。作者權威不是虛榮指標，而是 AI 挑選答案來源時真正在用的過濾條件。
AI 為什麼在意「這篇是誰寫的」
生成式引擎回答問題時，要對它輸出的每一句話負責。它傾向引用能對應到真實、可查證作者的內容，因為這樣能降低給出錯誤資訊的風險。Google 的 E-E-A-T 框架把經驗（Experience）放在第一位，講的就是這件事：一篇談稅務的文章，出自執業會計師之手，跟出自不具名寫手，可信度差很多。ChatGPT、Perplexity、Gemini 在挑選來源時，會蒐集作者訊號——名字、專業領域、過往發表、跨站一致的身分——用來判斷這個來源值不值得放進答案。
我們幫客戶做 GEO 審計時，最常見的漏洞不是文章寫得不好，而是內容像「無主之作」。同一位資深顧問寫了三十篇深度文章，每篇底下卻沒有他的名字、沒有專業背景、也沒連到 LinkedIn，機器根本無法把這些內容跟一個可信的專家綁在一起。你累積的專業，在演算法眼中是散落的、無法歸戶的。
一個能被引用的作者檔案，實際上長怎樣
作者檔案（Author Bio）不是自我介紹，而是同時給機器和讀者看的可信度證明。它要能回答三個問題：你是誰、你憑什麼談這個主題、要去哪裡查證你。一段有效的 bio 通常落在 60 到 120 字之間，具體、可查證，而不是形容詞的堆疊。
- 真名與明確職稱，不要用筆名或「編輯部」這類部門帳號
- 一句話點出專業領域與年資，最好帶可量化的經驗，例如服務過幾家 SaaS、經手過哪一類專案
- 至少一個可驗證的外部身分連結：LinkedIn、學會會員資格、過往任職公司
- 具代表性的著作或發言紀錄，如演講、受訪、共同署名的報告
- 一張真實、清晰的個人照片，並在各平台使用同一張
- 結構化資料標記，讓機器讀得懂上面每一項
從網頁到知識圖譜：讓機器連得起來
人看得懂 bio，機器不一定。要讓 AI 把你的作者身分當成一個實體（entity）來理解，你需要 schema.org 的 Person 結構化資料，並在文章用 author 屬性把內容和這個 Person 綁定。關鍵欄位是 sameAs——把作者的 LinkedIn、個人網站、學術檔案、公司頁面全部列進去。這串連結等於告訴機器：這些散落各處的身分，指向同一個人。當搜尋引擎或大型語言模型建立知識圖譜時，這些一致的訊號會被交叉比對，你的作者就從「一個名字」升級成「一個可辨識的專家節點」。
一致性比華麗更重要。同一個名字、同一張照片、同一組專業描述，跨你的網站、LinkedIn、產業媒體與演講頁面重複出現，這種跨站一致性，是機器判斷「這是不是同一個可信的人」最強的訊號之一。— Tenten GEO
三個讓作者權威白費的常見錯誤
很多網站不是沒有內容，而是把已經累積的權威在細節上漏光了。以下三種做法幾乎每次審計都會遇到。
- 用「編輯部」或「行銷團隊」當作者：機器無法把內容歸給任何真實個人，等於放棄全部作者訊號。
- bio 只寫頭銜不給證據：像「資深顧問，專精數位行銷」這種句子沒有任何可查證資訊，AI 無從驗證。
- 作者身分跨站不一致：這裡叫 Wang、那裡叫 David Wang、照片又換來換去，機器會把你當成好幾個不同的人，權威被稀釋。
從零開始建立作者權威的順序
這件事不必一次到位。照這個順序做，每一步都能獨立產生效果，也方便你邊做邊驗證。
- 為每位真正會署名的作者，寫一段具體、可查證的 bio，補上真名與照片。
- 把 bio 放進該作者的每一篇文章頁，並在網站建立獨立的作者頁面。
- 加上 Person 結構化資料，填好 sameAs，串起所有外部身分。
- 讓作者在外部累積可查證的足跡：產業媒體投稿、受訪、演講、公開發言。
- 用 Brand Radar 這類能見度追蹤，觀察你的作者與品牌在 AI 答案中被提及的變化。
如果你不確定自己的作者訊號在 AI 眼中還缺哪幾塊，可以預約一次 30 分鐘 GEO 診斷，我們會直接指出你的內容為什麼還沒被機器歸戶，以及先補哪一塊最划算。
