Google 在 2022 年替 E-A-T 多加一個 E，Experience（第一手經驗）還排在最前面。這不是換句話說的文字遊戲。當 ChatGPT、Perplexity 或 Google 的 AI Overviews 要從一堆內容裡挑一段來當答案，它們偏好寫得出具體操作細節、真的踩過坑的來源，而不是把百科通論換個說法的內容。你的文章裡有沒有「只有親手做過的人才寫得出來」的東西，直接決定它會不會被抽出來引用。
為什麼 AI 引擎偏好有第一手經驗的內容
AI 引擎生成答案時要壓低出錯風險。通論滿地都是，彼此高度重複，引用哪一篇都一樣，於是模型偏向挑帶有獨特、可驗證細節的段落：具體數字、時間、失敗經過、操作步驟。這些細節在語意上更稠密，也更難憑空捏造，等於替內容附上一層可信度標記。反過來說，經驗訊號也幫模型解決歸屬問題。一段內容若寫著「我們替一家 B2B SaaS 客戶做審計時，發現八成的產品頁從沒在 AI 回答裡被引用過」，模型知道這句話有明確出處、可被引述；只寫「產品頁的 AI 能見度很重要」，那是誰都能講的話，沒有引用價值。
第一手經驗的六種可辨識訊號
- 具體數字與區間：不是「很多客戶」，而是「過去一年我們審過的三十多個網站」。
- 時間與過程：說出你什麼時候做、花了多久、中間改過幾版。
- 失敗與意外：寫出哪裡沒照預期走、你怎麼發現、後來怎麼補。
- 第一人稱操作視角：「我們實際點進去測」比「根據觀察」更站得住。
- 原始素材：自己拍的後台截圖、實測對照，而不是圖庫示意圖。
- 可反駁的判斷：敢說「這招在某某情況會失效」，代表你真的用過。
這六種訊號的共同點是難以外包給沒做過的人代寫。一個從沒執行過 GEO 審計的寫手，寫得出通論，卻寫不出「改到第三版才發現 sitemap 漏掉一整個內容目錄」這種細節。當你在審稿時分得出一篇內容是內行寫的還是外行湊的，模型多半也分得出——它靠的正是這些細節的密度。
實作範例：把一段空話改寫成有經驗的內容
改寫前（通論）
「結構化資料能幫助搜尋引擎理解你的內容，進而提升在 AI 回答中被引用的機會。建議所有頁面都加上適當的 Schema 標記。」這段話沒有錯，但它可以出現在任何一篇同主題文章裡，模型沒有理由挑它。
改寫後（帶第一手經驗）
「我們替一家 SaaS 客戶的定價頁補上 FAQPage 與 Product 標記後，大約第六週，Perplexity 在回答『這類工具大概多少錢』時開始直接引用他們的價格區間。真正的關鍵不是加標記本身：我們先把頁面上原本用圖片呈現的價格改成純文字，因為標記描述的內容如果模型讀不到，Schema 一樣是空的。」同一個主題，後者給了時間、平台、先後順序，還有一個容易被忽略的因果——這就是可被抽出來引用的內容。
經驗訊號不是形容詞，是名詞和數字。把「我們很有經驗」刪掉，換成你到底做了什麼、中間發生了什麼、最後得到什麼。
讓經驗有出處：把內容和作者綁在一起
文章裡的經驗要接得住，讀者和模型都得知道那是誰的經驗。這代表內容要有具名作者，作者要有可查證的相關背景，而且這個身分在網站上要一致：作者頁、關於頁、外部平台的簡介彼此對得起來，AI 引擎判斷可信度時會交叉比對這些訊號。實務上，把作者做過的具體專案寫進簡介，遠比掛一串頭銜有效——「執行過三十多個 B2B 網站的 GEO 審計」是經驗，「資深數位行銷專家」只是自我宣稱。
常見的假經驗，讀者和模型都看得出來
- 用「根據我們的經驗」開頭，後面卻沒有任何具體事實撐著。
- 編造精確數字，卻給不出情境：哪個客戶、什麼時候、怎麼量的。
- 用圖庫照片假裝成親手拍的實測截圖。
- 通篇都是成功案例，沒有一個意外、取捨或失敗。
三個問題，快速檢查你的內容有沒有經驗
- 這段話，一個沒做過的人靠查資料就能寫出來嗎？能的話，它就不是經驗。
- 把所有形容詞拿掉後，還剩下具體事實、數字或步驟嗎？
- 讀者看完，知道「這是誰、在什麼情況下、得到什麼結果」嗎？
大部分內容過不了第一題。這裡也有個底線：別為了湊經驗訊號捏造數字，虛構的「成長三倍」一被追問就崩，真實的小數字勝過漂亮的假數字。如果想知道自己的頁面在 AI 引擎眼中缺了哪些經驗訊號、哪些內容根本沒被引用，可以預約一次三十分鐘 GEO 診斷，我們會直接拿你的頁面當範例走一遍。
