GEO 的投資報酬，不能用「有沒有被 ChatGPT 提到」交差。被提到只是最表層的訊號。真正能對財務長交代的 ROI，要把 AI 能見度拆成一條可量測的漏斗：從內容被模型檢索、在回答裡被引用、使用者點回網站，一路追到進線商機的金額。中間少了任何一層，你算出來的數字不是灌水，就是嚴重低估。
為什麼「排名」這把尺量不準 GEO
傳統 SEO 的 ROI 邏輯很直觀：關鍵字排上第一頁、自然流量成長、轉換跟著來。這條鏈在 AI 引擎裡斷了。使用者在 Perplexity 或 ChatGPT 得到一段完整答案，問題當場解決，很可能一次都沒點你的網站。GA4 的自然搜尋管道看不到這筆，referral 來源還常被錯標成 direct。
反方向也一樣失真。一次被 AI 引用，等於在使用者做決策的當下把你的品牌植入答案裡，價值不低；但你的儀表板不會有任何一格數字跳動。只盯排名或只盯點擊，都會讓 GEO 的成效變成一筆說不清的帳。要把帳算對，得先承認 AI 能見度是分層發生的，然後逐層量測。
把 AI 能見度拆成四層漏斗
我們在替客戶做 GEO 審計時，一律先把能見度切成四層。每一層是下一層的必要條件，任何一層漏水，後面的投入都白費。
- 檢索層（Retrieval）：你的內容有沒有被模型的檢索管道抓進候選來源。沒進候選集，後面全都免談。
- 引用層（Citation）：在實際生成的回答裡，模型有沒有引用你、用什麼語氣引用、排在第幾個來源。
- 點擊層（Referral）：使用者從 AI 答案點回你網站的實際流量。
- 商機層（Pipeline）：這些訪客最後填表、預約診斷、成交的加權金額。
每一層要量什麼、用什麼方法
四層各自對應不同的量測動作，不能用同一個指標混著看。
- 檢索層：用 Brand Radar 這類能見度追蹤工具，跑一批目標問題，統計你的網域出現在候選來源裡的比例。這是先行指標，通常最早動。
- 引用層：追蹤「引用佔有率」。在 100 個相關提問裡，你被引用幾次、對手被引用幾次，語氣是推薦還是反例。這是決定成交方向的一層。
- 點擊層：在 GA4 用正規表示式，把 perplexity.ai、chat 類網域、gemini 等來源獨立成一個「AI 助理」管道，別讓它們沉進 direct。
- 商機層：用專屬著陸頁與 UTM 把 AI 來源的訪客綁進 CRM，一路標記到商機階段與金額。
一個可以直接套用的歸因公式
把四層量好之後，ROI 的骨架其實很簡單：GEO ROI ＝（AI 來源商機的加權管道價值 − GEO 總投入）÷ GEO 總投入。關鍵在「加權」兩個字。AI 引用會產生品牌外溢，很多價值不靠最後一次點擊發生，所以除了硬歸因的成交金額，還要補上「引用曝光量 × 平均品牌接觸價值」這一塊，才不會把 GEO 的貢獻算得太薄。
一個 90 天的實際情境
以一家做人資 SaaS 的 B2B 客戶為例，情境是這樣跑的。前 30 天先做 GEO 審計，找出 40 個決策期問題，發現其中只有 6 個問題會引用到品牌，引用佔有率約 15%，多半還排在對手後面。接下來兩個月，內容引擎針對缺口產出 12 篇可被乾淨抽取的內容。到第 90 天，引用佔有率拉到 41%，AI 助理管道的月流量從近乎零成長到 300 多次點擊，其中 9 個進了 CRM、綁出 3 筆合格商機。用硬歸因算，這 3 筆的加權管道價值已經覆蓋掉整季 GEO 投入，還沒把品牌外溢算進去。
客戶最常忽略的不是引用次數，而是引用的語氣。被 AI 當成反例引用一次，成交上是負分，卻會讓只看次數的儀表板一片漂亮。
三個最常見的歸因錯誤
多數 GEO 成效報告不是做不出來，而是敗在歸因方式，把對的努力算成了糊塗帳。
- 把 AI referral 全落進 direct，於是整條 AI 管道在報表上根本不存在，成效等於白做。
- 只數引用次數，不看引用語氣與排序，把負面引用也當成正分累加。
- 用單一月份的數字判 ROI。AI 引用有累積效應，內容被穩定收錄需要時間，太早結案會低估真實回報。
把這四層漏斗與加權公式接上你現有的 GA4 和 CRM，GEO 就不再是一筆說不清的行銷費用，而是能跟其他管道並排比較的投資。想知道自己現在卡在哪一層、引用佔有率離對手還差多少，可以預約 30 分鐘 GEO 診斷，我們會用你自己的目標問題現場跑一次，把缺口指給你看。
