在台灣用中文問 ChatGPT、Perplexity 或 Gemini，它引用的來源常常不是你的官網，而是 Dcard、PTT 上一則兩三年前的貼文，或一篇你沒聽過的地方新聞。查詢的類型幾乎決定了引用來源的組成：名詞解釋與事實型問題偏向維基百科和新聞媒體，評價、推薦、比較型問題則由論壇和使用者內容主導。先搞清楚哪一類來源在你的目標問題裡佔比最高，比追蹤自己在 Google 排第幾名更有用。
該追蹤的是引用來源，不是排名
傳統 SEO 盯的是關鍵字排在第幾。AI 答案裡沒有「第幾名」這回事，模型一次讀進十幾個來源，綜合成一段話，再附上幾個引用連結，決定你有沒有被看見的，是那份引用清單。我們替 B2B 客戶建立 Brand Radar 追蹤時，第一步從來不是數品牌被提及幾次，而是拆開每一個目標問題，看 AI 究竟讀了哪些網域、信了誰、把誰放進引用。視角一換，優化的對象就從「我的頁面」變成「AI 會去讀的那些來源」。
台灣 AI 引用來源的實際組成
下面這份分布來自我們長期追蹤台灣 B2B 與消費相關查詢的實務觀察，不是某份公開報告的精確統計；真實比例會隨問題、隨模型版本、隨月份浮動。但相對高低的方向相當穩定，足以拿來規劃內容。
- 維基百科（中文）：名詞定義、公司背景、產業概念類問題裡幾乎必然出現，是所有來源中最穩定的一個。
- 新聞媒體（中央社、經濟日報、數位時代及各科技媒體）：時事、市場規模、募資與併購、政策類問題的主要引用來源。
- Dcard：口碑、職場、消費決策類問題的高佔比來源，年輕族群相關主題尤其明顯。
- PTT：發文量雖然下滑，舊文仍被大量索引，3C、金融、專業長尾問題經常引用到。
- Mobile01：硬體、設備與企業採購型評測的重量級來源，規格比較題常常出現。
- 品牌官網與 .gov.tw：被模型視為權威，但通常只有在問題明確指向該機構或該品牌時，才會被選進引用。
論壇與使用者內容為何佔比高得不合理
單看網站流量，Dcard、PTT、Mobile01 未必贏過大型媒體，但在 AI 引用裡的佔比常常高出一截，原因在格式。模型偏好可以直接抽取的第一手經驗：真人用過某個工具後的具體描述、正反意見並陳的討論串、一問一答的結構，這些正是論壇天生的樣子。一篇官網產品頁寫「業界領先的解決方案」，對模型幾乎沒有引用價值；一則 Dcard 貼文寫「我們公司導入後，客服回覆時間從一天縮到兩小時」，反而正中 AI 想要的那種具體、可歸因的句子。
事實型問題：新聞與維基的主場
問題只要帶有「是什麼」「多少」「哪一年」這種事實需求，引用來源就會明顯往維基百科和新聞倒。這類問題模型要的是可查證、有日期、來源明確的敘述，論壇的個人經驗反而被降權。對 B2B 品牌來說，這代表兩件事：公司的中文維基條目若資訊過時或根本不存在，等於在事實型問答裡缺席；而持續產出被新聞媒體引用、或本身就具新聞性的內容，像是市場數字、產業調查、具名觀點，是少數能擠進這類引用的方法。
官網與 .gov.tw：權威不等於被引用
很多人以為官網和政府網域權重高，就該被優先引用，實際上模型對它們是有條件的信任。.gov.tw 在法規、稅務、公開資料類問題裡佔比很高，一離開這些主題就幾乎不出現。品牌官網也一樣：問「A 公司的定價方案」時官網容易被引用，問「A 公司和 B 公司哪個好」時，答案反而幾乎全靠第三方評價和論壇拼出來，官網自說自話的內容進不了引用。權威決定的是在什麼題目下被信任，不是所有題目都被引用。
台灣 B2B 品牌該怎麼做
- 先分類目標問題：把要追蹤的查詢分成事實型與評價型兩堆，兩者要優化的來源完全不同。
- 補齊事實層：確認中文維基條目正確，產出具新聞性且可被引用的資料，例如自家調查、具名數字、產業觀點。
- 經營第三方聲量：在 Dcard、PTT、Mobile01 這類高引用來源裡，讓真實使用者的具體經驗被留下，而不是投放一看就是業配的內容。
- 改寫官網語言：把「業界領先」換成具體、可歸因、帶數字的句子，讓官網內容本身也具備被抽取的價值。
- 定期重測：引用來源會隨模型改版變動，追蹤要當成持續的動作，不是一次性稽核。
台灣的 AI 引用生態和英文世界不一樣，Dcard、PTT、Mobile01 這些在地來源的份量，遠比多數品牌預期的重。與其猜自己在 AI 答案裡長什麼樣，不如把目標問題實際跑一遍，看清楚每一題背後 AI 讀了誰。想知道自己的品牌在這些引用來源裡出現在哪、又漏掉了哪些，可以預約一場 30 分鐘 GEO 診斷，我們用你真正在意的問題當樣本，一起把缺口攤開來看。
