被引用不等於被推薦：多數 AI 能見度工具漏掉的那個指標

AI 助理可以在同一個答案裏，引用你的頁面做來源，轉頭推薦你的對手。引用次數是多數 AI 能見度儀表板的頭條數字，量的是模型有沒有讀你，量不到模型有沒有揀你。兩個結果並不相同，而會帶來查詢的只有其中一個。

這個分別不是紙上談兵，而是直接改變你該把錢花在哪裏，也照出這個行業某些報告有多單薄。

證據顯示什麼？

Ahrefs 在 2026 年 7 月 6 日發表的一項實驗，想看清自我推廣的頁面有多少次真能把「被引用」變成「品牌被提及」。實驗拿一個全新的會議品牌做題目；在引用了那些推廣頁面的答案當中，43% 由頭到尾沒有提過那個會議。模型用了那一頁，卻跳過了那個產品。

同一個實驗裏的對照組才是重點。換成同一發布方旗下一個早已站穩的產品，數字跌到 11%。品牌認得出，引用轉成提及就順暢得多。更差的是另一種情況：助理找到卻決定不引用的頁面，有 74% 完全帶不來任何提及。

這是供應商自家做的實驗，只涵蓋兩個品牌、34 個頁面，所以確切百分比只宜當示意，不宜當通則。真正經得起時間的，是它揭示的機制：內容出了力去餵答案，推薦卻由別人收走，而模型本來就不認識的生意，最容易吃這一虧。

為什麼會這樣？

因為助理在同一個答案裏，會為不同工作用不同來源。

有人問「在香港該用哪一家企業服務供應商」，模型要的是兩樣東西。一是框架：供應商之間分別在哪、該查什麼、有什麼取捨。二是候選人：符合條件的具體公司名字。

框架，由一篇好的解說提供；候選人，來自名錄條目、第三方檔案、評價平台、行業媒體與比較頁面。模型要名字的時候，伸手去拿的是後面那一批。你寫出全市場最好的解釋，卻不在那一批裏面，等於答案由你寫，查詢由榜上有名的人收。

這就是實體與佐證的工夫比發布量更要緊的道理所在。內容換到的是引用；在模型信得過的候選人來源裏，做成機器解得通、又有旁證的實體，才換到推薦。

沒有人計價的穩定性問題

引用儀表板還有第二個問題，而且可能更大：答案本身並不穩定。

SparkToro 在 2026 年 1 月做過一項研究，找來約 600 名志願者，重複提問約 3,000 次，結果同一條問題問兩次而品牌名單一模一樣的，少於 1%。生成式答案講機率，會因人而異，也會隨時間變。同一個問題問兩次，出來的公司可以不同。

學術研究也指向同一邊。2026 年 7 月有一份涵蓋 45 項 GEO 研究的批判性綜述，結論是目前沒有任何做法，能拿出穩定、跨時間、跨平台的因果效果；某些為爭取引用而改寫的做法，反而可能拖低檢索表現。

這些都不等於量度沒有意義，而是說老實的量度單位，應該是多條提問、一段時間之下分布出來的結果，不是一個分數。工具本周報你「AI 能見度 34.7」、上周報「31.2」，背後只有幾次抽查，那報的多數只是浮動。我寫過AI 時代的 KPI 該是什麼，一句講完：幾個月的方向，勝過幾天的精確。

那該量度什麼

三樣，按它們該影響你決定的程度排序。

第一，買家真正會問的問題，你有沒有被點名做答案，而不只是被當來源引用。做法就是追蹤推薦，換多種問法，隔一段時間再問一次。用單一問法抽查一次，只能當故事聽，作不得準。

第二，在你這個類別裏提供候選人的那些來源，有沒有提到你。如果模型一貫從三個名錄與一份行業刊物取名單，那你在那四個地方的存在感，比你自己的發布節奏更能預測推薦。

第三，也是真正收錢的那項，在漏斗的商業一端：有多少查詢提到助理，那些查詢又值多少。對多數網站來說，AI 轉介的絕對量仍然很小。Siege Media 在 2026 年 1 至 5 月看了 120 多個網站，篩出 78 個數據可用，得出轉化率中位數約為 1.26 倍，遠低於推廣簡報上流傳的倍數。做這件事的理由從來不是量，而是由推薦找上門的買家，比由搜尋結果點進來的走得更前。

所以這個行業的工具軍備競賽，我一直有保留。儀表板把一個本來就不該當目標的數字，量得愈來愈精細。值得問的不是你被讀過多少次，而是買家問「該找誰」的時候，答案是不是你。免費能見度檢視看的正是這一點，那個 TITUS 成果對照的也是這個標準。

常見問題

被引用與被推薦，分別在哪？ 引用，是助理拿你的頁面做來源；推薦，是助理直接點你的名做答案。框架可以由你提供，名字卻由對手提供。

為何能見度分數每次差很遠？ 因為答案不穩定。約 3,000 次重複執行中，回傳完全相同品牌名單的少於 1%。單次查詢是樣本，不是排名。

這些工具值得付錢嗎？ 跨多條提問、看數個月的方向，值得。當成每周精確分數，大多不值。錯誤是為儀表板精確度付錢，而非為改變位置的工夫付錢。

該量度什麼？ 跨多種問法、隨時間量度你有沒有被點名為答案；你有沒有出現在你這個類別的候選人來源裏；以及有多少精準查詢提到助理。