研究實證 · KDD 2024

全世界都在引用的
GEO 研究報告

如果你曾納悶為什麼有些網站總是出現在 ChatGPT 或 Perplexity 的回答裡,而你的卻被忽略——這不是運氣,是寫法。普林斯頓大學與 IIT Delhi 在 KDD 2024 發表的 《GEO: Generative Engine Optimization》, 用 10,000 筆查詢驗證了 9 種可操作的優化策略,首次把「AI 引用機率」變成可量化的工程問題。

+41%
添加引文的 AI 可見度提升
+33%
添加量化數據的效果
+115%
排名第 5 的網站最大改善幅度
研究背景

引用機率的真正變因

傳統 SEO 看排名,但 AI 搜尋不再給你連結清單——它只給一段答案,標註幾個來源。「能不能被引用」才是新時代的成敗指標。

GEO-bench 資料集

10,000 個查詢 · 25 個領域 · 9 個資料來源,80% 資訊型查詢,模擬真實 AI 使用者場景

PAWC 指標

Position-Adjusted Word Count:越靠近答案開頭、被引用字詞越多,分數越高

Subjective Impression

LLM 評判網站對最終答案的主觀貢獻度,捕捉「字數少但關鍵」的引用

研究挑戰一個長期直覺:關鍵字密度不是核心變因—— 真正影響引用機率的,是內容的「可信度密度」與「表達方式」。

研究數據

9 種策略的實測效果

研究團隊逐一測試 9 種優化手法,量化「優化前 vs 優化後」的可見度改善幅度

策略名稱 中文釋義 PAWC 提升 Subjective 提升
Quotation Addition添加可信引文+41%+28%
Statistics Addition添加量化數據+33%+23%
Cite Sources引用權威來源+30%+15%
Fluency Optimization文字流暢度優化+28%+18%
Technical Terms加入專業術語+20%+7%
Easy-to-Understand簡化語言+14%+10%
Authoritative權威語氣+12%+14%
Unique Words加入獨特用詞+7%+5%
Keyword Stuffing關鍵字堆砌-10%+5%

數據來源:Aggarwal et al. (KDD 2024),arXiv:2311.09735

發現一

換表達方式,而非堆關鍵字

觀察前三名(引文 +41% / 統計 +33% / 來源 +30%),共通點是 它們都不是「加什麼字」的問題,而是「換什麼表達方式」的問題

  • 把「許多研究指出 X」改成「Smith et al. (2023) 指出 X」——變成可引用的引文
  • 把「效果非常顯著」改成「效果提升 41%」——變成可引用的統計數據
  • 在每個論點後面附上來源連結——變成可驗證的事實

AI 不會被堆砌字數騙過,它判斷的是「這段話本身是否可被引用」。 「Keyword Stuffing」-10% 對比「Unique Words」+7% 清楚說明了這一點。

Source: Aggarwal et al., KDD 2024 — arXiv:2311.09735
發現二

排名靠後,改善空間反而更大

+115%
原排名第 5 的網站套用 GEO 策略後的可見度最大提升
Top N
AI 生成答案時,綜合前 N 名網站內容,不只看排名第 1
2–4 週
AEO 優化上線後,可觀察到 AI 引用變化的平均時間

生成式引擎的引用邏輯

AI 生成答案時,綜合前 N 名網站的內容做摘要,而非只看第 1 名。排名靠後的網站只要在「可引用性」上勝出,就能爭取到答案裡的引用位置。

中小企業的最大機會

不必花大量預算與行業龍頭爭 Google 排名。把網站結構與內容改寫到符合生成式引擎偏好,就能直接出現在 AI 的答案裡。

服務對照

9 種策略如何在您的網站落地

理解策略只是第一步,難的是把這 9 種方法系統性地落實在實際網站上

設計方案

新網站 AEO 設計

NT$150,000 / 起

從第一頁就把策略內化進 HTML 語意層與資訊架構

內建引文 Schema
數據模組化呈現
Citation Schema
AEO 寫作指南
Author Schema 內建
資訊架構 + Glossary
了解設計方案
開始行動

先從 AEO 健檢開始

用論文驗證的 9 項策略檢視您的網站,找出最需要補強的環節,並提供 PDF 報告與具體優化路徑

參考文獻

Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., & Deshpande, A. (2024). GEO: Generative Engine Optimization. Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '24). arXiv:2311.09735