AI 搜尋顛覆傳統？10 月 arXiv 最新研究揭五大行銷警訊

就在 2025 年 10 月，一份剛出爐的學術研究 "Characterizing Web Search in The Age of Generative AI" (arXiv:2510.11560v1)，為这个新戰場揭示了革命性的規則。這份研究的目的非常明確：首次系統性地量化分析「AI 搜尋」與「傳統搜尋」在引用來源、內容策略和面對不同用戶意圖時，究竟存在哪些根本性的差異。而它的核心結論，為所有行銷人劃下了全新的戰場規則。

第一部分：本研究的五大核心發現

研究人員透過嚴謹的測試（詳見附錄），得出了五大革命性發現：

發現一：「功能分化」— AIO 成為資訊研究員，SERP 堅守商業導購員

研究證實，AI 搜尋會將多來源資訊整合為一段「敘事式」文字，專注在回答開放性、複雜的「資訊型」問題。然而，傳統 SERP（10 條獨立連結）在處理具有明確「商業意圖」或「交易意圖」的查詢時，依然保持著穩固的主導地位。

發現二：「越級抓取」— AIO 無視 Top 10 排名，只看主題權威

這可能是對 SEO 業者最衝擊的發現。過去我們追求 Top 10 排名，但研究數據顯示：

• AIO 引用的來源中，高達 53% 不在傳統 SERP 的 Top 10。
• 甚至有 27% 的引用來源，連 Top 100 都排不進去。

這意味著 AIO 使用一套全新的標準來判斷「誰是專家」，它會「越級」抓取它認為在特定「主題」上最權威的內容，而不再迷信「頁面排名」。

發現三：「知識依賴差異」— 內部知識 vs. 外部檢索

研究發現，不同的 AI 搜尋引擎對「即時網路資訊」的依賴程度差異極大。

• 重度依賴內部知識： 某些模型（如 GPT-Tool）傾向用自己預先訓練好的內部知識回答，很少檢索網頁。
• 重度依賴外部檢索： 另一些（如 AIO、Gemini、GPT-Search）則會大量檢索外部網頁，以確保資訊的即時性。

發現四：「結果不穩定」— AIO 穩定性遠低於傳統搜尋

研究人員在不同時間重複測試相同的查詢，發現了驚人的差異：

• 傳統搜尋 (Organic)： 來源穩定度最高，約 45% 的連結在不同時間點依然相同。
• AIO (Google AI Overview)： 波動性極高，來源連結僅有約 18% 相同。

這意味著 AIO 的內容是高度動態的，可能每天都在變化。

發現五：「AIO 的局限」— 刻意避開高風險、高商業性與即時性內容

研究也發現，AIO 並非萬能。在特定情況下，它的觸發率極低或表現不佳：

• 即時趨勢： 在「Trending Queries」（熱門趨勢）的測試中，AIO 觸發率僅 3%。只有「具檢索能力」的模型能處理即時資訊。
• 模糊查詢： 對於意圖不明確的字詞（例如同名人物），AIO 涵蓋度不如傳統 SERP。
• 高風險議題： AIO 會刻意迴避可能引發爭議的敏感內容。

第二部分：KPN 奇寶的在地洞察：趨勢的雙重驗證

這份 10 月的學術研究固然震撼，但更令我們振奮的是—— KPN 奇寶早在 2025 年 8 月，針對台灣市場（醫美、旅遊、產險業）的在地觀察報告中，就已得出了「幾乎一致」的結論。

這證實了我們在台灣看到的趨勢並非特例，而是一個全球性的典範轉移。

• KPN 觀察 (一)：完美呼應「功能分化」（呼應發現一 & 五） KPN 在 8 月的報告就指出 AIO 與 SERP 的「一國兩制」。例如：
• 「隆乳材質」： AIO 提供客觀的材質比較（資訊型）；SERP 則充滿各家診所服務（交易型）。
• 「歐洲蜜月」： AIO 提供規劃技巧（資訊型）；SERP 則顯示旅行社行程（交易型）。
• 結論： KPN 的在地數據，完美驗證了這份研究的「功能分化」發現。
• KPN 觀察 (二)：率先發現 AIO 避開「黃金關鍵字」（呼應發現五） KPN 在 8 月就發現 AIO 會「刻意不碰」某些高價值關鍵字，這呼應了該研究發現的 AIO 局限性：
• 地區型 / 商業意圖強： AIO 迴避「台北醫美」、「奧捷旅行社」。
• 泛稱、範圍過廣： AIO 迴避「汽車保険」、「歐洲旅遊」。
• 敏感 / 高風險議題： AIO 迴避「隆乳手術」、「平胸手術」。

第三部分：行銷人的新行動方案 (基於雙重驗證的策略)

既然 KPN 的在地數據與這篇研究一致，行銷人不能再忽視。這不再是猜測，而是已經被雙重驗證的事實。 我們必須立刻行動，調整策略以爭取 AI 的曝光機會：

行動一：審計你的關鍵字意圖 (AIO vs. SERP)

你必須重新檢視你的所有關鍵字，並將它們明確分類：

• AIO 潛力字（資訊型）： 標記出所有「是什麼」、「為什麼」、「如何做」、「...比較」的關鍵字。
• SERP 必爭字（商業型）： 標記出所有「購買」、「價格」、「推薦」、「...廠商」、「...地區」的關鍵字。

行動二：打造「雙軌內容」資產 (TOFU vs. BOFU)

不要再試圖用一篇內容同時滿足兩種意圖。

• AIO 導向： 針對「AIO 潛力字」，建立你的「權威指南」或「知識庫」。內容必須客觀、深入、結構清晰，目標是成為 AI 的答案來源。
• SERP 導向： 針對「SERP 必爭字」，強化你的「登陸頁（Landing Page）」。內容精準、CTA 明確，全力爭取轉換。

行動三：建立「主題權威」（應對發現二：越級抓取）

這是應對「越級抓取」發現的最重要策略。

• 集中火力，讓你網站在特定「核心主題」上（例如「隆乳材質」、「歐洲蜜月規劃」）成為無可爭議的權威。你那些排名不佳但品質極高的長尾內容，現在有了被 AIO 直接引用的機會。

第四部分：結論

KPN 奇寶在 8 月份的台灣市場數據中已經捕捉到了這個訊號。而 10 月份剛發布的國際研究，則從學術上精確地證實了這一點。

這份研究最重要的啟示是： 傳統的 SEO 評估指標（如 nDCG、頁面排名）已不足以應對 AIO 時代。我們需要建立新的評估方法，轉而關注「資源多樣性」、「概念涵蓋度」與「資訊真實性」。

請記住，根據 KPN 的數據，在台灣市場，「自然流量」（Organic）依然是各大產業最主要的流量來源。SEO 這場遊戲沒有結束，只是規則升級了。

對於希望深入了解本研究如何進行的讀者，以下是對其研究方法的深度解析。附錄：研究方法深度拆解 (選讀)

【研究方法深度解析 (一)：為何研究要用「六種不同資料集」？】

六種資料集，就是代表六種不同的「用戶意圖」

您可以把這六種資料集想像成六種不同的「考卷」，研究人員拿著這六張考卷，分別去考 AIO、Gemini、GPT-Search、GPT-Tool 和 Organic Search 這五位考生。

• 考卷 A (MS Marco / WildChat - 一般真實查詢):
• 目的： 測試模型應對「一般人」的真實、隨機的日常問題時的表現。
• 考卷 B (Products - 高商業意圖):
• 目的： 專門測試模型在「購物、比價」等高商業意圖查詢上的策略。
• 考卷 C (AllSides - 政治偏向性):
• 目的： 測試模型在處理「敏感、具爭議性」的政治議題時，是否會迴避或展現偏見。
• 考卷 D (Science Queries - 專業領域):
• 目的： 測試模型在「專業、深入」的知識型問題上的表現。
• 考卷 E (Regulatory Actions / Trending Queries - 即時性):
• 目的： 這是最關鍵的測試之一。專門用來測試模型對「剛發生的新資訊」（例如最新的行政命令或 Google Trends 熱搜）的掌握能力。

結論：研究的完整流程

研究人員的完整流程是：

1. 拿起「考卷 A (MS Marco)」裡的所有問題。

2. 用這些同樣的問題去問 AIO、Gemini、GPT... 等五位考生。

3. 記錄下他們的答案和引用來源。

4. 接著，拿起「考卷 B (Products)」裡的所有問題。

5. 再次用這些同樣的問題去問那五位考生。

6. ...依此類推，直到六套考卷全部測完。

正是因為他們使用了這六種不同意圖的資料集，並且在每一種資料集內都用了同樣的問句去測試所有模型，他們才能如此有信心地得出普遍性的結論。

【研究方法深度解析 (二)：AI 如何分析「概念」而非「關鍵字」？ (LLooM 框架)】

1. 什麼是「LLooM 框架」？ LLooM 是一個縮寫，它是一種學術上用來做「主題推論 (Topic Inference)」的方法名稱。

簡單來說，它不是一個現成的軟體，而是這群研究人員使用的一套「用 AI 來分析 AI」的方法論。 它的全名是 "Large Language Model-powered concept induction framework" (由大型語言模型驅動的概念歸納框架)。

2. 什麼是分析「概念 (Concept)」？ 這點非常重要。傳統的 SEO 內容分析是看「關鍵字 (Keyword)」有沒有出現。但 AI 時代，我們必須分析更高維度的「概念 (Concept)」。

• 關鍵字 (Keyword)： 「不平等 數學」、「不平等 社會」
• 概念 (Concept)： 「數學上的不平等」(Mathematical Concepts)、「社會性的不平等」(Inequality Expressions)

您可以看到，「概念」是一個更高層次、更接近「用戶意圖」的想法。這份研究的精華就在於，它不是在計算 AIO 和 SERP 出現了多少相同的「關鍵字」，而是在計算它們涵蓋了多少相同的「概念」。

3. LLooM 框架是如何運作的？(兩階段) 這套方法精巧地運用 AI 做了兩件事：

• 階段一：歸納 (Induction) - 「這堆答案裡總共有哪些概念？」 研究人員針對一個查詢 (例如研究中的 Figure 2：「什麼是不平等的例子？」)。 他們會把 AIO、Gemini、GPT-Search 和 Organic SERP (前 10 名) 的所有回答文本，全部丟給 LLooM (也就是一個強大的 AI, 如 GPT-4o)。 他們對 AI 下達指令 (Prompt)，要求 AI 閱讀這所有資料後，歸納出一張「概念總表 (Master List)」。 所以 AI 會吐出一張清單，就像 Figure 2 的 X 軸：「數學概念」、「法規表述」、「符號表示」、「社會不均」...等等。
• 階段二：標註 (Classification) - 「AIO 涵蓋了其中幾個概念？」 現在有了一張「概念總表」。 研究人員再回過頭來，單獨拿出一個回答 (例如「AIO 的回答」)。 他們再次對 AI 下指令：「請判斷這份 AIO 的回答，是否涵與了『數學概念』？(是/否)」、「是否涵與了『法規表述』？(是/否)」... AI 會逐一標註。 他們對 Gemini、GPT-Search、Organic SERP 也都重複做一次這個標註動作。

最終結果： 他們得到了一張「概念覆蓋表」（這就是您看到的 Figure 2），這張表清晰地顯示了，面對同一個問題，AIO 選擇回答了哪些概念、Organic SERP 選擇了哪些，而 Gemini 又選擇了哪些。

總結：

所以，「AI (LLooM 框架) 來分析『概念』」這句話，翻譯成白話就是：

「研究人員使用一套『AI 分析法』，先從所有搜尋結果中歸納出『所有可能的答案面向』，然後再回頭去標註 AIO、SERP 各自回答了其中的哪幾個面向，以此來量化它們的內容策略差異。」

這就是為什麼我們能在 Figure 2 中看到，AIO 和 Organic SERP 在回答同一個問題時，其「內容的廣度」和「策略的偏好」是截然不同的。這也是我們在重現研究時，最高階也最有價值的一個分析步驟。

資料來源：Characterizing Web Search in The Age of Generative AI

 

還想了解更多各類數位行銷資訊的話，歡迎訂閱電子報、加入奇寶Line好友，第一時間接收最新資訊！後續我們台北移動學苑還會陸續舉辦各類型的行銷課程，也歡迎有興趣的行銷人可以加入我們臉書粉絲團，在粉絲專頁上與我們討論喔！

Facebook粉絲專頁：

奇寶網路
台北移動學苑

歡迎轉載KPN奇寶部落格相關文章，在轉載前請先詳閱著作權聲明及轉載原則