LLMO · 生成式搜尋最佳化
Large Language Model Optimization
什麼是 LLMO?
- 讓 AI 回答中引用我們品牌的最佳化
- 與 GEO、AEO 的問題意識與做法實質相同
- 明確的答案、結構化、信任訊號是核心
導入 LLMO 後,評估內容的單位也會跟著改變。SEO 時代是「頁面」在爭排名,但 AI 不會整頁呈現,而是只擷取用於答案的兩三句話。因此比起標題標籤或關鍵字密度,應先看「這段文字單獨截出來還讀得懂嗎?」。與其反覆修改公司介紹頁面五次,不如為常被問到的一個問題加上三行答案,更能提高被引用的機率。衡量成效的眼光也要從造訪人數,轉向100 個問題中我們被提及的次數。
AI 提及品牌的途徑大致分為兩種。一是模型已經學習過的知識,二是回答當下即時搜尋並調取的線上文件。前者我們既無法介入,也無法快速更新;但後者本月發布的文章,下個月就可能被引用。這就是 LLMO 實務實際上是「管理會被即時搜尋命中的文件」的原因。另外,如果 SEO 把反向連結視為信任訊號,AI 則會把沒有連結、只出現名稱的句子也當作依據。像媒體訪問、協會報告、社群評價這類散布在我們網域之外的提及,影響力比首頁改版更大。
GEO、AEO 與概念界線其實不必深究,但衡量規則最好事先定好。方法是把顧客可能會問的問題固定為 30~50 題,每月用相同條件跑一次,除了記錄是否被提及,也要記錄「是被推薦而提到,還是只是單純列舉」。AI 回答即使是同一題,每次執行也會不同,因此不能只問一次就拿來判斷排名。每題跑 3 次取平均,是最基本的衡量設計。
實務上最常出錯的地方,是另外製作「給 AI 看的頁面」。若大量產出沒人會讀的 FAQ,會被判定為低品質,連原本進來的搜尋流量也一併流失。反過來的誤解也很常見:AI 開始提到我們之後,卻不確認內容是否正確,結果出現並不存在的獲獎紀錄,或把三年前的價目表當成事實說出來。若不找出作為來源的舊新聞稿或久未更新的徵才公告並加以修正,同樣的錯誤會持續好幾個月。建議把「每季直接詢問 AI 我們公司名稱」的檢查排入行事曆。
2023~2024 年生成式 AI 搜尋崛起之際,為了讓既有 SEO 延伸到 AI 回答的時代,GEO、AEO 一同出現的概念。
以假設案例來說明。這是員工約 40 人、年營收約 80 億韓元規模的 B2B 人才評估解決方案公司 A 公司。6 個月內,官網的詢問數從每月 35 件掉到 18 件,幾乎腰斬;但既沒有減少廣告費,也沒有減少內容發布量,因此找不到原因。行銷團隊兩個月來一直卡在「搜尋排名沒變,為什麼詢問卻減少?」這個問題上。
- 行銷組長檢視業務團隊的諮詢紀錄 12 筆後發現,其中有 5 位客戶在第一通電話就表示「我問了 ChatGPT,出來的都是其他公司」。
- 將顧客可能會問的 47 個問題整理成表格,分別在 ChatGPT、Gemini、Perplexity 上各跑 3 次,結果 A 公司在 47 題中只有 3 題(6%)提到,競爭對手 B 公司則有 16 題。
- 內容編輯檢視部落格 210 篇後發現,大多以「今天要來談談人事考核」開頭,沒有定義句;於是把瀏覽數前 40 篇改寫成開頭三句就給出答案的結構。
- 在產品頁面中,將收費方案、導入期間、可連動的系統整理成比較表放入,並把「HR 負責人常問的問題」18 題,每題切成一組問答張貼上去。
- 執行長在人資相關協會刊物投稿 2 篇、客戶導入訪談報導 4 篇,為自家網域以外的提及增加了 5 個月的份量,並要求更正 2021 年新聞稿中錯誤的價目表。
- 5 個月後用相同的 47 題重新測量,提及率從 6% 提升到 38%,經由 AI 服務進站的流量從每月 4 筆增加到 61 筆,詢問數也從 18 件回升到 29 件。
金鍾赫
Hye-rang Park