我們問了 AI 兩千次「台灣業務該用什麼名片工具」：一份三個月的能見度實測
三個月實測顯示，同一批問題在不同 AI 引擎的品牌提及率差距高達 23 個百分點，而且差距在擴大。使用者直接問品牌名時提及率 84.8%，問「推薦什麼工具」時只剩 48.2%。AI 引用最多的來源除了官網之外，是評測彙整站與 App 商店，不是一般部落格文章。想被 AI 推薦，要分引擎量測、補齊第三方收錄，並且接受 AI 可能把你歸到你沒想過的類別。
如果你只想知道結論：同一批問題丟給兩個不同的 AI 搜尋引擎，品牌被提到的機率可以差到 23 個百分點，而且這個差距在三個月內從 9 個百分點擴大到 23 個。只量一家，你對自己處境的理解會是錯的。
這篇文章講的是我們自己的實測。從 2026 年 6 月 10 日到 9 月 7 日，我們固定拿 43 個問題，反覆問兩個 AI 搜尋引擎，累積 2,349 次紀錄。每一次都記下四件事：有沒有提到我們、提到時排第幾、有沒有把我們當成引用來源、同一個答案裡還提到了誰。
網路上談 AEO 與 GEO 的文章不少，多數停在方法論。這篇沒有方法論，只有數字，以及數字逼我們承認的四件事。
實測怎麼做的
先講清楚方法，數字才有意義。
我們準備 43 個問題，分成兩類。第一類是泛問，模擬還不知道有哪些工具的人會怎麼問，例如「台灣業務員推薦用什麼工具管理名片」。第二類是點名問，模擬已經聽過某個品牌、想確認它好不好的人，問題裡會直接出現品牌名。
每個問題固定送進兩個 AI 搜尋引擎，一個是搜尋結果頁上的 AI 摘要，一個是獨立的 AI 對話產品。同一批問題重複跑，橫跨三個月。
每次回答都自動解析出四個欄位：品牌有沒有被提到、被提到時在列表中的位置、回答有沒有附上我們的網址當來源、以及回答中出現的其他品牌與網址。
累積下來的樣本數如下。
| 項目 | 數量 |
|---|---|
| 總實測次數 | 2,349 |
| 問題數 | 43 |
| 期間 | 2026-06-10 至 09-07 |
| 帶競品清單的紀錄 | 2,253 |
| 帶引用網址的紀錄 | 2,311 |
發現一：兩個引擎的差距，比想像中大，而且在拉開
先看整體。三個月加總，搜尋結果頁的 AI 摘要有 63.2% 的機率提到我們；獨立 AI 對話產品是 46.7%。同一批問題、同一段期間，差了 16.5 個百分點。
但拆成逐月來看，故事更清楚。
| 月份 | 搜尋 AI 摘要 | AI 對話產品 | 差距 |
|---|---|---|---|
| 2026-06 | 52.1% | 43.2% | 8.9 |
| 2026-07 | 66.1% | 47.4% | 18.7 |
| 2026-08 | 70.7% | 48.8% | 21.9 |
| 2026-09 | 76.7% | 53.5% | 23.2 |
這件事對任何做內容的人都成立：如果你只量其中一家，你會得到一個過度樂觀或過度悲觀的結論，而且誤差還會隨時間變大。
為什麼會這樣，我們沒有把握的答案。合理的推測是兩邊的檢索範圍不同——搜尋 AI 摘要的底層是既有的網頁索引，傳統 SEO 的努力會直接反映上去；AI 對話產品的引用來源比較集中，更新頻率也不一樣。但這是推測，我們手上的數據只證明差距存在，不證明原因。
發現二：被知道，和被發現，是兩回事
這是四個發現裡最刺的一個。
把 43 個問題按類型拆開之後：
| 問題類型 | 實測次數 | 提及率 |
|---|---|---|
| 點名問（問題裡有品牌名） | 422 | 84.8% |
| 泛問（不指定品牌） | 1,862 | 48.2% |
換句話說，已經知道你的人去問 AI，八成以上能得到你的資訊——AI 認得你，資料也夠。但一個還不知道你存在的人問「有什麼工具可以推薦」，只有不到一半的機率會看到你。
這個落差很容易被誤讀成好消息。如果你只用點名問去量，會得到 84.8% 這個漂亮數字，然後以為自己在 AI 搜尋裡表現很好。實際上那衡量的是「AI 手上有沒有你的資料」，不是「AI 會不會主動推薦你」。後者才是新客戶會經過的路徑。
量測時把這兩類問題混在一起算平均，是最常見的自欺方式。 要分開看，而且泛問那一欄才是拉新的指標。發現三：AI 引用的來源，不是你以為的那些
我們把 2,311 筆帶引用網址的紀錄攤開，依網域統計出現次數。前幾名如下。
| 排名 | 網域 | 被引用次數 | 類型 |
|---|---|---|---|
| 1 | 自家官網 | 1,765 | 官方網站 |
| 2 | apps.apple.com | 1,356 | App 商店 |
| 3 | tw.my-best.com | 944 | 評測彙整站 |
| 4 | 競品官網 | 917 | 官方網站 |
| 5 | play.google.com | 762 | App 商店 |
| 6 | eventx.io | 687 | 同業官網 |
| 7 | www.facebook.com | 639 | 社群平台 |
| 8 | kikinote.net | 549 | 科技部落格 |
兩個 App 商店合計被引用 2,118 次，比自家官網還多。評測彙整站與科技部落格合計接近 1,500 次。這些位置有一個共同點：不是靠自己寫文章就能拿到的。
App 商店頁面要靠產品本身上架、描述寫好、評價累積。評測彙整站要靠被對方收錄或主動聯繫。社群平台的內容則往往不是自己發的。
這推翻了一個很普遍的假設：「把部落格寫好，AI 自然會引用我。」實測顯示，AI 在回答產品類問題時，很大一部分的引用來自第三方彙整與平台頁面。你的部落格會被引用，但它只是眾多來源之一，而且不是最容易被引用的那一類。
實務上的意思是，AEO 的工作清單裡應該包含：確認自己在主要 App 商店的頁面資訊完整、盤點所在品類的評測彙整站有沒有收錄你、以及檢查社群平台上關於你的內容是否正確。這些和寫文章是不同的工。
發現四：AI 可能把你歸到你沒想過的類別
最後一個發現來自「同一個答案裡還提到了誰」這個欄位。
我們統計了 AI 回答中一起出現的其他品牌，扣掉純網域之後，出現最多的幾類是：名片辨識工具、展覽活動軟體、以及通用型 CRM 系統。
前兩類還算意料之中，第三類不是。通用型 CRM 被一起提到的次數不低，代表在 AI 的理解裡，「管理名片」這件事和「管理客戶關係」是同一個需求空間，而不是兩個。
展覽活動軟體被一起提到的次數也很高。這反映的是使用者提問的情境——很多人問名片工具，背後真正的場景是「參展回來一疊名片怎麼辦」，AI 於是把展覽相關的軟體一併端出來。
這件事的價值不在於知道誰是對手，而在於AI 正在替你重新定義你的品類，而它的定義可能比你自己的定義更貼近使用者的實際處境。如果 AI 一直把你和某一類產品放在一起，那通常代表使用者在同一個情境下會考慮那兩件事。與其糾正它，不如去看看那個情境裡自己還缺什麼。
這三個月我們改了什麼
數據只有在改變行為時才有價值。三個月下來，我們根據上面的發現調整了三件事。
第一，量測拆成兩軌。泛問和點名問分開統計，對外報告一律用泛問那一欄。這讓數字變難看了，但至少是真的。
第二，把第三方收錄列入工作項目。原本的內容規劃只有自家部落格，現在多了一份清單，記錄品類內的評測彙整站與平台頁面，逐一確認資訊是否正確、是否需要更新。
第三，固定頻率、固定題目。原本是想到才量一次，現在固定每月至少一次、題目不變。理由很簡單：三個月的趨勢線比任何一次快照都有資訊量，而趨勢線需要可比較的量測點。
給要自己做的人的三個提醒
如果你也想量自己的 AI 能見度，有三個坑我們踩過。
問題數要夠，而且要固定。 我們用 43 個問題，這是能看出趨勢的下限。問題如果每次都換，你量到的是問題的差異，不是能見度的變化。 至少量兩個引擎。 這是這篇文章最主要的結論。只量一家的誤差會隨時間放大，而你不會知道自己偏了多少。 解析要能區分「被提到」和「被引用」。 被提到是名字出現在答案裡，被引用是你的網址被列為來源。兩者不一定同時發生，而後者更接近傳統 SEO 的流量意義。我們的數據裡，這兩個數字在其中一個引擎幾乎一致，在另一個則有落差。最後
這份報告的所有數字來自我們自己的系統，量的也是我們自己的品牌。這代表它有明顯的侷限：單一品牌、單一品類、台灣市場、三個月。它不能證明所有產業都是這樣。
但方法可以複製，而且我們認為裡面至少有兩個發現是跨品類成立的——不同引擎要分開量、以及被知道不等於被發現。這兩件事不需要 2,349 次實測才能理解，但需要實測才會相信。
如果你想量自己的，Card2Gold 的後台有一套現成的 AI 能見度追蹤，就是產出這份報告的同一套系統。