重點摘要
- 模型內與模型外回應的資產差異：區分「In-Model」(訓練數據) 與「Out-of-Model」(檢索增強/RAG) 是制定 AI 搜尋策略的基礎，前者更新緩慢，後者則具備即時性與高 ROI 潛力。
- Grounding 機制的商業價值：當 LLM 發動外部檢索時，品牌能否出現在「被參考的來源」中，決定了我們在 AI 生成答案中的市佔率。
- 藤壺效應 (Barnacle SEO) 的槓桿原理：在 AI 時代，單靠自有官網是不夠的，必須利用高權重第三方平台 (如 LinkedIn, YouTube, 大型媒體) 來搶佔模型檢索的優先順位。
在數據分析的領域裡，我們習慣將所有的流量來源量化為具體的獲客成本 (CAC) 與回報率 (ROI)。然而，隨著 Google 的 AI Overviews (AIO) 與 ChatGPT Search 逐漸改變使用者的搜尋行為，一個令許多行銷人感到焦慮的變數出現了：我們該如何衡量並優化「機器生成的答案」？Moz 的 Search Science 團隊負責人 Tom Capper 在最新的 Whiteboard Friday 中提出了一個極為關鍵的架構——「In-Model」與「Out-of-Model」回應的區別。從廣告投放與數據優化的視角來看，這不僅僅是 SEO 技術的探討，更是一場關於「資訊庫存」的重新定價。若我們無法區分哪些流量來自模型的「長期記憶」，哪些來自「即時檢索」，我們將無法將預算與人力配置在對的地方，進而導致資源的無效燃燒。
數據延遲性：從長期記憶到即時檢索的博弈
要理解這場賽局，首先得剖析 LLM (大型語言模型) 的運作邏輯。所謂的「In-Model Responses」，指的是模型僅依靠其預先訓練好的數據庫來回答問題。舉例來說，當用戶要求「寫一首關於行銷的詩」，模型不需要上網搜尋，直接調用內建參數即可。這裡的致命傷在於「數據延遲」。GPT-4 的訓練截止於 2022 年底，即便後續版本有所更新，訓練一個大模型的時間成本與資金成本極高，這意味著如果你試圖透過「改變訓練數據」來影響 AI 的回答，你的 ROI 趨近於零，因為那個反饋迴圈 (Feedback Loop) 可能長達數年。
相對地，「Out-of-Model Responses」才是行銷人真正的戰場。當用戶詢問「2025 年 12 月的核心演算法更新了什麼？」這類具備時效性或事實查核需求的問題時，模型會啟動「Grounding」機制 (即接地/檢索增強)。它會發送即時查詢 (通常透過 Bing 或 Google)，抓取當前的網頁內容來生成答案。這對於我們意味著什麼？意味著只要你的內容能被搜尋引擎快速索引並判定為高權重，你就能在幾分鐘或幾小時內影響 AI 的輸出結果。從效率面來看，專注於 Out-of-Model 的優化，才是符合成本效益的策略。
藤壺 SEO：借力使力的流量槓桿術
Tom Capper 在分析中提出了一個經典但被重新定義的概念：「Barnacle SEO (藤壺 SEO)」。在傳統 SEO 時代，這指的是依附在大網站上排名；但在 AI 搜尋時代，這是一種高效率的「權重借貸」策略。當 LLM 進行外部檢索時，它傾向於信任權威性極高的來源。
這就帶出了一個殘酷的現實：你的品牌官網可能不是 AI 優先讀取的對象。如果不認清這點，你就是在用小船去撞冰山。策略必須轉向——我們需要去佔領那些 AI 已經信任的領地。這包括維基百科、權威新聞媒體、LinkedIn Pulse、甚至是 YouTube 的影片摘要。對於廣告投放策略師而言，這類似於在頂級發布商 (Premium Publishers) 購買版位，只是這裡的貨幣不是媒體費，而是內容優化與公關運作。如果 ChatGPT 搜尋某個 B2B 解決方案時，優先參考的是 G2 或 Gartner 的評測，那麼優化你的官網產品頁面遠不如確保你在 G2 上擁有高分評價來得重要。
數位公關與資產碎片化的 ROI 重算
延續上述邏輯，數位公關 (Digital PR) 的角色將從「品牌曝光」轉變為「數據源餵養」。過去我們做 PR 可能只看媒體曝光量或反向連結 (Backlinks) 的數量，但在 AI 時代，我們更在乎的是該媒體是否為 LLM 的「Grounding Source」。
這導致我們必須重新計算內容資產的 ROI。過去我們將 80% 的資源投入在自有官網 (Owned Media)，20% 在外部。現在，這個比例可能需要調整。如果一個查詢觸發的是 Out-of-Model 回應，而 AI 抓取的是前三名的新聞報導，那麼你花在自家部落格上的精美排版與互動設計，對於這個查詢的貢獻值就是零。我們需要監測的指標不再只是「排名」，而是「被引用率」。這要求行銷團隊具備更強的跨平台佈局能力，將單一訊息拆解並散佈到各個高權重節點，形成一個讓 AI 無法忽視的資訊包圍網。
台灣市場的 AI 搜尋歸因與數據盲點
將視角拉回台灣市場，這裡存在著獨特的數據生態與歸因難題。台灣用戶高度依賴社群平台 (如 Line, Dcard, PTT) 與特定垂直媒體 (如 Mobile01)。然而，目前的 LLM (如 ChatGPT, Gemini) 在進行中文檢索時，其 Grounding 的來源往往偏向結構化較好、且對爬蟲友善的網站，或是主流新聞網。這就產生了一個巨大的數據缺口：台灣真實的社群討論聲量，未必能即時反映在 AI 的回答中。
作為廣告與數據分析師，我必須提醒大家注意「歸因黑洞」的擴大。當用戶在 ChatGPT 得到答案後便離開，並沒有點擊進入你的網站，你的 Google Analytics 4 (GA4) 將捕捉不到這筆互動。這會導致我們低估了品牌聲量的實際價值，進而誤判行銷預算的效果。針對這一點，建議台灣的品牌主開始建立「Share of Model (模型佔有率)」的監測機制。我們可以透過定期輸入與品牌相關的高頻查詢詞，手動或自動化記錄 AI 回答中提及品牌的次數與情感傾向。這雖然原始，但在 API 尚未完全開放透明化之前，這是我們評估 Out-of-Model 優化成效的唯一「非點擊」指標。別讓流量的消失，掩蓋了品牌影響力的真實流動。
延伸閱讀：In and Out of Model Responses Explained — Whiteboard Friday