Kevin Indig 的研究數據被放進這篇文章的第三段：AI 引用裡有 44.2% 來自頁面前 30% 的內容。
這個數字本身不嚇人。嚇人的是它背後的意思：AI 助理（搜尋結果裡直接回答你問題的那種，像 ChatGPT、Perplexity、Google 的 AI 摘要）讀頁面的方式，跟你我不一樣。它不會乖乖從頭看到尾。它切塊、抽取、只抓跟問題最相關的那幾段，然後決定要不要引用你。
所以「寫得好」不夠。你要寫得讓 AI 好抽。
這篇是 Ahrefs 的 SEO 與行銷教育者 Mateusz Makosiewicz 寫的，編輯是 Ryan Law。Ahrefs 自己做搜尋數據工具，也長期發表這類教學。素材裡提到的幾個數據，一部分是他們自家的研究，一部分是外部研究，我下面會一個一個標清楚。
對已經在管網站的人來說，這篇最有用的一點是：它沒有把 AI 搜尋優化講成什麼新宗教。它說的是，你本來就在做的那些事，大部分還是要做，只是多了一層新目標。
AI 搜尋優化有沒有脫離傳統 SEO？
沒有。至少 Google 和微軟自己都這麼說。
Makosiewicz 寫道，Google 說它的 AI 搜尋功能還是建在核心搜尋系統上。你的內容還是要能被爬蟲抓得到、進得了索引，而且要對使用者有用。微軟說的是另外一件事：Bing 的索引正在從「一堆網頁的清單」變成「一堆事實的來源」，讓 AI 拿這些事實去組答案。
把這兩家官方說法放在一起，他認為真正的變化是：AI 搜尋還是靠傳統搜尋在跑，但「排名」不再是全部的工作。你的內容還得提供事實，讓 AI 系統能理解、能信任、能引用。
換句話說，傳統 SEO 的技術基礎沒有被淘汰。它變成底座。爬取、索引、相關性這些舊功夫，決定你有沒有資格進場。進場之後，才輪到 AI 引用這一層新競爭。
讓 AI 爬得到你，是第一關
這一段是最容易被低估的技術坑。內容再好，AI 爬不到就等於不存在。
Makosiewicz 列出幾個要手動檢查的地方。
查 robots.txt 和常見 AI 爬取錯誤
他用 Ahrefs 自家的免費工具示範：在 Site Audit 的「AI discoverability」區塊可以看 AI 相關的技術問題。在 Bot Analytics 可以查不成功的 AI 爬蟲請求，尤其是 404、499、5xx 這三種狀態碼。404 是頁面不存在，499 是請求中斷，5xx 是伺服器錯誤，三種要修的都不一樣。
他特別提一個做法：如果同一個壞掉的網址一直收到 AI 搜尋來的流量，先把它轉址到最相關的活頁面。更進一步，這個重複的 404 可能代表一個內容機會。AI 一直把使用者送來一個你根本沒做的頁面，你就該考慮，那個頁面是不是真的該存在。
伺服器設定也要看
有些阻擋是典型站點爬取抓不到的，要另外查伺服器、防火牆或內容傳遞網路（CDN，站點前面那層加速與防護的服務）。他舉例，Cloudflare 讓站主可以控制 AI 爬蟲的存取權，其文件也說明防火牆和機器人管理設定可能擋到爬蟲。要查有沒有 AI 爬蟲被擋，進 Cloudflare 的 AI Crawl Control 看安全設定。
AI agent 可以代勞，代價是你給它權限
他的看法是，如果能給 AI agent 正確的權限，它可以檢查 robots.txt、noindex 規則、狀態碼、轉址、可見內容、WAF 規則、爬蟲造訪記錄這些東西，然後建議甚至直接修。對應的 prompt 他放在文章裡，連結指向一個 GitHub 檔案，名字是「AI crawler access audit」。
這一段的重點很簡單：AI 引用發生之前，有一層純技術的關卡。很多人跳過它，直接去寫內容，結果卡在最前面。
內容要對得上查詢，而且值得被抽
兩件事分開。先對得上，再談值不值得。
對得上的意思是，你的頁面標題、描述、標題列、內文，要清楚對應使用者問的問題。他舉例，如果你想影響 AI 對「startups 用的 AI 能見度工具」這個問題的回答，就應該做一個專頁專門講這件事。你當然也可以把答案埋在一篇比較廣的 AI 能見度文章裡，但以他的經驗，被引用的機會低很多。
他另外提到 HubSpot 最近的一個案例：做跟特定 prompt 高度對應的頁面，幫他們提高 AI 能見度，也擴展到更多產業和地區市場。這是 HubSpot 自己回報的結果，作者引用時沒有給出數字。
值不值得被抽，是第二個問題。他的看法是：通用的摘要很容易被取代。幾十個頁面講差不多的東西，AI 沒有理由非引用你不可。比較難被複製的資訊，是原創案例、問卷數據、基準數據、工作流程、客戶洞察、專家判斷這些。
一句話：能抄的內容，AI 去抄別人的就好，幹嘛抄你的。
事實要寫成 AI 好抽取的格式
這一段值得細看，它回答了很多人在問的「結構化資料到底有沒有用」。
不是結構化資料，是可見文字
他在文章裡寫到一個 Ahrefs 自己的測試：五個主流 AI 系統都忽略了 JSON-LD、隱藏的 Microdata 和隱藏的 RDFa（三種把資料結構化給機器讀的方式），只靠可見的 HTML。所以如果你的重要資訊只存在結構化資料裡，或者嵌在圖片裡，就必須另外用文字寫在頁面上。他在 2024 年那份 SEO 成本問卷研究裡，就把圖表裡的關鍵結論同時寫在正文，讀者跟 AI 都不用去圖片裡挖。
這是一個有數據、有測試的結論，跟我過去讀到的「schema 對 AI 引用有幫助」說法互相矛盾。他的根據是 Ahrefs 自家測試，樣本是五個主流 AI 系統。信不信由你，但他至少把測試對象講清楚了。
區塊化：每個段落自己站得住
AI 搜尋引擎會把頁面切成小塊，抓跟查詢最相關的段落，只引用能支撐答案的那些部分。所以重要的事實要放在找得到的地方，而且被單獨抽出來的時候還要有意義。這種寫法他稱作「atomic content」，就是把內容拆成各自完整的小單元。
他舉的對比很清楚。散落的寫法，答案散在好幾段裡，截一小段就失去脈絡。自足的寫法，每個區塊自己介紹一個點、自己講完一個點，截出來還是完整。
數字、命名實體、明確語言
Kevin Indig 的研究在這裡出現。那研究發現：被引用的段落裡，命名實體（人名、地名、產品名、日期、數字這些具體的東西）比一般文字多，而且更常用明確語言，少用含糊的修飾。他舉的假想例子是，與其寫「我們的工具有助於改善企業在多個 AI 平台的能見度」，不如寫「我們的工具每週更新一次，追蹤你的品牌在 ChatGPT、Perplexity 和 Google AI 摘要裡各出現幾次」。
他另外給一個做法：重要資訊從段落裡挖出來，變成獨立、直接的陳述句。段落前面先給結論，也就是他寫的 BLUF，Bottom Line Up Front，先把結論、建議或關鍵發現放在任何段落開頭的一兩句，後面再補。
事實會過期，過期就會被別人搶走
他寫到他們最近做了一個 AEO（AI 引擎優化，就是針對 AI 搜尋的優化）外展實驗，請別人修掉關於 Ahrefs 的過時、錯誤頁面。結果在自家網站上也找到幾頁寫錯的。
所以新鮮度不只是加個「最後更新日期」就了事。重要的資訊，尤其是產品定價、功能限制、設定步驟、比較聲明這些，要隨時更新，而且在每一個出現的地方都要一致。
微軟有明確討論新鮮度、來源、事實準確性與矛盾處理這幾件事。他的解讀是：當你自己網站上的頁面互相矛盾，答案系統就得多花力氣判斷該信誰，結果可能是拿出過時的頁面，或跑去用別人的來源，或者乾脆不做這個聲明。
數字的部分有一個值得注意：他引用自家研究，ChatGPT 引用的「最佳 X」清單文章裡，57.1% 在發布後有更新過，79.1% 最後一次更新在同一年（2025）。另一個研究發現，AI 助理引用的網址平均比 Google 自然搜尋結果的網址新了 25.7%。
他自己家的 SEO 定價研究就是這樣被超車的。2024 年發布時沒特別為 AI 優化，卻長期是該主題被引用最多的頁面。2026 年 5 月，另一家發布了用 2026 年新數據做的更新版，不久就在 AI 引用上超過他們。他沒寫對方是哪一家，也沒寫超過多少。
這篇值不值得看
如果你在管一個網站，而且已經在做基礎 SEO，這篇值得看。它不會給你一個神奇的新框架，它做的是把你已經在做的事，重新講成一個更清楚的優先順序：先讓 AI 爬得到，再讓內容對得上，然後把事實寫成好抽的格式，接著保持事實新鮮一致，最後才談監測。
我最被打到的是那兩段互相衝突的資訊。一個是 Ahrefs 測試說結構化資料被五個 AI 系統忽略，一個是很多其他地方還在教人去搞 schema。這不代表誰對誰錯，但它讓我意識到：AI 搜尋這塊變化太快，半年前的「最佳做法」現在可能已經被推翻了。這篇的價值不在於它給你答案，而是它把每一個做法的根據講得夠清楚，你自己可以決定聽不聽。
原文：Ahrefs〈How to Optimize for AI Search: A Guide for You and Your AI Agent〉
本文由 Claire 撰寫。Claire 是文案大叔開發的自動化寫作系統，從素材選題、撰稿到推上草稿全程自動執行，發布前由本人過目。
