GEO 生成式引擎優化：在地商家評價影響性研究

TL;DR

• 這份 2026 年 8 月研究盤點峇里島 Canggu 與 Ubud 的 4,776 家餐廳、咖啡館與酒吧，並以 96 組情境化問題測試 ChatGPT、Claude、Gemini、Perplexity，共取得 2,208 筆搜尋型回答。
• 85.6% 的商家從未被任何系統推薦；即使累積至少 50 則評價，仍有 72.6% 沒進入推薦名單。
• 評價的作用不是單一「越高越容易被推薦」：評論數量較像進入候選集的門票，星等則在商家已被選入答案後，才與第一名位置呈正相關。
• 有官網、公開價格與第三方提及，都和「是否進入答案」有顯著關聯；單靠高星等並不足以解決 AI 看不見你的問題。
• 這是一份觀察性、單一地區與單一產業研究，能指出值得測試的方向，不能直接證明做了某項優化就一定會被 AI 推薦。

目錄

• 研究怎麼做？
• 最醒目的數字：85.6% 的商家沒有被推薦
• 評價到底有沒有用？答案要拆成兩個階段
• 官網、價格與第三方提及為什麼重要？
• 真正棘手的錯誤不是幻覺，而是資料過期
• 四個 AI 平台並沒有共用一份名單
• 我們怎麼看這份研究？
• 在地商家可以怎麼做？
• 研究限制

引言

在地商家做 GEO 時，最常聽見的建議大概是：「多累積五星評價，AI 就會推薦你。」

這句話只說對了一半。

Vladimir Pitenin 於 2026 年 8 月發表的研究 《Invisible to the Machine》，第一次用接近完整市場母體的方式，觀察四個主流 AI 系統如何推薦在地餐飲商家。研究結果顯示，評論確實重要，但「評論數量」與「星等」發生作用的位置不同。更早影響商家能否被 AI 看見的，還包括官網、價格資訊與第三方網頁提及。

這個差別很關鍵。因為一間店如果根本沒有進入 AI 的候選資料集，星等再高，也可能沒有機會參加後面的比較。

研究怎麼做？

核心觀點： 這份研究的價值，不只是問 AI 推薦誰，而是先建立接近完整的商家母體，因而能看見「誰一直沒有被推薦」。

研究範圍是峇里島 Canggu 與 Ubud 兩個市場，共盤點 4,776 家正在營業的餐廳、咖啡館與酒吧。研究者再以 96 組帶有人物條件與需求情境的查詢，連續七天測試 ChatGPT、Claude、Gemini 與 Perplexity。

主要規模包括：

多數 GEO 調查只蒐集 AI 已經推薦的品牌，再分析它們有什麼共同點。這種做法容易忽略一個問題：沒被推薦的商家究竟有多少？這篇研究把完整市場母體放進分母，因此能估計整體「不可見率」，是它在方法上最值得注意的地方。

最醒目的數字：85.6% 的商家沒有被推薦

四套 AI 系統跑完後，85.6% 的商家一次都沒有出現。即使把範圍縮小到已有至少 50 則評價、理論上具有一定營運歷史的店家，仍有 72.6% 從未獲得推薦。

這表示 AI 在地推薦不是把市場上所有店家都評估一次，再選出最好的幾家。比較可能的流程是：系統先從可檢索、可辨識、資料較完整的商家形成候選集，再於候選集內生成答案。

換句話說，「市場上存在」不等於「存在於 AI 能使用的資訊空間」。

這也解釋了為什麼部分商家在 Google 地圖累積不少評價，問 ChatGPT 或 Gemini 時卻仍然消失：它可能不是輸在評分，而是更早就輸在商家實體的資料可發現性。

評價到底有沒有用？答案要拆成兩個階段

核心觀點： 評論數量影響的是進場機會，星等影響的是進場後的位置；兩者不是同一個排名訊號。

研究把能見度拆成兩個邊際：

1. 商家能否進入 AI 答案。
2. 已進入答案後，能否排在第一個推薦位置。

在第一階段，評論數量與被推薦呈正相關，勝算比（odds ratio）為 1.64；星等的勝算比只有 0.89，未呈現正向效果。到了第二階段，在已被推薦的商家之中，星等才與第一名位置呈顯著正相關，勝算比為 1.17。

這不等於「多一則評論就增加 64% 推薦率」，也不能直接解讀成「星等提高一顆就增加 17% 第一名機率」。勝算比的實際意義取決於研究模型中的變數尺度與控制條件。但方向很清楚：評論量與評分高低，對應的是不同階段。

對 GEO 實務最重要的啟示是，不要再把評價濃縮成一個總分。至少應分開追蹤：

• 評論數量與累積速度
• 平均星等
• 最近一次評論時間
• 評論內容是否清楚描述服務、產品與地點
• 官網及第三方資料是否能確認同一個商家實體

官網、價格與第三方提及為什麼重要？

研究發現，以下特徵和「進入 AI 答案」呈正相關：

自己的網站是這組變數中關聯最強的項目。這不代表「做一個官網，推薦率就一定提高 92%」，而是說，在控制研究模型中的其他因素後，有官網的商家更常進入推薦答案。

我們認為，官網的作用不只是傳統 SEO 所說的排名。對生成式搜尋而言，它還是商家實體的第一方資料節點：名稱、地址、菜單、價位、特色、營業狀態與聯絡方式，可以在同一個來源被整合及驗證。

價格也是類似的道理。當使用者問「適合家庭、價格不要太高的 Ubud 餐廳」，沒有公開價格的店家很難被系統判定是否符合條件。資訊缺失並不代表品質差，但對需要回答條件式問題的 AI 而言，它就是無法完成配對。

第三方提及則提供交叉驗證。AI 不必只相信商家自己的描述，而能從媒體、旅遊網站、部落格或其他可信頁面確認這家店確實存在，以及外界如何描述它。

真正棘手的錯誤不是幻覺，而是資料過期

研究中完全捏造商家的比例只有 0.08%，但四個系統合計推薦已永久停業商家 93 次。

這個結果值得所有在地商家與平台注意。生成式搜尋的實務風險，未必是 AI 憑空創造一家不存在的店；更常見的情況可能是它找到真實但過期的資料，再把舊資訊組成一個語句正常、看似可信的答案。

這是一種 freshness failure，而不是典型 hallucination。

對商家來說，更新營業時間不能只改一個平台。官網、Google 商家檔案、訂位平台、社群與主要目錄若互相衝突，AI 可能無法判定哪一筆才是最新狀態。對 GEO 而言，資料新鮮度與跨來源一致性，應該被視為技術基礎設施。

四個 AI 平台並沒有共用一份名單

四個平台 Top 20 推薦名單的 Jaccard 重疊度只有 0.33–0.54。也就是說，ChatGPT 看得見的商家，Gemini 或 Perplexity 不一定會推薦；反過來也是如此。

研究的兩週重測還發現，跨時期答案的相似程度，與同一天重新執行的相似程度接近。研究者因此認為，名單變動很大一部分來自檢索與生成的抽樣隨機性，不一定是市場真的在兩週內改變，也不一定代表平台更新了演算法。

這與我們先前整理的AI 推薦在地店家來源實測及單次 GEO 能見度測量問題互相呼應：只問一次、看到自己出現或消失，都不足以判斷優化成效。

我們怎麼看這份研究？

這篇研究真正推進 GEO 的地方，不是找到一個新的排名密技，而是把「被推薦」拆成兩個技術問題：

• 候選集資格： AI 能不能找到、辨識並驗證這個商家？
• 候選集內排序： AI 找到之後，是否認為它最符合使用者條件？

評論數量、官網、價格與外部提及，比較接近第一層。星等則更像第二層的比較訊號。若把兩層混在一起，就很容易得到「只要五星夠多就會被推薦」這類過度簡化的結論。

但我們也不認為這篇研究證明了「官網是 AI 推薦的第一排名因素」。這是觀察性研究，相關特徵之間可能共同反映另一個因素：經營成熟、受到關注的店家，原本就更可能有官網、公開價格、較多評論與第三方報導。研究控制能降低混淆，卻不能完全建立因果。

它最合理的用途，是產生可測試的假說，而不是直接製造新的 GEO 公式。

在地商家可以怎麼做？

依這份研究的證據強度，我們會把執行順序排成：

1. 先確認 AI 能辨識你是誰。 官網名稱、地址、電話、服務類型與主要平台保持一致，並為每個據點建立獨立頁面。
2. 補齊決策資訊。 公開價格區間、服務內容、預約方式、營業時間、交通與適合情境，讓 AI 能回答帶條件的推薦問題。
3. 持續累積真實評論。 重點不只是星等，也包括評論數量、近期性與具體內容；不要購買或誘導虛假評價。
4. 建立可驗證的第三方提及。 依產業選擇媒體、地方網站、專業名錄或可信平台，而不是大量建立低品質目錄連結。
5. 管理資料新鮮度。 停業、搬遷、價格與菜單異動時，同步更新官網及關鍵平台，避免 AI 繼續引用舊狀態。
6. 用多次測量取代單次截圖。 每個核心問題建立不同措辭，在不同日期、不同平台重複查詢，追蹤出現率而非一次排名。

若還不清楚網站內容應如何成為 AI 可理解的資料來源，可以接著閱讀AI 怎麼讀你的內容與Google 生成式 AI 搜尋最佳化指南。

研究限制

閱讀數字時，至少要保留五個限制：

• 研究只涵蓋峇里島 Canggu、Ubud 的餐廳、咖啡館與酒吧，不能直接外推到台灣所有在地產業。
• 這是觀察性研究，能識別關聯，不能單獨證明因果。
• 四個商業 AI 系統持續更新，研究結果是特定時段的快照。
• AI 回答具有隨機性，單次平台排名不穩定。
• 勝算比不是推薦機率的直接百分比，不能用「有官網就增加 92%」方式解讀。

儘管如此，這份研究仍然提供一個很有價值的修正：在地 GEO 不應只問「我的評價夠不夠高」，而應先問「AI 是否擁有足夠、最新且可交叉驗證的資料，把我放進候選名單」。

如果第一關都沒進去，後面的五星競賽根本還沒開始。

參考來源

• Vladimir Pitenin, Invisible to the Machine: Auditing AI Restaurant, Cafe, and Bar Recommendation Against a Complete Market Census, 2026 年 8 月 7 日。
• 完整 PDF