理論再美，數據才能驗證。以下是百原GEO 從 2026-03 初到 4 月中、運營 5 個上線品牌約 6 週後的聚合觀察；客戶名、可辨識數字全部去識別化。
5 個上線品牌涵蓋 B2B、B2C、實體、純線上四種組合：
| 代號 | 產業類型 | 屬性 | 語言市場 | 進場時 GEO 分 |
|---|---|---|---|---|
| Brand A | B2B SaaS（行銷科技） | 線上 | 中/英雙語 | 中段 |
| Brand B | 專業金融服務 | 線上 | 英語為主 | 高段 |
| Brand C | B2B SaaS（知識管理） | 線上 | 中/英雙語 | 中段 |
| Brand D | 餐飲實體連鎖 | 實體 | 中文 | 低段 |
| Brand E | 百原科技本身（dogfooding） | 線上 | 中/英雙語 | 低段（冷啟動） |
進場時 GEO 分以「低/中/高段」代替具體數字；保留相對關係、隱去絕對值。
樣本數只有 5 個，不足以做統計推論。本章呈現的是「觀察」而非「結論」，目的是讓讀者感受真實的運作型態。
6 週內，所有品牌七維度指標都有明顯變動。聚合後的分布型態：
%%{init: {'theme':'base'}}%%
graph TD
W1["週 1 聚合平均<br/>Citation: 中低<br/>Position: 中<br/>Coverage: 低<br/>Breadth: 低<br/>Sentiment: 中性<br/>Depth: 低<br/>Consistency: 低"]
W6["週 6 聚合平均<br/>Citation: 中<br/>Position: 中高<br/>Coverage: 中<br/>Breadth: 中<br/>Sentiment: 中性偏正<br/>Depth: 中<br/>Consistency: 中"]
W1 -.->|6 週運營| W6
Fig 11-1: 每個維度均有提升，Coverage 與 Breadth 提升幅度最大。資料以「低/中/高」三段呈現，迴避具體分數。
同一品牌在不同 AI 平台的引用率差異驚人。以 5 品牌聚合後的相對強弱：
flowchart LR
subgraph HighLang["英語強項品牌 (Brand A/B/C/E)"]
H1[ChatGPT ✓✓]
H2[Claude ✓✓]
H3[Perplexity ✓]
H4[DeepSeek ✗]
H5[Kimi ✗]
end
subgraph LocalLang["中文在地品牌 (Brand D)"]
L1[ChatGPT ✓]
L2[Perplexity ✗]
L3[AI Overview ✓]
L4[DeepSeek ✓]
L5[Kimi ✓]
end
Fig 11-2: ✓✓ = 引用率顯著 / ✓ = 有提及 / ✗ = 近乎零。英語 B2B 品牌在美系 AI 表現好；中文在地品牌在中國模型與 Google AI Overview 表現好。
%%{init: {'theme':'base'}}%%
xychart-beta
title "Completion (%) vs Citation Rate Delta after 6 Weeks (illustrative)"
x-axis ["< 40%", "40-60%", "60-80%", "80-100%"]
y-axis "Citation Rate Δ (relative)" 0 --> 100
bar [10, 25, 55, 80]
Fig 11-3: 完整度分段對應的 6 週引用率提升幅度（以相對值呈現）。 80% 以上完整度的品牌引用率提升最顯著。
5 品牌中，3 個是在第 2–3 週才部署 AXP（Brand A/B/C），2 個是從第 1 週就啟用（Brand D/E）。透過這個時間差可以觀察 AXP 的獨立效益：
%%{init: {'theme':'base'}}%%
xychart-beta
title "AI Bot Daily Visits (before vs after AXP, relative index)"
x-axis ["Wk 1", "Wk 2", "Wk 3 (AXP deploy)", "Wk 4", "Wk 5", "Wk 6"]
y-axis "AI Bot Visits (indexed)" 0 --> 200
bar [25, 30, 35, 95, 140, 165]
Fig 11-4: 部署 AXP 的週次 AI Bot 流量開始快速上升。index 100 = 部署前平均值。
但：AI Bot 流量上升不等於引用率必然上升。若 AXP 內容本身語意稀薄，AI 抓到也無從參考。AXP 是讓品牌有機會被看見的基礎設施，不是銀彈。
5 個品牌的客戶端操作，累積出五類最常見的踩坑：
pie title "Customer-Side Pitfalls (5 brands, 6 weeks)"
"未填 industry_code" : 28
"logo_url 缺或失效" : 22
"沒連 GBP（實體類）" : 18
"description 過短（< 20 字）" : 17
"sameAs 外部連結未填" : 15
Fig 11-5: 沒選產業分類是最普遍的踩坑，影響 Schema.org @type 無法精準。
基於上述觀察，我們在產品端做了以下調整：
6 週運營中，有三個最初沒預期到、但值得記錄的觀察：
Brand A / C / E 都是中英雙語，但 AI 對同一品牌在中文與英文查詢中的描述常常差很多。例：
這不是幻覺（兩個描述都部分對），而是 AI 對跨語言同一實體的聚合能力仍不成熟。對品牌主的啟發：中英文版 Schema.org 要顯式用 sameAs 互指，並確保兩版描述語意等價，而非各寫各的。
預期中「AI 說品牌壞話」是最大威脅，實際運營發現「AI 根本不提」是更大的問題。負面提及至少代表 AI 知道這個實體存在、可以用 ClaimReview 修正；完全沒被提及則代表品牌不在 AI 的候選池，沒有修復的著力點。
這解釋了為何 Ch 3 的 Citation Rate 權重設在 25% — 既要反映它的重要性，又不讓它主宰總分使 Sentiment 等其他維度被邊緣化。
原本以為「同一回答同時出現競品」是負面（分散注意力），但觀察發現：跟對的競品同列，反而增強品牌的 category 認知。例如 Brand A 在早期與兩家知名大廠共現，雖然 Citation Rate 不算高，但在使用者的心智中被放到「同一等級」的位置，後續轉換率意外好。
這個發現還需要更多數據驗證，但它說明 GEO 的「敵友」關係與傳統 SEO 的「競爭者」直覺可能是相反的——在 AI 時代，被與對的品牌放在一起，比被單獨提及更有價值。
上述 5 個品牌是內部 dogfooding + 合作夥伴 pilot 的混合樣本。與此同時，百原GEO 作為付費 SaaS 在正式上線的第一個月內已簽下三組商業客戶，涵蓋與 pilot 不同的產業型態：
| 產業 | 型態 | 選擇百原GEO 的主要驅動 |
|---|---|---|
| 連鎖醫美 | 多分店實體 + 高競爭產業 | GBP 整合 + 實體商家 Schema.org 特化 + 幻覺偵測（醫療類容錯低） |
| 新興連鎖餐飲 | 多分店實體 + 快速擴張期 | Location 級別獨立 AXP + Phase 基線測試捕捉擴張期變化 |
| 頂級芳療／瑜珈 | 高客單價、口碑型 | Content Depth 與 Sentiment 雙維度優先；引用敘事品質甚於頻次 |
這三組客戶在本書撰寫時（2026-04-18）才剛上線，具體運營數據會在未來修訂版中補上。列在這裡的意義是：百原GEO 的工程設計不只是內部驗證可行，對外付費市場也驗證了其需求真實性。