2026 年初，一個台灣頭部建商品牌跑了第一次 CiphLens 稽核，看見一個令人警醒的數字：GEO 分數 14 分。這代表當消費者在 ChatGPT 或 Perplexity 問「台北哪個建商值得信賴」時，這個品牌幾乎不會出現在 AI 引擎的答案裡。8 週後，這個數字變成了 49。以下是完整的路徑。
這個問題在第一次稽核結果出來時讓行銷團隊感到困惑：網站的 AEO 分數（傳統 Answer Engine Optimization 指標）達到 58 分，表示頁面結構、meta 標籤、基本 Schema 都有一定水準。但 GEO 分數卻只有 14 分，幾乎是底部。
CiphLens 稽核揭示了核心原因：AEO 分數衡量的是「對傳統搜尋引擎的友善度」，而 GEO 分數衡量的是「對 AI 生成式引擎的可引用性」。這兩件事現在已經是兩個截然不同的優化賽道。
具體來說，稽核發現三個根本性問題：網站沒有 llms.txt，等於對所有 AI 爬蟲說「我不知道我是誰」；Schema.org 標記殘缺，Organization 和 LocalBusiness 的關鍵欄位都沒有填寫；整個網站採用 JavaScript 客戶端渲染，讓 AI 爬蟲在無法執行 JavaScript 的情況下幾乎抓不到任何有意義的內容。
這三個問題疊加在一起，解釋了為何一個在 Google 搜尋中排名還算不錯的品牌，在 AI 引擎的世界裡幾乎隱形。不動產市場的搜尋行為正在快速轉移，越來越多的潛在買家在決定去看實品屋之前，會先問 ChatGPT「哪個建商的口碑比較好」。能見度的缺失，直接意味著潛在的市場損失。
行銷團隊和技術部門在拿到稽核報告後，決定按照 CiphLens 的優先順序排序，依序處理最高影響的修復項目。
llms.txt 是一個類似 robots.txt 的純文字檔案，放在網站根目錄，專門讓 ChatGPT、Perplexity、Claude 等 AI 引擎在爬取網站時快速理解品牌定位、核心服務與重要頁面結構。沒有這個檔案，AI 引擎必須自己從所有頁面推斷「你是誰」——這個推斷往往不準確，尤其是對於建商這種業務複雜的品牌。
技術團隊使用 CiphLens 的 /api/llms-txt 端點自動產生初版 llms.txt，再由行銷主管手動補充品牌核心定位文字：公司成立年份、主要建案類型（住宅、商辦、飯店）、服務區域（雙北、桃竹）、以及品牌最重要的信任訊號（上市公司、35 年歷史、ISO 認證）。
完成後，llms.txt 被部署到 https://[domain]/llms.txt，同時在 robots.txt 加上指向 llms.txt 的連結。這個改動在第 2 週後，CiphLens 稽核的 llms.txt 項目從 0 分提升至滿分。GEO 分數在這一步改善了約 8 分。
稽核發現網站只有基本的 WebPage Schema，缺少對建商最關鍵的 Organization、LocalBusiness、RealEstateAgent 標記。對 AI 引擎來說，Schema.org 是最可靠的結構化事實來源，當 Schema 殘缺時，引擎只能靠語意推斷，準確度大打折扣。
技術團隊在首頁加入完整的 Organization JSON-LD，包含 foundingDate（1981年）、areaServed（台北、新北、桃園）、numberOfEmployees、以及關鍵的 sameAs 連結（連到維基百科、公開資訊觀測站）。在各建案頁面加入 RealEstateAgent 和 Product Schema，確保 AI 引擎在被問到具體建案時能找到完整的結構化資訊。
同步補強了 FAQ Schema，針對常見購屋問題（付款方式、交屋流程、保固期限）製作了 10 組 FAQ JSON-LD，直接埋入對應頁面。FAQ 格式是 AI 引擎最容易直接引用的格式之一，這一步在第 4 週的追蹤稽核中，Schema 項目分數從 42 分提升至 79 分。
這是三個修復項目裡技術難度最高的一項。原本的網站首頁、建案列表頁、品牌故事頁全部採用 React 客戶端渲染（CSR），HTML 原始碼幾乎是空的，真正的內容要等 JavaScript 執行完才出現。對於不執行 JavaScript 的 AI 爬蟲（大多數 LLM 爬蟲屬於這類），這些頁面等於空白。
技術團隊評估後，決定不做全站重構（成本太高），而是針對 CiphLens 稽核標記為「高影響」的 5 個頁面做伺服器端渲染（SSR）改造：首頁、公司介紹頁、建案列表頁、FAQ 頁、聯絡頁。這 5 個頁面使用 Next.js 的 getServerSideProps（後來遷移到 App Router 的 Server Components）重新實作，確保 HTML 原始碼包含完整的文字內容。
這個改動在第 6 週完成部署，CiphLens 下一次稽核時，SSR 項目從紅燈（不通過）變成綠燈，GEO 分數再跳升約 12 分。這也是整個 8 週計畫裡單一改動影響最大的一步。
行銷團隊每兩週跑一次 CiphLens 稽核，追蹤 GEO 分數的變化。以下是完整的時間軸：
8 週計畫結束時，GEO 分數從 14 升至 49，整體提升 35 分。但數字之外，更有意義的變化是 AI 引擎實際引用行為的改善。
行銷主管在計畫開始前和結束後，分別向 ChatGPT（GPT-4o）、Perplexity 和 Claude 提問「台北信賴度高的建商有哪些」、「新北哪個建商的社區規劃做得好」等問題，並記錄品牌出現在回答中的比例。
計畫開始前：在 15 次測試提問中，品牌名稱出現在 AI 回答中的次數為 2 次（出現率 13%），且都是邊緣性提及，沒有具體資訊。
計畫結束後：同樣的 15 個問題重問一遍，品牌出現次數提升至 9 次（出現率 60%），其中 4 次包含具體的建案名稱或品牌特色描述。Perplexity 的引用特別明顯：它開始引用品牌的 FAQ 頁面作為答案來源，而這正是第 4 週部署 FAQ Schema 的直接成效。
這個測試方法並不完全嚴謹（AI 引擎的回答存在隨機性），但趨勢非常明確。更重要的是，這個框架本身對任何建商都具有可複製性：測試 → 稽核 → 修復 → 追蹤，形成一個可以持續運轉的 AEO 飛輪。
這個假設性案例提煉出幾個台灣建商業在 AEO 優化上最常忽略、但影響最大的做法：