知名 SEO 專家 Kevin Indig 在最新一期的《Growth Memo》中發表了專題文章 《The Science of How AI Pays Attention》，分析了 120 萬條 ChatGPT 答案、3,000 萬筆引用資料，拆解 AI「實際引用」的內容模式，並找出哪些寫作特徵最容易被引用。
Kevin Indig 指出 AI 並不像人類那樣「通讀」全文，而是像一位極其挑剔的編輯，根據特定權重篩選資訊。對於 SEO 從業人員而言，這意味著傳統的關鍵字堆砌已經失效，未來的勝負關鍵在於如何根據 AI 的偏好優化內容結構與實體關係。
AI 強烈偏好文章前段
在 18,012 筆引用樣本中，引用位置呈現明顯「滑雪坡」分佈：
- 44.2% 來自文章前 30%
- 31.1% 來自中段 30–70%
- 24.7% 來自最後三分之一
Kevin Indig 推斷，大型語言模型主要是在大量的新聞報導與學術論文上進行訓練的。這兩種類型文本都嚴格遵循 BLUF (Bottom Line Up Front) 結構，即「結論先行」。以新聞為例，一般會採用「倒金字塔」寫法，最重要的新聞要素（5W1H）必須出現在導言。
模型傾向快速建立語意框架，再以該框架解讀後續內容。這代表，若內容重點被放在文章中後段，其被引用機率會顯著下降。
研究指出，若將核心產品特色埋在文章中段，被引用機率可能降低 2.5 倍。不過，數據同時顯示，AI 在文章最後一段會出現一個微小但顯著的「迴光返照」現象，AI 在頁腳之前的 「總結」（Summary）或「結論」（Conclusion） 區塊的引用數明顯回升。
這一點與人類讀者的行為極為相似：當我們沒時間讀全文時，通常會直接跳到最後看結論。AI 顯然也學會了這種高效的資訊提取策略。
5 大寫作特徵
1. 定論式語言（Definitive Language）
當內容使用明確定義（如 "is defined as", "refers to"），被引用的機率高出近 2 倍（36.2% vs 20.2%）。在數據庫中，「is」這個詞是連接主體與定義的強力橋樑。AI 傾向於能「一擊即中」解決問題的句子，而非含糊的推論。
AI 偏好的句型包括：
- X 是…
- X 指的是…
- X 定義為…
如果文章開頭就清楚定義核心概念，模型幾乎可以零合成（zero-shot）地直接使用該句，而不需要跨段整合資訊。相反地，若內容充滿鋪陳與隱喻，模型需要自行推導定義，引用機率就會下降。
2. 對話式問答結構（Conversational Q&A）
研究指出，含有問號的內容被引用機率幾乎提高一倍，而 78.4% 的問句引用來自標題層級（如 H2）。
這種結構與搜尋行為高度一致。使用者在生成式搜尋中輸入的本質是問題，而非分類標籤。因此，當文章標題直接對應常見查詢句型，模型更容易建立語意對齊。
Kevin Indig 建議，標題與答案應有互相呼應，清晰建立問題與答案的實體關係。
3. 高實體密度（Entity Richness）
研究顯示，一般文本的實體密度約為 5–8%，而高引用內容的實體密度達到 20.6%。實體包括品牌名稱、產品名稱、公司、人物或具體工具。這些專有名詞在語意空間中形成穩定錨點，使模型更容易定位與驗證內容。
因此，與其寫「市面上有很多工具」這類空泛的句子，建議清晰列出 「熱門工具包括 Salesforce、HubSpot、Pipedrive」。對 AI 來說，這些提到具體名稱的句字可以驗證，資訊密度更高。
4. 平衡的主觀性評分（Balanced Sentiment）
在 Kevin Indig 的研究中，被 ChatGPT 引用的內容，其平均主觀性評分為 0.47。這代表 AI 偏好的語氣並非完全客觀（0.0），也不是高度主觀（1.0），而是介於兩者之間的「分析型語氣」。這種語氣同時包含可驗證事實與理性解釋，使內容既具資訊密度，又具判斷價值。
純客觀內容通常只陳述事實，例如產品發表時間或規格數據。這類句子雖然準確，但缺乏語意延伸，無法直接回應更具情境性的問題，因此引用價值有限。
相對地，過度主觀或情緒化語言同樣不利於被引用。強烈形容詞與個人感受雖能提升閱讀吸引力，但缺乏可驗證性，也增加生成風險。LLM 的設計目標是產出可信、穩健、低偏誤的答案，因此會避免高度情緒化的語句。當內容充滿「最強」、「革命性」、「完美」等用語時，模型較難將其轉化為中性、權威的回答。
研究顯示，最容易被引用的句子通常同時包含「事實」與「評論」。例如，一句話先指出產品採用某項技術或具備某項功能，接著解釋這項特性如何影響使用場景或決策價值。這類句子不僅提供資訊，還說明資訊的用途，能更直接回應使用者查詢意圖。這種寫法類似商業分析報告或產業評論，而非百科條目或廣告文案。
5. 商務級寫作水平（Business-grade Writing）
研究發現，Flesch-Kincaid 評分為 16（大學程度）的內容最常被引用。得分 19 以上（學術/博士級）的內容因句子過於冗長且充滿術語，反而會降低引用機率。
生成式模型在抽取資訊時，需要辨識主詞、動詞與受詞之間的明確關係。當句子過長、從句過多或術語堆疊時，語意解析難度上升，模型更可能選擇結構清晰的替代來源。
商業級寫作的特徵包括簡潔句型、直接論述與清楚邏輯鏈條。這種風格並非簡化內容深度，而是以較低語法複雜度傳達高密度資訊。對 B2B 或產業內容而言，這種寫法同時符合人類決策者快速掃讀的需求。
SEO Hub HK 分析：AI 時代的「內容工程學」
Kevin Indig 的研究顯示出：AI 並不在乎你的文筆是否優美，它在乎的是你的資訊是否「易於提取」且「結構明確」。這些數據有助我們調整寫作策略，除了考慮關鍵字外，如何採用 AI 偏好的寫作手法同樣重要。
以下是一些六個實戰建議，提升網頁的引用率：
- 開門見山，結論先行：拋棄長篇引言，將重點放在文章前 30%。
- 標題與答案語意對齊： 將 H2 改寫為問題，並在下方第一句直接回應該核心概念。
- 內容更具體： 減少使用「多種工具」或「解決方案」等模糊代稱，直接列出具體的品牌、數據或法例名稱，為 AI 提供可驗證的語意錨點。
- 採用分析師口吻： 確保句子同時包含「事實」與「評論」，每個重要事實後面補上一句意義說明，解釋其對決策或應用場景的影響。
- 優化結論區塊： 在進入頁腳前，設置清晰的「總結」或「結論」區塊。這能吸引在文章末尾重新「清醒」的 AI 注意力，並驗證其對全文的理解。
- 簡化語法結構： 保持 Flesch-Kincaid 評分在 16 左右（大學程度），避免過多冗長累贅的句字或術語。
結論：SEO 已從「關鍵字」轉向「結構與實體」
AI 並不會從頭到尾細讀你的內容，而是依據語意權重與結構線索，快速判斷哪些資訊值得引用。這意味著 SEO 正在從關鍵字匹配，轉向資訊架構設計與實體關係強化。。
未來的內容策略，我們不只是寫給人閱讀，更是寫給模型抽取。我們需要同時思考兩個受眾：使用者與 AI。透過問題導向的標題、明確的定義句、高密度且可驗證的實體，以及結論前置的結構安排，你才能在 AI 中取得優勢。
關於作者
