今年 2 月 7 日，微軟將 Bing 結合 ChatGPT（更確切是整合 OpenAI，叫做 Copilot），5 月 10 日，Google 用 Bard 應戰，在美國開始測試 SGE (Search Generative Experience)，讓搜尋結果優先顯示 AI 推薦的內容，網路上有不少文章在討論此一趨勢（1, 2），未來 SEO 要爭的不只是第一頁，而是「前 3 名」！
目錄：
一、AI 結合搜尋會有哪些改變？
由於目前台灣還不在 Google 的 SGE 的開放地區中，因此筆者無法實測，下文以 Google 的公開資訊及 New Bing 的邏輯去拆解在「AI 搜尋」時代的一些觀察。
(一) 整合：基於知識框架「整理資料」並跨越「語言鴻溝」
AI 搜尋可以讓使用者在關鍵字中口語的加入更多條件，例如以往使用者要搜尋「安全性高的豪華品牌的中型 SUV」，只能先搜「豪華品牌中型 SUV」或「豪華品牌安全性」再自行過濾，但加入 AI 後，可以一氣呵成完成查詢。
更有意義的是，AI 的生成的內容打破了傳統搜尋結果頁「一筆一筆」的資料，而是「融會貫通」成一段有意義的說明，並能根據使用者所提供的知識框架整理搜尋結果的資料（如圖 2 整理成表格）；之前網路上更有有高手示範，直接叫 Bing 做 SWOT 分析，包辦搜尋與整理。
此外，大型語言模型（Large Language Model，下文稱「LLM」）自帶翻譯屬性，因此透過 AI 生成的「解答」可以整合各種語言的答案，打破語言的鴻溝。
(二) 延伸：針對搜尋結果進一步探究、討論
不管是 New Bing 跟這次 Google 發表的 SGE 都充分展現出 AI 搜尋能夠做到「對話式的深入」。以往只能人工對搜尋結果進一步比對，但是 AI 可以基於搜尋結果，進一步跟使用者探討有興趣的細節。
例如 Google 範例中（圖 3），使用者透過 SGE 搜尋「家裡有 3 歲小孩跟狗，去布萊斯峽谷或拱門哪個好？（原文：what’s better for a family with kids under 3 and a dog, bryce canyon or arches.）」，在 Google 生成的推薦下方，還可以接著追問「跟小孩去布萊斯峽谷可以待多久？（原文：How long to spend at Bryce Canyon with kids?）」
(三) 壟斷：繼社群平台壟斷流量，搜尋成為新的壟斷
AI 已經把「第一名」給使用者，並寫出推薦原因，你覺得使用者還會點開第三名的連結嗎？
當 AI 的推薦越來越準，減少了使用者自行過濾資料，得到的結果是「資料壟斷」。其實就算是出現在 AI 推薦結果的第一名，使用者也不一定會像以前點進去看內容，因為 AI 已經把使用者想知道的整理出來了！
如同社群平台都在努力做閉環（直接在平台中做商務，導向外部網站越來越困難），AI 加入搜尋會讓純靠廣告流量的內容平台更賺不到錢，大概只有自己賣商品或雲端服務才有線上獲利空間；而內容平台可能要透過「導購」，讓 AI 被強勢內容洗腦，推薦商品給使用者，來獲取導購收入。
二、網站經營者應該如何應對？
基於以上衝擊，以下討論網站主可能的應對策略。
(一) GSEO：用 AI 的邏輯來建立搜尋關鍵字
AI 結合搜尋是透過「AI 生成搜尋條件」及「AI 整理搜尋結果」來完成，要控制 AI 的搜尋結果，就必須去破解 AI 生成搜尋條件的邏輯，針對這些關鍵字去做 SEO，為了跟傳統給人類搜尋的 SEO 有區別，筆者將它稱為「生成式搜尋引擎最佳化（GSEO, Generative Search Engine Optimize）」。
使用過 New Bing 的人一定會注意到，當 Bing 向網路搜尋（Web Browsing）時會告訴你他用什麼關鍵字，經過 3 個月有系統的整理，筆者歸納出 3 個觀察：
1. 不會錯過搜尋第一名，但也很愛懶人包
以 New Bing 來說，通常會先推薦搜尋第一名的結果，接著如果有整理好的評比文章，會義不容辭地引用，否則會繼續使用排名作推薦。AI 為了能有效率的生成不誤導使用者的內容，有更高機率參考來自Blog的「真實體驗懶人包」，畢竟連搜尋大哥 Google 的文件都說「建立實用、可靠且以使用者為優先的內容」，因此品牌自行撰寫或與部落客合作提供「懶人包」、「推薦包」，就目前來看是洗腦 AI 非常有效的方法。
2. 以「如何寫…」、「…範例」句型來生成解答
AI 生成解答時，常使用「如何…」或「…範例」的句型對外查詢，例如「如何寫出吸睛的文章」或「商務人士自我介紹範例」等等。筆者實際以「如何寫出吸睛的文章」搜尋，可以發現 AI 的參考資料都出現在搜尋結果中。因此如果網頁標題預判了 AI 搜尋的關鍵字，就有更高的機會出現在 AI 給出的答案中。
3. 英文仍是 AI 的母語
當以「使用者的語言」無法找到解答，New Bing 會改以英文搜尋。之前微軟官方分享，GPT3.5 的訓練資料中，中文內容不到 3%，所以 ChatGPT 會先把中文先轉成英文，生成英文內容後，再轉回中文輸出。雖然 ChatGPT 與 Bing 不同，且筆者實測起來搜尋中文，Bing 的結果還是中文優先，不過我想多國語言的 SEO 仍有一定重要性，畢竟目前 Google Bard 還不支援中文（SGE 更只給美國用），要被 AI 推薦「會講英文」還是很重要的。
(二) 基本面：網站架構符合 AI 需求
除了以「GSEO」的「技術面」，其實還有網站架構的「基本面」要顧。
例如可以考慮使用「Google 結構化資料」來提昇對搜尋引擎爬蟲的友善度，讓這個「過渡期」中觀眾更容易點開你的網站，提升搜尋排名，使未來 AI 更容易參考到這篇內容。例如筆者對「HowTo 結構化資料」就很有興趣，因為它有可能讓 AI 更容易認為你的網站有他要的「如何…」關鍵字。
另外，如果希望讓第三方服務有機會加入您網站中的內容（例如現在的 ChatGPT Plugin ），也要注意設置防火牆或 robots.txt 放行 ChatGPT 爬蟲（感謝 Cheng-Ho Wu 提醒，如何設定可參考官方文件）。
三、大型語言模型 (LLM) 的應用趨勢
大型語言模型的強項是「詞彙替換」，把簡短或初步構想改寫成完整 Email 或新聞稿是「擴寫」的替換；把一段文字變為英文或程式碼是「翻譯」的替換，其實大型語言模型說穿了就是透過大量的文本資料，去建立詞的相關性，真的不用過度神化。
觀察目前的 LLM，筆者認為未來的應用有以下 3 個發展方向：
(一) 如何「輸入」更有意義、個人化的內容？
隨著大型語言模型持續發展，Google 或 OpenAI 生成結果的差異必然縮小，但是如何「餵給」LLM 個人化或有意義的資料，將創造應用效果的巨大差異。
舉例來說，如果下個 prompt：「寫一封道歉信」，我們的 LLM 可以用作者習慣的口吻，或根據大量社群資料去分析出「對什麼族群的人用什麼方法道歉最能被接受」，去優化 prompt 並給予 LLM 有意義的參考資料，而不是「標準版四平八穩的道歉信」，那才有機會創造出差異及價值。
(二) 如何「輸出」成熟演算法所需的內容？
「詞彙替換」不只可以替換成人的語言，也可以替換為機器所需的結構化資料。例如要使用傳統的監督學習（Supervised learning，機器學習的一種）自動判斷 IG 帳號是「品牌」還是「網紅」，過去需要先人工對上萬個 IG 帳號標記「類別」，才能用帶有類別資料去建立分類模型 (model)。但是現在有 LLM 可以自動化標記，建立模型的速度可以比過去快上數倍！
另外，過去資料檢索系統礙於資料庫限制，只能接受固定的查詢條件。例如要查詢「楊建民老師指導的論文，要有電子檔」，必須要輸入關鍵字「楊建民」，再勾選「指導教授」及「電子全文」。但是有了 LLM，完全可以做到把上述的需求轉換成結構化的查詢條件，在傳到傳統資料庫中查詢，傳統的系統瞬間變得有智慧。
(三) 整合既有流程，才能發揮綜效
除非 LLM 相較於現有方法，有超級突破的品質、成本或效率，不然筆者認為很難單獨存在。就像 ChatGPT 發展至今，我們也很難會特地去 ChatGPT 生成內容，再貼進 LINE 跟別人聊天，因為大部分情況這樣太麻煩了！
把 LLM 與工作流程結合，才不會讓 LLM 顯的雞肋，筆者分享 2 個好的整合案例：
1. Teams 進階版
Teams 是微軟的工作通訊軟體，加入 OpenAI 技術，讓線上會議可以即時顯示字幕，所以未來再也不用怕憋腳的英文老外聽不懂，不同語言的人可以直接看字幕就能流暢溝通；另外 Teams 還可以即時生成會議紀錄，讓半途加入會議的人馬上進入狀況，開完會後也可以直接看到結論與待辦事項，是筆者目前看到最殺手級的應用。
2. PicSee 縮短網址
PicSee 來自台灣新創公司，除了產出短網址，還可以根據網頁內容配給使用者 4 種風格的社群貼文建議（活潑小編、官方正式、電商、網紅業配）。使用者則可以一鍵複製「貼文建議 + 短網址」，在不產生額外的流程下，挽救小編的腦細胞。
四、總結
隨著人工智慧的日趨成熟，筆者認為「下關鍵字」的苦差事早晚會從人類交棒給 AI，到時候 SEO 的對象是 AI，要怎麼讓 AI 搜尋到，才有了這麼長篇大論的討論（筆者甚至假鬼假怪的提出 GSEO）。
引用筆者朋友的一篇貼文：
所以筆者相信，這些擔心都是暫時的，因為未來很快就會有一隻 AI，來告訴每個網站主「Google 的 Bard 會用什麼關鍵字來搜尋」，然後網站的 SEO 再交給 AI 來做就好了。
最後投資人說：「這篇教人家怎麼用 SEO 業配，原來你也在業配你的 PicSee 呀！」
