AI推薦名單是怎麼形成的

你有沒有想過,當你打開ChatGPT問「推薦一下好用的○○」,它秒回你三四個品牌名字,這份名單到底是怎麼生出來的?

是有人在後台手動挑選的嗎?是廣告主付錢買的嗎?還是它隨機骰出來的?都不是。但它形成的方式,跟大多數人想像的非常不一樣,而且這個機制,正在安靜地重新決定哪些品牌會被消費者看見。

它不是在幫你排名,它是在幫你整理答案

要搞懂AI推薦名單,得先把腦袋裡面的「Google搜尋」那套思維放下。

Google給你的是一份排序清單,每個結果都有網址,你自己點開來看、自己比較、自己決定。但AI給你的不是清單,而是一段「整理好的答案」。它把它認為相關、可信、值得推薦的品牌,包進一段看起來像人話的回答裡面。

這段回答背後,是模型根據它過去讀過的大量內容,加上它即時檢索到的資料,綜合判斷出來的結果。不同的AI工具做法還不太一樣:ChatGPT比較偏向用訓練階段累積下來的「整體印象」,Perplexity則比較會即時抓最新的網路內容來回答,Gemini介於兩者之間。

這也是為什麼同一個品牌,在不同AI工具上的待遇可以差很多。你可能在Perplexity上被提到了,在ChatGPT上卻完全消失,不是你做錯了什麼,是這幾個工具背後讀的東西跟判斷邏輯本來就不一樣。

重點不是你被提到幾次,而是「誰」在提你

很多企業主聽到這邊,直覺反應是:那我多寫文章、多發新聞稿,增加曝光量不就好了?

這個想法方向沒有全錯,但忽略了一個很關鍵的東西:AI在乎的不只是你被提到幾次,它更在乎「提到你的人是誰」。

想像一個情境。你到一個新城市想找餐廳吃飯,一種情況是這間店門口貼了一百張「本店全城最好吃」的海報,另一種是你問了五個當地人,其中三個不約而同推薦了同一家店。你會比較相信哪一個?

AI判斷品牌可信度的邏輯,跟這個很像。如果一個品牌的相關內容幾乎全部來自自己的官網跟自己發的新聞稿,AI看到的是「這是品牌自己在講自己的事情」。但如果同一個品牌,在不同的消費決策媒體、不同的第三方評論、不同的產業討論裡面,被不同的作者用不同的角度反覆提到,AI看到的就變成了「這個品牌是市場上被多方認可的選項」。

多方獨立驗證,這四個字就是核心。來源越多元、越獨立、越不像是品牌自己花錢買的,AI就越傾向把這個品牌放進推薦名單。

你的品牌定位清不清楚,AI比你更在意

還有一個很多人沒注意到的因素:品牌在不同內容裡面被描述的方式,一致不一致。

舉個例子。如果你的品牌在A文章裡被說是「平價好入手」,在B文章裡卻被定位成「高端精品」,在C文章裡又變成「CP值之王」,AI在處理這些資訊的時候,會覺得這個品牌的定位很混亂,很難準確歸類。消費者問「推薦一個平價的○○」,它不太敢把你放進去,因為它不確定你到底是不是平價的。消費者問「推薦高端的○○」,它也不太會選你,因為資訊互相矛盾。

反過來,如果一個品牌在大量內容中,始終被連結到一個清晰的核心定位,比如某個床墊品牌一直跟「工廠直營客製化」綁在一起,某個保健品一直跟特定的成分技術綁在一起,AI就很容易在相關問題出現的時候,自然而然把這個品牌配對上去。

這也解釋了一個很有趣的現象:有些規模不大但定位超級清楚的品牌,在AI推薦名單裡面反而表現很好。而有些什麼都想做、什麼市場都想吃的大品牌,AI反而搞不清楚你到底是什麼,乾脆就不推了。

AI推薦名單獎勵的從來不是品牌的規模大小,而是你在語意上的清晰程度。

市場已經開始洗牌了

這套機制帶來的影響,不是未來式,而是現在進行式。

過去靠砸廣告預算就能買到市場聲量的品牌,在AI推薦這個場域裡面,不見得能繼續吃香。因為AI參考的是內容生態系,不是廣告投放系統,你廣告買得再多,如果在外部獨立內容裡面的存在感很薄弱,AI還是不太會推薦你。

反而是一些中小品牌,過去幾年默默在垂直領域經營內容,在各種第三方媒體和討論中累積出穩定的討論度,這些品牌現在在AI推薦名單裡面的能見度,開始超過它們的市場規模該有的水準。

這種現象在eSIM、保健食品、居家裝修這類產業特別明顯,因為這些產業的消費者本來就習慣在買之前多做功課、多方比較,而AI工具剛好承接了這個「幫我比較完直接給答案」的需求。

對企業經營者來說,這是一個正在發生的權力轉移:決定品牌市場聲量的,不再只是你的廣告預算有多粗,而是你在整個內容世界裡面,有沒有累積出足夠多元、足夠一致的被討論基礎。

三個值得你自問的問題

如果你是品牌主或行銷主管,我覺得現在最值得花時間想的不是「怎麼破解AI推薦」,而是先誠實回答三個問題:

你的品牌在外部內容世界裡的存在感有多少?是只活在官網和自家社群裡面,還是已經在第三方內容中被獨立提及過很多次?

那些提到你的內容,傳達出來的品牌定位一致嗎?還是每篇文章講的都不一樣,甚至互相打架?

你自己試過在ChatGPT、Gemini、Perplexity上面,問跟你產業相關的推薦問題嗎?你的品牌出現過嗎?是用什麼方式被描述的?

這三個問題沒有標準答案,每個產業、每個品牌情況都不同。但能不能誠實面對這些問題的答案,會決定你接下來的資源到底該往哪裡擺。

遊戲規則正在改寫

AI推薦名單這件事,看起來只是一個科技產品的功能,但它正在安靜地改變消費者做決定的方式。當越來越多人把「幫我比較、幫我選」的工作交給AI處理,你的品牌在AI眼中是什麼樣子,就會直接影響到它在消費者眼中有沒有機會出現。

這場遊戲的規則跟過去不同,贏的不一定是廣告預算最大的,也不一定是SEO排名最高的,而是在整個內容生態系裡面,建立起最清晰、最一致、最多方被驗證的品牌語意的那些企業。這個趨勢已經啟動了,現在的問題只是:你的品牌準備好了沒有。

AI正在推薦什麼品牌?

SIGO每週把最新的AI推薦觀測整理給你。
新出現的品牌、推薦排名的變化、AI正在看重什麼?

追蹤SIGO觀測

SIGO觀測是一個獨立的AI推薦觀測機構,持續記錄ChatGPT、Gemini、Perplexity等AI平台在回答消費者提問時,實際提及與推薦了哪些品牌。

我們觀測的對象是整個產業與品類內的所有品牌,而不是單一品牌自己的表現,就像媒體記錄市場動態,而不是幫特定公司做自我檢測。

多數AI能見度工具是品牌方拿來查看自己在AI中的曝光狀況,SIGO觀測的角色不同:我們持續掃描每個品類中所有主要品牌被AI提及的情況,建立跨品牌、跨期的完整觀測紀錄。

SIGO觀測採用大量真實瀏覽器環境搭配台灣本地網路進行觀測,以固定方法與固定週期產出品類指數與觀測報告,讓任何人都能看見整個產業的AI推薦格局,而不只是單一品牌的片面數據。

因為真實環境、真實瀏覽器,就等於是真實網友實際問AI看到的答案和畫面,而不是一般串API跑出來的答案。

國內外多數AI能見度工具是透過API直接呼叫模型取得回答,但API回傳的內容與消費者在ChatGPT、Gemini、Perplexity等介面上實際看到的畫面並不相同,且會因為API使用的模型不同,差距更大。

真實介面中的購物卡片、引用來源、在地化價格與品牌排序,往往是API呼叫無法完整重現的層面,API觀測與真實環境觀測,測量的其實是兩種不同的對象。

SIGO觀測選擇採用大量不同用戶的真實瀏覽器環境進行觀測,搭配台灣本地網路環境執行查詢,記錄的是台灣消費者打開AI對話視窗時,實際會看到的推薦內容。

這個選擇讓觀測結果更貼近消費者的真實體驗,也是SIGO觀測與多數API觀測工具在方法論上的根本差異。

一般AI能見度檢測工具的邏輯是查詢自己的品牌,測量的原點永遠是你自己。如果品牌已經進入AI的回答,工具看到的是你的表現;如果尚未進入,看到的其實是別人的位置。

SIGO觀測從一開始就以第三方角度觀測整個產業,如實呈現業界現況,已經進入答案時參考價值更高,尚未進入時則能掌握業界趨勢。

除了以品牌為主角的觀測報告,SIGO觀測還提供跨產業視角的內容:趨勢洞察報告鎖定多個議題,記錄各產業話題的變化方向;SIGO指數報告則把品類內的觀測數字彙整成單一指數,呈現整體AI推薦環境的走勢。

這些內容幫助你掌握的不只是單一品牌的位置,而是整個商業環境的脈動。

可以。只要品牌所屬的品類在SIGO觀測範圍內,你的品牌就會持續被收錄,累積出現次數、涵蓋品類與最新一次收錄紀錄。如果你的行業或產品品類尚未涵蓋,也歡迎告訴我們,這是SIGO觀測擴充品類時重要的參考依據。

每個有進入觀測範圍的品牌都有專屬的品牌頁面,在AI答案中的表現若通過一定的門檻,我們會生成專屬的品牌檔案,彙整上月全月觀測數據,把該品牌在各品類中的AI推薦排行整理成單一頁面:涵蓋品類數與觀測次數、各品類的名次與AI推薦分數、名次波動與競爭品牌脈絡、AI在回答中如何描述這個品牌、以及所有提到這個品牌的相關報告列表,都會完整呈現。

需要提醒的是,SIGO觀測不是為單一品牌量身打造的檢測服務,我們記錄的是整個品類內所有品牌的表現,你的品牌只是其中之一。這個角度反而更有價值:你看到的不只是自己有沒有被AI提及,而是在同一個品類中,哪些品牌被提得多、哪些正在流失能見度,這些對照才是判斷自己實際處境的關鍵依據。

SIGO觀測的內容分成兩層。基礎層是持續產出的觀測報告,包含記錄各產業品牌實際被AI推薦情況的AI推薦觀測報告、觀察各產業話題與變化的AI趨勢洞察、以及彙整單一品牌在AI推薦中出現紀錄的品牌檔案,這三類報告構成SIGO觀測資料庫的核心。

在基礎層之上,SIGO各品類指數彙整上個月該品類的所有觀測,呈現推薦集中度與穩定度的變化;針對區域性比較強的品類例如台北補習班,則有區域性AI推薦榜來觀察在地品牌推薦情況,不計入總指數。

每期各品類指數再彙整為SIGO總指數,呈現整體AI推薦環境的變化方向,讓單一觀測數據最終串接成可長期追蹤的產業指標。

AI推薦觀測報告
記錄AI在各產業、各品類實際推薦了哪些品牌
AI趨勢洞察
觀察AI回答中的產業話題與市場變化
品牌檔案
累積單一品牌在不同品類、不同時期的AI出現紀錄
↓
SIGO各品類指數
將一段期間內的品類觀測累積為指數,觀察品牌推薦集中度與穩定度的變化
↓
區域性AI推薦榜
觀察特定地區的AI品牌推薦情況及其跨期變化
不匯入總指數
SIGO總指數
彙整各品類指數,觀察整體AI市場推薦環境的變化方向

我們的觀測題目都是以推薦意圖為核心的固定提問。因為「推薦」是消費決策前最高頻的查詢組合之一,也是品牌方最重視的關鍵字,可以視為品牌在AI市場中的「聖杯」:能夠穩定進入推薦名單,代表品牌已經具備一定程度的市場認知與AI推薦優勢。

此外,跨期比較要求題目恆定,題目一旦變動,數值的升降就無法區分是AI推薦傾向改變,還是提問方式改變。

平台選擇的依據是台灣使用者的實際接觸範圍,而非模型本身的技術評價。

SIGO記錄的是消費者可能真實接收到的推薦內容,因此納入標準是普及程度,不是能力排名。

ChatGPT在台灣的一般使用者滲透率最高,是多數人第一個接觸的AI對話工具。

Gemini依託Google既有的服務入口,在搜尋與行動裝置端擁有廣泛的自然觸及。

Perplexity則是兩大巨頭之外知名度最高的獨立平台,在資料查找與報告寫作場景中有明確的使用族群,而因其預設會先搜尋再回答,所以是GEO操作的重要參考平台。

其他平台目前不納入,原因各異。

Grok的主要入口X.com在台灣屬於相對小眾的社群平台,一般消費者接觸機會有限。

Claude在技術與網路社群中知名度高,但在一般消費族群中的普及程度尚未達到同等水準。這些判斷會隨市場變化重新評估,平台名單並非永久固定。

觀測平台的增減將視使用者接觸範圍的實際變化調整,任何調整都會在方法學說明中記錄變更時點,並在指數計算上維持前後期的可比處理。

五種內容對應五種不同的觀測單位:單次、跨期、地區、品牌、產業。理解差別最快的方式,是看它們各自回答什麼問題。

觀測報告:某一次觀測看到了什麼

以品類為單位,每次觀測完成即發布,記錄該次三個平台各自給出的品牌名單與排序。觀測序號累計不重置,是可回溯的原始記錄。

SIGO指數:跨期彙整和分析,展示這個產品類別的推薦格局如何變動

以品類為單位,將整月多次觀測結果彙整為單一數值,並以基期正規化。指數頁提供跨期比較、排名變動、平台間分歧來源等解讀,回答的是趨勢問題而非單次問題。

SIGO指數詳細說明

地區排行榜:同一服務在不同城市的推薦差異

適用於推薦結果會因地區而異的服務型品類,採城市層級分眾。排行榜為獨立產品,不納入SIGO總指數計算,避免地區樣本影響跨品類可比性。

品牌檔案:單一品牌在各品類的表現軌跡

以品牌為單位橫向彙整,呈現該品牌的歷史表現、被提及的品類分布、以及推薦來源結構。品牌檔案是查詢入口,觀測報告與指數則是它的資料來源。

被AI提及過的品牌不會自動建立檔案,需通過穩定度門檻,避免名單灌水而失去參考價值。

趨勢洞察:AI如何回答這個產業的消費疑問

以產業為單位,提出五題開放式問題,涵蓋風格趨勢、預算配置、選購考量等消費者實際會問的內容,記錄三個平台的完整回答並交叉分析。

洞察觀察的是論述內容而非品牌名次,因此不產生分數,也不進入指數計算。它回答的是AI對整個產業的認知框架正在如何移動。

五者的關係

觀測報告與趨勢洞察是兩條並行的原始層,前者問品牌,後者問議題。指數與品牌檔案都由觀測報告彙整而來,方向不同:指數往時間軸縱向累積,品牌檔案往品牌橫向收攏。地區排行榜自成一套,與總指數各自獨立。

不會,這也不是SIGO觀測要做的事。SIGO觀測的角色是記錄與呈現AI實際推薦了哪些品牌,而不是介入或改變AI的推薦結果,這個角色分際是SIGO觀測公信力的基礎。

不過,看得懂數據本身就有價值。

透過品牌檔案與品類指數,你可以清楚看到自己在哪些平台、哪些品類中被提及,AI又是用什麼方式描述你的品牌,這些觀測結果能幫助你判斷目前所處的位置,以及該採取的行動。

每份報告裡的共識分數、出現率、穩定度、SIGO指數,量的是不同層面的東西:

共識分數看AI多常把品牌排在前面。

出現率看AI提不提到這個品牌。

穩定度看提到的時候名次可不可靠、穩不穩定。

SIGO指數則是跨期統計和分析,方便掌握市場真正的變化。

共識分數 = 結果
出現率、覆蓋平台、平均排名 = 組成這個結果的細節
名次區間、穩定度 = 這個結果到底穩不穩

這幾個指標搭配著看,才能判斷一個品牌是穩定站上前段班,還是少數幾次剛好衝到前面。

完整說明與計算邏輯,可以參考SIGO觀測數據與排名說明大全。

最常見的誤會,是只憑感覺比較兩個品牌的曝光狀況,結果被公式的乘法效果搞混了。

共識分數其實可以拆解成:

共識分數(%)=出現率(%)×(平均每次出現拿到的積分÷10)

這代表出現率其實是分數的天花板:不管一個品牌每次出現時排名多好,只要出現率不夠高,分數就是衝不上去——因為公式把「沒出現的那幾次」算成0分,一起攤進分母裡。

舉個例子,同樣觀測10次:

品牌C:出現9次(出現率90%),但每次都排第9名(2分)→ 積分9×2=18分 → 共識分數18分。

品牌D:只出現4次(出現率40%),但每次都排第1名(10分)→ 積分4×10=40分 → 共識分數40分。

品牌D出現的次數比品牌C少一半以上,共識分數卻是品牌C的兩倍多。乍看「品牌C幾乎每次都出現,應該比較強」,但因為排名一直在後段,分數反而被拉低;品牌D雖然常常缺席,但只要出現就是第一名,含金量高,分數就上得去。

所以看到兩個品牌「感覺條件差不多」但分數差很多的時候,先分別去看它們的出現率和平均排名這兩個數字,答案通常就藏在這兩個數字的落差裡,不是共識分數算錯了。