站內 AEO 訊號能預測企業出現在 AI 回答中嗎?我們實測了 62 家企業
在本研究中,答案是否定的。在日本 62 家在地企業中,我們的站內 AEO 分數(結構化資料、llms.txt、爬蟲存取等訊號)與 Perplexity 在被要求推薦時提及或引用該企業的頻率之間沒有關聯:Spearman ρ = 0.03(95% CI −0.23 至 0.28,p = 0.834)。由於樣本僅有 62 家企業,本研究只能可靠地偵測出約 |ρ| ≥ 0.35 的相關性,因此無法排除存在較弱關聯的可能。
發布於 2026 年 10 月 28 日,資料測量於 2026 年 10 月 24 日。Nurevo 開發 AEO 工具,包括本文所檢驗的分數;詳見下文「我們的利益衝突」。
摘要
- 問題:網站在 Nurevo 的 AI 可讀性分數(0 至 100 分)上得分越高的企業,在未指名該企業的提問中,是否更常出現在 AI 回答裡?
- 答案:不成立。整體 ρ = 0.03,在針對產業和城市進行調整後仍為 0.03。
- 整體而言,企業出現在 21.0% 的探索型問題回答中;62 家中有 25 家至少出現過一次。
- 在進行多重檢定校正後,分數的任何單項(結構化資料、llms.txt、涵蓋度等)同樣未顯示出關聯。
- 我們的結論:結構化資料有助於 AI 正確讀取企業資訊,但單憑它並不能決定企業是否被提及。其他因素更為重要,很可能包括其他網站對該企業的評價。最後這一點是本研究未檢驗的假設。
為什麼進行這項研究
AEO(答案引擎最佳化)領域的建議(包括我們自己的建議)認為,讓網站更容易被 AI 讀取(schema.org 結構化資料、llms.txt 檔案、允許 AI 爬蟲存取、伺服器端渲染內容)有助於企業出現在 AI 回答中。Nurevo 銷售的正是以這些訊號為基礎的分數。我們希望取得可靠的證據,判斷這個分數是否反映了企業主真正在意的事:被 AI 提及。在收集任何回答之前,我們就確定了假設、分析方法和判定標準,並承諾無論結果如何都會公開。
研究方法
- 樣本:透過網路搜尋選出 72 家擁有自有官方網站的在地企業(排除入口網站),涵蓋 5 個產業(牙醫診所、餐廳、美容院、稅務師事務所、住宿設施)及日本 4 個城市(東京、大阪、福岡、札幌)。其中 10 家因網站無法計算分數而被排除,最終 62 家納入分析。
- 分數:使用與 Nurevo 公開分數相同的程式碼,對每個網站的首頁、robots.txt 和 llms.txt 進行評分:結構化資料(30 分)、涵蓋度(25 分)、可讀性(20 分)、llms.txt(15 分)和一致性(10 分),另設爬蟲存取、邊緣封鎖和伺服器端渲染的門檻項目(未通過則分數上限為 15 分)。
- 引擎:Perplexity,透過其 Agent API 使用「fast」預設(執行一次網路搜尋後作答),與 Nurevo 付費方案中 AI 能見度功能所用的轉接器相同。僅使用一個引擎,詳見限制部分。
- 問題:每家企業設定三個「探索型」問題,只指明地區與業種而不提企業名稱(例如「推薦一家梅田的牙醫」),同一地區同一產業的企業共用這些問題;另設一個「指名型」問題,詢問該企業的地址與營業時間。每個問題各提問三次。
- 結果指標:若企業名稱出現在回答中,或其自有網域位於引用來源之中,即視為該企業「出現」在回答中。出現率是指該企業在探索型問題回答中出現的比例。
- 偵測器驗證:在指名型問題的回答中,企業名稱的偵測率為 84.3%,高於我們為信任偵測器所設定的 70% 門檻。
- 分析:採用 Spearman 等級相關,並以置換檢定計算 p 值、以拔靴法計算信賴區間;以產業和城市為固定效果的偏相關;分層內置換檢定;以及包含產業和城市固定效果、並採用準二項校正的邏輯斯迴歸,因為同一問題的重複回答並非彼此獨立。六項分項檢定皆採用 Holm 校正。
「成立」的判定標準已事先確定:ρ ≥ 0.3、p < 0.05、95% CI 高於零,且調整後的相關係數為正。回答文字未予保存,僅記錄名稱是否出現、網域是否被引用以及引用位置。
研究結果
結論為「不成立」。分數與出現情況之間的所有檢定,相關係數皆接近於零:
| 檢定 | 結果 | p 值 |
|---|---|---|
| 分數與出現率(Spearman ρ,主要分析) | 0.03(95% CI −0.23 至 0.28) | 0.834 |
| 同上,經產業和城市調整(偏相關) | 0.03 | 0.845 |
| 同上,分層內置換檢定 | 0.03 | 0.829 |
| 分數與名稱出現(探索型問題) | −0.04 | 0.782 |
| 分數與自有網站被引用(探索型問題) | 0.18 | 0.149 |
| 分數與自有網站被引用(指名型問題) | −0.03 | 0.813 |
| 含產業/城市固定效果的邏輯斯迴歸(準二項):分數每增加 1 個標準差(18.81 分)的勝算 | ×1.01(95% CI 0.62 至 1.64) | 0.972 |
最大的係數是分數與企業自有網站被引用之間的 0.18,但它與零沒有顯著差異(p = 0.149),不應被視為一項發現。
依分數區間
Nurevo 以紅、黃、綠三色顯示分數。樣本中多數網站為紅色,沒有任何網站達到綠色,因此本研究無法說明極高分數的情況。
| 區間 | 企業數 | 平均出現率 | 至少出現一次 |
|---|---|---|---|
| 紅色 | 54 | 20.8% | 22 |
| 黃色 | 8 | 22.2% | 3 |
| 綠色 | 0 | - | - |
依分數構成項目
分數的各個構成項目皆與出現情況無關。經 Holm 校正後,所有 p 值皆為 1.000。這些檢定屬於探索性分析。
| 構成項目 | 與出現率的 Spearman ρ |
|---|---|
| 結構化資料(schema) | 0.08 |
| 涵蓋度 | 0.12 |
| 可讀性 | −0.17 |
| llms.txt | −0.02(勝算比 1.41,95% CI 0.79 至 2.52) |
| 一致性 | 0.06 |
| 門檻項目(爬蟲存取、邊緣、伺服器端渲染) | 61 家通過:出現率 21.3%;1 家未通過:0% |
依產業與城市
出現率在不同產業和城市之間的差異,大於在不同分數之間的差異。以下為小樣本分組的描述性數據,並非經過檢定的差異。
| 分組 | 企業數 | 平均分數 | 出現率 |
|---|---|---|---|
| 稅務師事務所 | 13 | 27.92 | 10.3% |
| 住宿設施 | 13 | 21.08 | 23.9% |
| 牙醫診所 | 13 | 40.15 | 25.6% |
| 美容院 | 8 | 24.25 | 8.3% |
| 餐廳 | 15 | 24.20 | 30.4% |
| 大阪 | 15 | 26.27 | 15.6% |
| 札幌 | 17 | 29.41 | 9.8% |
| 東京 | 15 | 25.53 | 31.1% |
| 福岡 | 15 | 29.27 | 28.9% |
研究限制
- 橫斷面研究:對眾多網站的單次測量只能呈現關聯,而非因果。改善網站能否改變其出現情況,需要針對同一批網站進行前後對照研究。
- 統計檢定力:在 62 家企業的樣本下,弱於約 |ρ| = 0.35 的相關性很可能被遺漏。同一地區、同一產業的企業共用相同的回答,因此有效樣本數更小。此處的「未發現」並不代表「不存在」。
- 單一引擎、單一週期:使用「fast」預設的 Perplexity,測量於 2026 年 10 月 24 日。ChatGPT、Gemini、Google 的 AI Overviews 和 Copilot 使用不同的搜尋索引與模型,本研究結果無法套用到這些平台。
- 未觀察到的干擾因素:評論、品牌知名度、廣告、營業年資以及在其他網站上的刊登情況皆未測量,僅針對產業和城市進行調整。
- 樣本:企業是透過網路搜尋找到的,因此偏向原本就容易被找到的企業。沒有任何網站達到綠色。日本的 5 個產業和 4 個城市未必能代表其他產業、地區或語言。
對企業網站的意義
結構化資料、llms.txt 和爬蟲存取仍有其作用:它們讓 AI 能直接且正確地讀取企業資訊(地址、營業時間、電話號碼、服務項目),而不必靠猜測。這項工作值得做,但它與「被推薦」是兩回事。在本研究中,更容易被讀取的網站並沒有被更常提及。
我們目前的假設是:在 AI 回答推薦類問題時,網站以外的資訊來源(評論與地圖平台的刊登、在地媒體、商家名錄、其他提及該企業的網站)對 AI 是否提及某家企業有很大影響。本研究並未測量這些來源,因此這只是有待檢驗的假設,而非研究結果。
實務建議:持續做好站內基本功,因為它能讓 AI 對您的描述更加正確;同時,應直接測量 AI 是否真的提及您,而不是從可讀性分數去推斷。
我們的利益衝突,以及我們將做出的改變
Nurevo 開發 AEO 工具,本文檢驗的分數正是我們的產品之一。「分數無法預測出現情況」並不是我們希望看到的結果。我們之所以公開,是因為判定標準在資料收集之前就已確定,也因為企業主應當了解一個分數能說明什麼、不能說明什麼。
我們的因應措施:我們不會將 AI 可讀性分數宣傳為預測企業出現在 AI 回答中的指標,而是直接測量出現情況:Pro 方案可測量 Perplexity 提及或引用網站的頻率(Beta 版),我們也將為 Free 和 Standard 方案的網站新增小規模的每月出現情況檢查。此外,我們正在開發第二版分數,將實測的 AI 能見度與站內訊號相結合,而不再僅仰賴站內訊號。
所測企業的名稱與網站不予公開。
常見問題
結構化資料能讓 AI 提及我的企業嗎?
在這項針對 Perplexity 上 62 家在地企業的研究中,結構化資料等站內訊號與企業被提及的頻率之間未發現關聯(ρ = 0.03)。結構化資料有助於 AI 正確讀取您的資訊,但單憑它無法預測是否會被提及。
llms.txt 能幫助企業出現在 AI 回答中嗎?
本研究未發現關聯:llms.txt 單項與出現率之間的 ρ = −0.02(經 Holm 校正後 p = 1.000)。本研究規模較小且僅使用一個引擎,因此這並不能證明 llms.txt 永遠不起作用。
這是否代表 AEO 毫無意義?
不是。站內 AEO 能讓 AI 對企業的描述更加正確。本研究顯示,單靠它還不足以獲得推薦,而是否被提及應當直接測量,而不是從可讀性分數推斷。
測量的是哪個 AI 引擎?
僅測量了 Perplexity,透過其 Agent API 使用「fast」預設,測量日期為 2026 年 10 月 24 日。結果無法套用到 ChatGPT、Gemini、Google 的 AI Overviews 或 Copilot。