先說結論：Found 不等於 Cited
同一個網址，Site Explorer 的 AI Index 區塊顯示有 AIO 曝光、Brand Radar 的 citations 數字卻明顯偏少，這多半不是 Ahrefs 出…
同一個網址，Site Explorer 的 AI Index 區塊顯示有 AIO 曝光、Brand Radar 的 citations 數字卻明顯偏少，這多半不是 Ahrefs 出錯，背後原因是兩份報表看的「口徑」根本不同：Site Explorer 給的是比較寬的 AI visibility 摘要（包含「被找到但沒被引用」），Brand Radar 的 Cited in 給的是嚴格的「真的被當成引用來源」。把這條界線分清楚，才不會把 Found 當成 Cited 對客戶報喜。Ahrefs 在 2026 年 4 月產品更新中，正式把 Cited Pages 報表拆出 Found in、Cited in、Avg. position 三個欄位，等於官方自己也把這條漏斗攤開來給你看 [來源：Ahrefs〈Ahrefs Product Update: Grok in Brand Radar, higher API limits, and more〉https://ahrefs.com/blog/new-features-apr-2026/ 2026]。
重點先看：兩份報表是分工關係，前者顧廣度、後者顧深度。Site Explorer 適合快速回答「這個站最近有沒有出現在 AI Overview、趨勢是上升還是下降」；Brand Radar 才能回答「哪一頁真的被 ChatGPT 或 Perplexity 列為引用來源、跟競品差多少」。要寫正式的 AI citation 報告，以 Brand Radar 的 Cited in 為準；要找優化機會，反而要看 Found but not cited 那張清單。順手把基礎打穩，可先翻過 Ahrefs 是什麼 與 Google AI Overviews，再回來讀這篇差異拆解。
先說結論：Found 不等於 Cited
這整個議題可以濃縮成一句話：AI 找到你的頁面，不代表 AI 最後有引用你的頁面。Site Explorer 的 AI Index / AI Citations 區塊把這兩件事放在比較寬的脈絡裡看，所以數字偏大；Brand Radar 的 citations 報表把漏斗收窄到「真的被引用」，所以數字偏小。把兩邊拿來對帳，一定對不起來，因為它們本來就在量不同的東西。
| 概念 | 實際發生什麼 | 白話理解 |
|---|---|---|
| Found | AI 在產生回答前，有讀到或找到這個頁面 | 進入候選資料池 |
| Cited | AI 最後真的把這個頁面列為引用來源 | 出現在答案下方的引用清單 |
| Found but not cited | AI 找到了，最後卻沒把它選成來源 | 被看見但沒被選上 |
退一步看，這條界線其實跟傳統 SEO 很像。Found 之於 Cited，有點像「Google 有爬到你的頁面」之於「Google 真的把你排到第一頁」，後者永遠是前者的子集合。如果對 搜尋意圖 與 生成式搜尋與傳統搜尋的差別 還不熟，先建立這層認知再回來讀，會比硬記欄位名稱有效率。
為什麼兩份報表的 AIO 數據會對不起來
這是新手最常踩的雷。你把同一個網址分別丟進 Site Explorer 與 Brand Radar，國家、URL、subdomain、prefix 都對齊了，兩邊的 AIO 數字還是不一樣，直覺會懷疑是系統 bug。Ahrefs 客服針對這個情境給過明確回覆：Site Explorer Overview 裡看到的結果，可能包含「target was found but not cited」的 prompt，而 Brand Radar 的 tracked report 計算的是 explicitly cited，也就是真正被 AI 回答引用的頁面 [來源：Ahrefs〈What is Brand Radar, and how to use it?〉https://help.ahrefs.com/en/articles/11064852-what-is-brand-radar-and-how-to-use-it 2026]。
換句話說，兩邊的差距來自測量的東西本來就不同，不能當成錯誤看待。Site Explorer 像總機，告訴你「最近有沒有人來按過你家的電鈴」；Brand Radar 的 cited 像簽收單，告訴你「真的被叫進去開會的有幾次」。一個量的是 exposure 的廣度，一個量的是 citation 的深度。如果你還在摸索 AI 搜尋時代 SEO 全攻略 的整體架構，把這個比喻記下來，後面所有欄位都圍繞著它在轉。
講了這麼多，說到底還是要回到資料定義。Brand Radar 本質上是 Ahrefs 用來觀察 AI visibility 的工具，會追蹤品牌在大量 search-backed prompts 中如何出現在 AI 搜尋結果，並用來比較 AI Share of Voice、找出 cited pages、cited domains 與品牌被 AI 提到的機會 [來源：Ahrefs〈What is Brand Radar, and how to use it?〉https://help.ahrefs.com/en/articles/11064852-what-is-brand-radar-and-how-to-use-it 2026]。Site Explorer 的 AI Index 則是網站層級的快速摘要，定位上是入口、不是分析工具。
Brand Radar 補的是什麼視角：把 citation 拆成漏斗
Brand Radar 真正補的，是把 AI citation 的過程拆成漏斗來看的能力。在它的 Cited Pages 報表裡，Ahrefs 從 2026 年 4 月起加入了 Found in、Cited in、Avg. position 三個欄位 [來源：Ahrefs〈Ahrefs Product Update: Grok in Brand Radar, higher API limits, and more〉https://ahrefs.com/blog/new-features-apr-2026/ 2026]。Cited in 指的是「在哪些 AI responses 裡，該 domain 或 page 真的被引用」；Found in 則是「在哪些 AI responses 裡，該 page 被找到，不管最後有沒有被引用」。同一個欄位群，Site Explorer 不會拆給你。
- Found in：AI 在哪幾次回答過程中讀過你的頁面，是漏斗最頂層。
- Cited in：AI 在哪幾次回答裡真的把你列為引用來源，是漏斗最底層、也是最嚴格的口徑。
- Avg. position：被引用時，你出現在 AI 回答的什麼位置，越前面通常帶來越多點擊與曝光。
- Found but not cited：兩個欄位相減之後的差，就是優化機會清單。
這條漏斗的價值，在於它把「為什麼我沒被引用」這個問題，從一團迷霧變成可量化的缺口。想進一步理解背後的 AI 運作機制，可以對照 Ahrefs Agent A 把 SEO 流程串起來；想知道 Brand Radar 與自訂 prompt 的差異，內建 mentions、citations 跟自訂 Prompt Tracking 的差別 把這條講得更細。而要把整個 AI 引用鏈看清楚，SEO、AEO、GEO、LLMO 同一條鏈上的三個視角 是更宏觀的地圖。
Site Explorer AI Index 看的是什麼
Site Explorer 的 AI Index 區塊，定位是網站層級的快速摘要。把 domain、subdomain 或 folder 丟進去，就能快速看到這個站最近有沒有出現在 AI Overview、AIO visibility 是上升還是下降、哪些 keyword 可能觸發 AI Overview、這個 domain 是否有被 AI 找到或引用的跡象。Ahrefs 官方教學也是建議先從 Site Explorer 看 AI Overview citations 的 snapshot，再點進 Brand Radar 做更細的 prompts、responses、competitors 與 citation gap 分析 [來源：Ahrefs〈How to Track AI Overviews〉https://ahrefs.com/blog/how-to-track-ai-overviews/ 2026]。
適合用 Site Explorer 解的問題，多半是「快問快答」等級。它適合拿來確認四件事：站整體有沒有出現在 AI Overview、AIO visibility 的長期走勢、哪些 keyword 可能觸發 AIO、這個 domain 有沒有被 AI 找到的跡象。但若要非常精準判斷「這個頁面到底有沒有被 AI 明確引用」，Site Explorer 的顆粒度不夠，必須進到 Brand Radar 的 cited pages 或 AI responses 裡拆開看。這也是為什麼做 SimilarWeb 競品流量分析 或 Similarweb 工具拆解 的人，最後常需要把 Ahrefs 當成 AI 層級的補位工具。
| 報表 | 看的口徑 | 適合回答的問題 | 顆粒度 |
|---|---|---|---|
| Site Explorer AI Index | 較寬的 AI visibility（含 Found） | 站整體有沒有成長、趨勢如何 | 網站／子網域層級 |
| Brand Radar Cited Pages | 嚴格的 explicitly cited | 哪一頁真的被引用、被引用幾次 | 頁面／prompt 層級 |
| Brand Radar AI Responses | 逐筆 prompt 回應 | AI 到底怎麼提到你、提到競品 | 單次回答層級 |
新手最容易把 Mention、Found、Citation 搞混
把這三個詞當成同一件事，是做 GEO 報告最大的地雷。它們的差別用一個例子最清楚：當 AI 被問「推薦幾個 SEO 工具」，回答文字裡寫出 Ahrefs 這個名字，這是 Mention；如果 AI 在整理答案時有讀到 ahrefs.com 某個頁面，但最後沒把它列為來源，這是 Found but not cited；如果 AI 回答下方真的把 ahrefs.com 那篇文章掛出來當引用，這才是 Citation。三件事的門檻一路墊高，不能混著報。
- Mention：AI 回答文字裡有提到你的品牌名，但不一定有附連結。
- Found：AI 在檢索或整理資料時，有實際讀到你的頁面。
- Citation：AI 最後真的把你的頁面列為引用來源，是三者最嚴格。
做 GEO 或 AI SEO 報告時，不能只寫「我們被 AI 看到了」。這句話對客戶與主管沒有資訊量，因為它把三個完全不同門檻的事件混成一坨。正確的寫法是分開陳述：上個月品牌在 ChatGPT 被 Mention 幾次、在 Perplexity 的 AI Responses 裡 Found 幾次、其中真正 Cited 幾次。這套結構對應到 GEO 行銷五大原則 與 AEO 答案引擎優化的四個版位，是把策略變成可量測指標的起點。
Retrieval Visibility 與 Citation Visibility：把數據拆兩層看
Ahrefs 的 AIO 數據建議拆成兩層來讀。第一層是 Retrieval Visibility，衡量 AI 有沒有找到你的內容，這時候 Found、Found in、Found but not cited 都很有價值，因為它代表你的頁面已經進入 AI 的候選資料池。第二層是 Citation Visibility，衡量 AI 有沒有真的引用你的內容，這時候要優先看 Cited in、Cited Pages、AI Responses 裡的引用來源。兩層各自的趨勢，比單一個總數更能說故事。
關鍵診斷在於兩層之間的缺口。Found 很高但 Cited 很低，代表你的內容已被 AI 看見，卻還沒強到被選為引用來源；這種狀態其實是好消息，因為它指向最值得投入資源的優化機會。比起盯著絕對數字焦慮，把缺口比例算出來（Cited 除以 Found），追蹤這個比值有沒有逐月上升。把這個比值跟 Google Search Console 真實點擊 與 GA4 追蹤 AI 流量篩選器 的數字對齊，才能回答「AI 曝光到底有沒有換成實際拜訪」。
換個角度想，這個兩層架構也解釋了為什麼 挑選 GEO 公司 時，不能只看他們報「被 AI 提到幾次」，而要看他們能不能把 Found 推成 Cited。能把漏斗下層補起來的廠商，才真正在做 GEO，光做監測是不夠的。對應到 SEO 費用與收費模式 的判斷邏輯也一樣：報價的差異，多半差在解讀數據與推進優化的功力。
Found but not cited：可以怎麼優化
當一個頁面經常被 AI 找到、卻沒被引用，問題往往出在「整個網路上對這個主題的理解是否夠穩定」，跟單頁漂不漂亮的關係反而沒那麼大。AI 引用決策會綜合評估內容完整度、結構清楚度與第三方背書強度，是一組複合判斷。所以優化方向要同時動頁面內與頁面外兩條軸。
- 頁面有沒有直接回答使用者問題，還是繞了一圈才碰到重點。
- 內容是不是太像行銷文案，缺乏可被直接摘錄的資訊密度。
- 有沒有清楚的定義、步驟、比較表、FAQ 這類結構化段落。
- 有沒有足夠的第三方訊號，例如媒體報導、論壇討論、評測文章。
- 頁面主題會不會太發散，導致 AI 雖然找到，卻不確定能拿來當答案來源。
這五個檢查項，本質上就是 EEAT 信任評分框架 與 站內 SEO 優化 在 AI 時代的延伸應用。把頁面外的第三方訊號補起來，則屬於 反向連結經營 與數位公關的範疇，這也是為什麼 GEO 不只是寫文章，還會牽涉 PR 與品牌聲量。想把 AI 引用的內容策略一次整理好，相關的內容規劃心法與讓 AI 主動引用的寫作思路，是延伸閱讀的首選。
這裡要老實交代一個限制：Found but not cited 的優化，沒有保證有效的單一動作。有時候頁面改了三輪，Cited 才勉強動一格；有時候什麼都沒做，下一波 AI 模型更新就突然把你選進引用。所以這條優化鏈的回報週期，比傳統 關鍵字排名提升 更難預測，建議用滾動式實驗的心態看待，而不是把它當成保證交付的 KPI。
正式報告要用哪個數據：一張決策表
跟客戶或主管報告「我們被 AI 引用了幾次」，請以 Brand Radar 的 Cited in / Cited Pages 為主，因為這是比較嚴格的 citation 口徑，數字經得起追問。要報告「我們有沒有被 AI 找到、還有哪些優化機會」，就把 Found in 或 Found but not cited 拉出來當作機會清單。兩種資料應分工使用，不能互相取代。把這個分工原則寫進報告模板，後續每一期才不會每張截圖都要重新解釋。
| 你想回答的問題 | 該看哪份報表 | 為什麼 |
|---|---|---|
| 我們有沒有真的被 AI 引用 | Brand Radar Cited Pages / Cited in | 口徑最嚴格，數字站得住 |
| 我們有沒有被 AI 找到 | Found in / Found but not cited | 覆蓋候選池廣度 |
| 哪些 AIO keyword 已經有我方網站 | Site Explorer Organic Keywords 加 AI Overview filter | 關鍵字層級概覽最快 |
| 競品被引用、但我沒有 | Brand Radar citation gap | 唯一能做差異分析的入口 |
| 整體趨勢怎麼看 | Site Explorer Overview 加 Brand Radar trend | 兩份合看才有完整走勢 |
這張表跟 免費 SEO 工具推薦 與 22 款 SEO 工具評比 的選型邏輯是相通的：先想清楚要回答的問題，再決定開哪份報表。若你連 Brand Radar 都還沒裝起來，GEO 工具與 SEO 工具的差別以及 GEO 能見度監測工具是什麼 先看過一遍，再決定要不要進入付費方案。整套工具的底層邏輯，可回頭對照前面提過的 Ahrefs 完整教學指南。
一份可重複使用的 AIO 分析工作流程
剛開始分析 Ahrefs 的 AIO 數據，建議照下面五個步驟走一遍。這套流程的好處是把「先看大方向、再拆細節、最後找機會」的順序固定下來，避免一進報表就在數字海裡漂流。把它存成每個月的檢查清單，每次只要照表操課，就能穩定產出一份可比較的 AI visibility 報告。
步驟一：用 Site Explorer 看大方向
先確認網站整體 AI Overview 或 AI Citations 是否有成長。這一步不要急著判斷每個數字的精準含義，先看趨勢就好，連續三個月的走勢比單週波動更有意義。同時把 Google Search Console 介紹 與 Bing Webmaster Tools 安裝 跑過一遍，確保搜尋引擎兩側的收錄狀態都在掌握中。
步驟二：點進 Brand Radar 看細節
接著進到 Brand Radar，逐一檢視 AI Responses、Cited Pages、Found in、Cited in。這一步的重點，是把「被找到」和「被引用」拆開看，並把 Avg. position 紀錄下來，追蹤被引用時的位置變化。沒有在追蹤 Brand Radar 的話，先看 Ahrefs Brand Radar 指標怎麼讀 建立基本認識。
步驟三：整理 Found but not cited 清單
這份清單通常是最值得優先處理的機會。因為 AI 已經找到這些頁面，只是最後還沒把它們列為來源，代表它們距離被引用只差最後一段距離。把清單匯出後，標註每個頁面的主題集中度與第三方訊號強度，排序出當月要動手的目標。主題過於發散的頁面，可順手對照 關鍵字蠶食修復 與 內外部連結分工，先做內部整併再談優化。
步驟四：看競品 citation gap
如果競品被 AI 引用、而你沒有被引用，就要研究競品那一頁為什麼更容易被 AI 選上。可能是內容更完整、結構更清楚、第三方背書更多，或剛好更符合 prompt 的回答需求。把競品頁面逐項比對，通常能在結構化段落與 結構化資料 Schema 標記 上找到可立刻補上的差距。
步驟五：不要只看單次截圖
AI Overview 與 AI 回答本來就會變動，Ahrefs 官方也提醒 AI Overview 的內容與 citations 都會經常改變 [來源：Ahrefs〈How to Track AI Overviews〉https://ahrefs.com/blog/how-to-track-ai-overviews/ 2026]。比較好的方式是看趨勢，而不是拿某一天的截圖下結論。把每個月的截圖存成時間序列，搭配 內容年度更新的節奏 一起檢視，才能區分短期波動與長期結構性變化。
把這條分析鏈接回 SEO 與 GEO 全局
退一步看，Brand Radar 與 Site Explorer 的分工，其實是整個 AI 搜尋時代 SEO 工作流的一個切片。傳統 SEO 搜尋引擎優化完整指南 關心的是「在 Google 被點擊」；AI SEO 與 GEO 與 SEO 的差別 關心的是「在 AI 被引用」；AEO 關心的是「答案版位的結構」；AXO 則試圖把這些視角統合起來。Brand Radar 補的，正是其中 GEO 與 AXO 那一層的監測能力。
講了這麼多層級，說到底還是要回到一個判斷：你的內容是給誰看的。如果是給傳統搜尋使用者看，先把 技術性 SEO、Canonical URL、爬取預算顧好；如果是給 AI 引擎看，內容行銷策略 與 SEO 文章寫作流程 的密度與結構化程度，才是決定 Found 會不會變成 Cited 的關鍵。想知道 AI 答案引擎的定位與運作原理，Perplexity 與 AI 搜尋相關的完整指南能補上另一塊視角。
若你的站還在 WordPress 上，WordPress SEO 終極優化指南 與 WordPress 架站費用拆解是打底的兩篇；進階的技術細節如 Core Web Vitals 與 網站速度優化，也會間接影響 AI 爬蟲對你頁面的讀取品質。整套串起來，從行銷必備工具到 SEO 公司的選擇，才是一條完整的 AI 時代 SEO 戰線。
Found 與 Cited 之間的距離：用 AI 引用漏斗診斷內容
把 Found 與 Cited 之間的關係想成一條漏斗，會比把兩個數字擺在一起對帳更有生產力。漏斗最頂端是 Impressions（你的頁面有機會被 AI 讀到），往下依序是 Found（AI 真的讀了）、Mention（AI 在回答文字裡提到你）、Cited（AI 把你列為引用來源）。每一層都是上一層的子集合，而且每一層都會漏水。Site Explorer 大致告訴你頂端兩層有多寬，Brand Radar 才把下面兩層的形狀量出來。
| 漏斗層級 | 對應 Ahrefs 欄位 | 主要看哪份報表 | 漏水代表什麼 |
|---|---|---|---|
| Impressions | 潛在可被 AI 讀到的機會 | Site Explorer AI Index 概估 | 品牌整體能見度不足 |
| Found | Found in | Brand Radar Cited Pages | 內容沒進入候選池 |
| Mention | 品牌名出現次數 | Brand Radar AI Responses | 有讀到卻沒寫進答案 |
| Cited | Cited in | Brand Radar Cited Pages | 被提到卻沒被列為來源 |
這條漏斗最實用的地方，在於它把「為什麼沒被引用」拆成四個獨立的問題。是沒被讀到、還是被讀到但沒寫進答案、還是被寫進答案卻沒被列為來源？每一種漏水對應的修補動作完全不同。把 Brand Radar 的逐筆 AI Responses 調出來看，就能定位到底卡在哪一層。對於剛接觸 SEO、AEO、GEO 三大行銷攻略 的人，這個漏斗是把三個領域的 KPI 統一在同一個框架下的起點。
舉一個常見的卡點：Found 高、Mention 也高、Cited 卻很低。這代表 AI 讀過你的頁面、也在答案裡提到你的品牌，但最後選擇把引用來源的名額給了別人。這種情況的修補重點放在強化「為什麼這個主題該引用你」的第三方佐證，例如媒體報導、評測文章、學術或官方機構的引用。把這層補起來，Cited 通常才會跟著動。這條邏輯跟 網站權重 DA 提升策略 與 站外 SEO 與反向連結 的經營方向是一致的，差別只在 AI 引用對第三方訊號的敏感度更高。
換個角度想，漏斗也能反過來用。當你發現 Cited 突然上升，先別急著報喜，回頭看是 Found 也跟著上升，還是轉換率變高。前者代表整體曝光擴大，後者代表內容品質進步。這兩種成長的意義完全不同，後者才是真正可持續的訊號。把這個判讀習慣放進每月報告，長期累積下來會比單看絕對數字更能看出趨勢。相關的工具分工，可對照前面提過的 Brand Radar 指標解讀與資訊型文章的結構紀律。
代表性情境：用兩份報表同時看自家與競品
講完框架，換一個實務上常見的情境把它講具體。以某內容網站要比較自家與競品在 AI 搜尋的相對位置為例，這類站常見的做法是兩份報表同時開：用 Ahrefs Site Explorer 看傳統 SEO 指標（反向連結數量、網域權重 DR、Organic Keywords 的覆蓋廣度），同時用 Brand Radar 看 brand 在 AI 答案中的出現情況（Mention、Cited in、citation gap）。這兩條線合在一起看，才看得出傳統 SEO 累積與 AI 可見度之間到底對不對得上。
依這類站的典型表現，最常出現的狀況是兩邊訊號不一致。Site Explorer 往往會顯示競品在反向連結與網域權重上更強，DR 通常高出一截、backlink 數量也明顯領先；但 Brand Radar 的 Cited in 與 Mention 不一定完全跟著 SEO 權重走。實務上常見到，有些內容整理得比較清楚、定義寫得明確的網站，即使傳統 SEO 指標較弱，也可能在 AI 回答裡被引用或提到。換句話說，DR 與 backlink 領先，並不等於 AI 引用領先，這條缺口正是 Brand Radar 補上來的視角。可參考的工具組合是 Ahrefs Site Explorer、Ahrefs Brand Radar，再搭配手動 AI prompt 測試（直接對 ChatGPT、Perplexity 丟主題相關問題，看回答裡出現哪些來源）做交叉驗證。
這個情境要老實交代它的限制，也就是「哪裡沒效」。不能只看 DR 或 backlink 就決定內容策略，競品在傳統 SEO 領先，不代表它在 AI 引用也領先，把資源全押在追反向連結，很可能會錯過 AI 引用真正看重的結構與第三方佐證這一層。但反過來也不能只看 AI 引用就下判斷，因為 AI 可見度目前的波動仍然偏大，單月的 Brand Radar 數字可能因為模型改版而出現明顯起伏，不足以當成穩定訊號。比較穩的做法是兩份報表長期並列追蹤：Site Explorer 看 SEO 基底有沒有持續累積，Brand Radar 看 AI 引用趨勢有沒有往上，再用 citation gap 找出「競品被引用、自家沒被引用」的主題缺口。把這條雙軌判讀的紀律建立起來，會比單看任何一份報表更接近真實的競爭位置。相關的工具分工，可對照前面提過的 Brand Radar 指標解讀與內外部連結分工，把改寫後的頁面用內部連結推到主題中樞位置。
把這個情境再往前推一步，可以整理成一條決策順序，給同樣在做競品比較的站參考。先把自家與兩到三個直接競品在 Site Explorer 的 DR、反向連結總數、Organic Keywords 覆蓋廣度攤開，確認傳統 SEO 基底的相對位置；再切到 Brand Radar，把各家在 ChatGPT、Perplexity 的 Mention 與 Cited in 並列，重點不是看絕對數字誰高，而是看「誰的 Cited 對 Found 比值比較健康」。依這類站的典型表現，比值領先的一方，通常不是 DR 最高的那一個，而是內容結構最清楚、定義最明確的那一個。這也意味著，當 Site Explorer 顯示自家在傳統指標落後，未必需要先去追反向連結，反而更值得回頭檢視哪些主題的頁面已經進入 Found 卻卡在 Cited 門外，把這些頁面的開頭改寫成問題、答案、佐證的三段式結構，往往比新增外部連結更先看到 AI 引用位移。這條順序只是典型情境的參考，不是保證有效的公式，實際排序仍要看自家主題集中度與第三方訊號的現況。
這個情境還點出一個容易被忽略的判讀細節：Avg. position 的相對位置。被引用次數增加、但 Avg. position 卻落在邊陲位置，代表自家雖然進了引用清單，曝光效益有限，與競品比起來仍處劣勢。理想的競爭狀態，是 Cited 與 Avg. position 同步改善。把這個雙指標放進 Brand Radar 月報，才能真正衡量「被引用的品質」相對於競品如何。這條判讀邏輯跟 Google Search Console 五個實戰技巧 裡看「點擊、曝光、排名、CTR」四指標的精神是一致的：單一指標會騙人，組合指標才說真話。
跨平台比對：ChatGPT、Perplexity、Google AI Overviews 的引用邏輯
Brand Radar 另一個被低估的價值，是它把不同 AI 平台的引用行為放在同一個介面裡比較。ChatGPT、Perplexity、Google AI Overviews、Gemini、Copilot 在挑選引用來源時，各有各的偏好。Google AI Overviews 因為背後是 Google 的索引與排名訊號，傾向引用已經在傳統 SERP 排在前面的頁面；ChatGPT 與 Perplexity 對結構化、可摘錄的內容更敏感，有時會引用 SERP 排名不那麼前面的頁面。把這些差異放進 Brand Radar 的 AI Responses 逐筆比對，會發現同一個頁面在不同平台的命運可能完全相反。
| 平台 | 引用偏好 | Brand Radar 對應觀察點 |
|---|---|---|
| Google AI Overviews | 與傳統 SERP 排名高度相關 | Site Explorer AI Index 與 Organic Keywords 對齊看 |
| ChatGPT | 偏好結構化、可摘錄內容 | AI Responses 裡的逐筆 prompt |
| Perplexity | 重視第三方佐證與來源多元性 | citation gap 與第三方訊號強度 |
| Gemini | 整合 Google 生態與即時資訊 | Brand Radar trend 跨月比較 |
這些差異帶來一個實務啟示：不要用同一套內容策略打所有平台。針對 Google AI Overviews，把資源放在 資訊增量 與傳統排名提升通常最有感；針對 ChatGPT 與 Perplexity，把力氣花在結構化段落、清晰的定義與第三方背書，反而更直接。這也是為什麼做 AI Overviews 影響評估 時，不能只看單一平台數字，而要把 Brand Radar 的多平台數據一起攤開來讀。想理解每個平台的底層邏輯，LLMO 與 SEO 的關係 與 Perplexity AI 搜尋指南是最直接的入口。
跨平台比對還能回答一個常被問到的問題：要不要針對特定平台做「專屬優化」。我的看法比較保守。除了 Google AI Overviews 因為與傳統 SEO 重疊度高、值得當主力戰場之外，其他平台目前變動太快，投入大量資源做單平台專屬優化的風險偏高。比較穩的做法，是把內容打磨到「任何 AI 引擎都會想引用」的通用品質，再透過 Brand Radar 觀察哪個平台先給出回報。這條策略對應到 GEO 五大原則，本質上是用原則取代單一技巧。
最後一個值得記下的觀察：跨平台的引用結果，會隨 AI 模型更新而劇烈變動。Perplexity 在某次模型改版後，整個 citation 清單的組成可能換掉三成；ChatGPT 在加入新資料來源後，過去被引用的頁面可能整批消失。這種變動與 Ahrefs 的測量品質無關，也不是你內容變差，根源在於 AI 引擎本身的特性。把 Brand Radar 的長期趨勢當成主訊號、短期波動當成雜訊，才能在這種高變動環境裡做出穩定判斷。相關的流量追蹤，記得搭配 GA4 的 AI 流量篩選器，把 AI 引用換算成實際拜訪數字。
用兩份報表互相驗證：避開單一數字的判讀陷阱
單看任何一份報表，都有它的盲點。Site Explorer 的 AI Index 因為口徑較寬，容易給出過度樂觀的訊號，讓你誤以為「AI 已經很常引用我」；Brand Radar 的 Cited in 因為口徑嚴格，反過來容易讓人氣餒，覺得「怎麼才被引用這麼幾次」。把兩份報表擺在一起交叉判讀，才能避開這兩種極端。Site Explorer 告訴你潛在機會池有多大，Brand Radar 告訴你實際收割多少，兩者的比值就是轉換率。
- 轉換率高：Found 與 Cited 的比值接近，代表內容品質穩定，下一步該擴大曝光。
- 轉換率低：Found 大、Cited 小，代表內容被找到卻沒被選上，下一步該打磨結構與第三方訊號。
- 兩邊都低：曝光與轉換都不足，先解決 Site Explorer 的 AI Index 增長，再談 Brand Radar 的優化。
- 數字背離：Site Explorer 上升、Brand Radar 卻下降，多半是 AI 模型改版導致，先觀察一個月再判斷。
這四種狀態對應的行動完全不同，混為一談會把資源花錯地方。最常見的錯誤，是看到 Brand Radar 的 Cited 偏低，就直覺認為內容不夠好、開始大量改寫；實際上若 Site Explorer 的 AI Index 也在低檔，根本問題是曝光不足，改寫再多也不會被找到。先確認兩份報表的相對位置，再決定動手方向，才不會做白工。這套交叉判讀的紀律，跟 Google Analytics 完整教學 裡強調的「不要單看一個指標下結論」是同一個精神。
進階的用法，是把這個交叉判讀做成每月固定的矩陣圖。橫軸放 Site Explorer AI Index 的月成長率，縱軸放 Brand Radar Cited 的轉換率，把每個月標成一個點，連成軌跡。理想的軌跡是往右上移動，代表曝光與轉換同步成長；若軌跡只往右移、縱軸停滯，代表你一直在擴大 Found 卻沒收割 Cited，是時候停下產出新內容、回頭改寫舊頁面。這個視覺化的習慣一旦建立，會比任何單一數字都更能讓你看清自己的 AI 引用真實狀態。相關的報表整合思路，可參考 Bing AI Performance 報表 與 GA4 名詞才是卡人的關卡。
交叉判讀還能延伸到競品比較。把自家、兩到三個直接競品的 Site Explorer AI Index 與 Brand Radar Cited 同時畫進同一張圖，能瞬間看出誰在擴大曝光、誰在收割轉換。常見的發現是：競品 A 的曝光很大、轉換卻低，代表它的內容策略正在浪費資源；競品 B 的曝光普通、轉換卻高，代表它掌握了某種你還沒看出來的內容秘訣，值得逐筆拆解它的 Brand Radar AI Responses。把這張競品矩陣放進季度報告，會比單純羅列自家數字更有說服力，因為它把你的表現放進了相對位置裡檢視。
把上述所有觀念收攏，可以得出一條判讀鐵律：任何 AIO 數字，都要先問它來自哪份報表、用的是哪個口徑，再決定怎麼解讀。Site Explorer 的數字適合做大方向判斷與趨勢追蹤，Brand Radar 的數字適合做細部分析與正式報告。把這條鐵律內化成直覺，後續無論 Ahrefs 再推出多少新欄位，你都能快速定位它的意義與使用時機。這也是為什麼投入時間搞懂口徑差異，比追逐每一個新功能更值得，它是能隨著工具演進持續有效的底層能力。
常見問題：報表對帳、口徑選擇與優化方向
為什麼同一個網址 Site Explorer 跟 Brand Radar 的數字差那麼多
因為兩份報表測量的東西不同。Site Explorer 的 AI Index 包含 Found（被 AI 找到但未引用）的口徑，覆蓋較廣；Brand Radar 的 Cited in 只計算真的被當成引用來源的次數。差距越大，代表你的內容被找到卻沒被選上的比例越高，正是優化的切入點。
正式給客戶的 AI 引用報告該用哪個數字
以 Brand Radar 的 Cited in / Cited Pages 為主，這是 Ahrefs 最嚴格的引用口徑，數字經得起追問。Found 相關欄位則作為機會清單附在報告後段，說明下一步可優化的方向。
Found but not cited 是壞消息嗎
不是。它代表你的內容已經進入 AI 候選池，只差最後一段距離。把它當成機會清單，逐一檢查結構化程度、第三方訊號與主題集中度，通常能找到可立刻動手的改善項。
Brand Radar 的資料為什麼比 Site Explorer 嚴格
Brand Radar 是設計來做細部分析的工具，會把 citation 漏斗拆成 Found in、Cited in、Avg. position 等欄位。Site Explorer 的 AI Index 則是網站層級的快速摘要，定位是入口而非分析工具，口徑自然較寬。
Mention、Found、Citation 到底差在哪
Mention 是 AI 回答文字裡提到品牌名；Found 是 AI 在整理資料時實際讀過頁面；Citation 是 AI 最後把頁面列為引用來源。三者門檻一路墊高，做報告時必須分開陳述，不能混成一個總數。
AI Overview 的引用清單會一直變動嗎
會。Ahrefs 官方提醒 AI Overview 的內容與 citations 都會經常改變，所以分析時要看長期趨勢，不要用單次截圖下結論。建議每個月固定截圖存檔，建立可比較的時間序列。
把這幾個常見疑問解掉之後，真正會拉開差距的，是把它們串成每月例行流程的紀律。如果你想把這條分析鏈學得更系統化，搭配一堂把 SEO、GEO、AEO 整體看待的 SEO 排名攻略學 與 GEO 學習資源，會比單靠工具試誤更快建立判斷框架。回顧一下全文的核心：Found 代表 AI 找到你，Cited 代表 AI 真的引用你，兩份報表各司其職、共同拼出完整的 AI visibility 圖像。記住這句話，後面所有的欄位與工作流程，都圍繞著它在轉。