搜尋排名仍在,官網點擊卻持續下滑。Google AI 答案正把 SEO 從排名競逐,變成入口分配競逐。本文拆解流量變化的成因,並提出官網內容與 Agent 入口的調整方向。
RevScope 發表的「Google's AI answers reducing search traffic by 40%」聚焦 2026 年的 SEO 與 GEO(生成式引擎最佳化)。相關報導登上 Hacker News 首頁,獲得 148 分與 104 則留言,討論連結為 HN 50540178。
別急著把 40% 視為業界平均值。真正值得關注的是,Google 正在改變流量從「搜尋結果」流向「AI 答案」的路徑。
40% 的下滑代表什麼
「搜尋流量下滑 40%」並不是所有網站與關鍵字都會出現的固定降幅,更可能源自特定樣本、統計期間與計算方式。
數據應拆成三項指標:
- 搜尋曝光量:網站是否仍出現在結果頁
- 平均排名:網站在結果頁中的位置
- 自然點擊量:使用者看到結果後是否繼續點擊
AI 答案未必讓前 10 名消失,卻可能把答案直接放在搜尋結果上方。使用者取得時間、定義或比較結果後,便不再有動力點開連結。
因此,排名還在,不代表商業流量也還在。
過去的 SEO 優化的是「被找到」,現在還必須優化「被引用」。後者決定網站能否進入 AI 答案,也影響答案是否願意為官網帶來後續造訪。
哪些點擊被 AI 答案分流
受影響最大的,通常是不必進入官網就能完成的查詢。
定義型查詢
例如:
- 什麼是 GEO
- MCP 與傳統 API 有什麼差別
- RAG 是否會取代向量檢索
這類問題適合直接在 SERP 中回答。Google AI Overviews 與 AI Mode 可以摘錄定義、列出差異,再附上來源。
比較型查詢
例如:
- Claude vs Gemini:寫程式誰比較強
- LangChain vs LangGraph:複雜 Agent 該怎麼選
- MCP server 該自行開發,還是採用現成方案
Google 可以直接產生比較表單。如果官網文章只是重述相同內容,就很容易被摺疊取代。
步驟型查詢
例如:
- 如何申請 Google Search Console
- 如何讓 Claude Code 串接 MCP
- 如何排查 AI Agent 陷入無限迴圈
若答案只有通用步驟,點擊量仍會持續下滑。
工具選型查詢
例如:
- 2026 年最好的 AI Agent 框架
- 企業部署 RAG 該選哪種向量資料庫
- 團隊進行 Prompt 評測該用哪套工具
這類查詢商業價值高,但 Google 更傾向直接提供「推薦名單」。官網若想拿回點擊,不能只複述結論,還要提供測試環境、數據與適用邊界。
被分流的主要是「看完就走」的點擊。深度案例、原始資料、故障重現與可下載資源,仍可能成為高意圖的入口。
SEO 已經失效了嗎
我的判斷是,SEO 並未失效;單純堆疊關鍵字、批次生成說明型文章的策略才失效了。
關鍵字依然影響抓取與索引,但 LLM 引用、GEO 與結構化內容,正逐漸成為新的曝光層。
網站要進入 AI 答案,通常必須同時滿足四項條件:
- 內容能直接回答問題
- 關鍵結論具備上下文與證據
- 頁面結構方便機器抽取
- 來源身分穩定, 事實可交叉驗證
「原創」不再是附加項。當 AI 能回答大量內容後,最稀缺的是可以核驗的原始材料。
例如,一篇「10 款 AI Agent 框架比較」內容泛泛。另一個頁面若公開下列資訊,价值就完全不同:
- 測試版本與日期
- 硬體環境
- 任務集
- 成功率與失敗樣本
- 延遲與 Token 消耗
- 原始執行紀錄
前者可能只出現在搜尋摘要中;後者則更有機會成為 LLM 與 AI Agent 引用的證據來源。
這也是 SEO 與 GEO 的差別:SEO 爭取結果頁版位,GEO 則爭取進入答案、成為引用對象,並提供使用者繼續造訪的理由。
官網應該提供什麼內容
別把官網改造成「更長的問答頁」。建議依下列 5 類內容建設。
1. 產品實測
寫明版本、環境、輸入與結果。
不要寫:
Claude Code 處理複雜儲存庫時表現優異。
應該改成:
測試採用 Claude Code 0.6.0,儲存庫包含 1,240 個 TypeScript 檔案,任務包含 3 次跨目錄重構。第一次執行修改 17 個檔案,其中 2 項測試失敗;第二次執行則依錯誤訊息修正並通過。
具體數字比形容詞更不容易被 AI 摘要抹除。
2. 更新紀錄
AI 很難穩定抓取散落於社群媒體的資訊。官網維護結構化 changelog,可降低內容過時與引用錯誤的機率。
可以記錄:
{
"date": "2026-01-15",
"product": "Example MCP Server",
"version": "1.4.0",
"change": "Add OAuth token refresh",
"breaking_change": false,
"source": "https://example.com/changelog/1.4.0"
}
欄位可以自行調整。重點是保留日期、版本、變更內容與穩定 URL。
3. 原始資料
發布 benchmark 時,至少要附上測試方法、樣本範圍與原始結果。
一份可信的資料頁應包含:
- 資料蒐集日期
- 樣本數量
- 排除規則
- 失敗案例
- 下載連結
- 版本紀錄
如果資料只存在於圖片中,LLM 很难安全引用。CSV、JSON、表格與可存取的純文字更實用。
4. 結構化案例
案例不要只寫「客戶效率提升 50%」。更合適的結構是:
- 客戶原始問題
- 原流程耗時
- 串接哪些元件
- 部署與權限邊界
- 上線後數據
- 失敗後的調整
真實流程比成功故事含有更多資訊,也更適合專業使用者驗證。
5. 可驗證引用
每個關鍵結論都應附上來源,包括論文、文件、提交紀錄與官方公告。
面對變動快速的議題,可加上「最後核驗日期」。對 LLM 而言,時間戳不是裝飾,而是決定舊結論是否仍成立的關鍵。
可以先用下列程式碼檢查頁面是否包含機器可讀的更新時間與來源:
from datetime import date
from pathlib import Path
import re
page = Path("article.html").read_text(encoding="utf-8")
updated = re.search(
r'<meta\s+name="last-updated"\s+content="([^"]+)"',
page,
re.I,
)
sources = re.findall(r'<a\s+[^>]*href="https?://[^\"]+"', page, re.I)
assert updated, "missing last-updated metadata"
assert sources, "missing external source links"
print({
"last_updated": updated.group(1),
"source_link_count": len(sources),
"checked_on": date.today().isoformat(),
})
這不是 Google 官方評分工具,只是基礎檢查。頁面仍應採用清楚的標題、列表、表格與語意化 HTML。
Agent 正在接管搜尋入口
SEO 眼下要面對的是 Google AI 答案,而 AI Agent 帶來的改變更深:使用者可能不再開啟搜尋結果頁。
過去的流程是:
使用者 -> 搜尋結果 -> 點擊官網 -> 閱讀 -> 填寫表單
在 Agent 時代,流程可能變成:
使用者 -> LLM -> 呼叫搜尋、文件與業務工具 -> 回傳結果
MCP(Model Context Protocol)讓模型能連接外部工具與資料來源。AI Agent 可透過授權介面查詢文件、訂單、工單與內部知識庫。官網內容也不一定只由瀏覽器讀取,還可能被當成工具結果、檢索語料或結構化資料載入。
這裡至少有三層變化:
搜尋變成工具呼叫
Agent 的目標不是「排第幾」,而是完成一項任務。它可能呼叫搜尋 API、讀取多個來源,再篩選答案。
權限決定曝光
使用者授權後,Agent 才能存取更多資料。如果內容沒有公開、無法解析,或缺乏友善的授權入口,就可能根本不會進入候選集合。
品牌身分影響工具選擇
當 Agent 推薦 MCP server、資料庫或評測平台時,會參考官方文件、GitHub 活躍度、安全紀錄與使用者回饋。品牌開始透過 API 與工具生態進行分發。
這不代表傳統搜尋會消失。較現實的變化是:流量入口從「瀏覽器搜尋結果」擴張至「模型生成答案」與「Agent 工具呼叫」。
對內容團隊而言,下一步不應只是追蹤排名變化,還必須追問:
- 內容能否被 API 讀取?
- 產品能否透過 MCP 被 Agent 呼叫?
- 文件能否進行結構化檢索?
- 使用者授權後,Agent 能否完成任務?
編輯觀察
40% 不應被視為全業界平均值。它可能受到樣本選擇、關鍵字結構、統計週期與 AI 答案覆蓋率影響。更關鍵的差異在於:過去 SEO 爭奪的是「答案終點」,現在官網需要成為「可驗證來源」。
我的預測是,未來 12 個月內,企業官網的頁面數成長率將會下降。內容預算會更集中投入 benchmark、版本化文件、原始資料與可呼叫工具。能在搜尋引擎被抓取、被 LLM 引用,也能被 Agent 呼叫的頁面,會展現更明顯的複利效果。
反過來看,純內容農場也不會立刻消失。Google 仍需要網頁完成檢索,LLM 也依賴公開語料。真正遭到壓縮的是缺乏證據、未持續更新,且只替換關鍵字的中間層內容。
不確定性也很明顯:目前公開資料很難拆分 AI 答案、演算法更新、季節性變化與品牌搜尋成長各自的影響。40% 是一項警示,而非精確預測。團隊應先依查詢類型記錄曝光、點擊與轉換,再判斷流量損失發生在哪個環節。