去年有家台中的精密零件廠找我們，原因有點好笑。業務在展覽上遇到一位外國採購，對方說他事先用 ChatGPT 查過這家公司，「你們不是做建案的嗎？」
我們回去實測，問 ChatGPT「宏鈞是什麼公司」（名稱已改過），它的回答把兩家同名公司混在一起：成立年份抓了建設公司的，產品寫的是零件廠的，總部地址又是第三家公司的。整段話看起來很有把握，但沒有一句是完全對的。
這家零件廠的官網其實不差，產品頁寫得很完整。問題不在內容多寡，而在於 AI 沒辦法確定「網路上這些關於宏鈞的資訊，到底哪些在講同一家公司」。這就是實體辨識的問題，也是 GEO 裡最常被跳過的基礎工程。
什麼是品牌實體？
品牌實體是搜尋引擎和 AI 心中「一個確定存在的東西」，它有名稱、類型、屬性，還有跟其他實體的關係。例如「宏鈞精密」是一家公司，成立於某年、總部在台中、創辦人是某某、生產什麼產品、官網是哪個網址。這些事實連在一起，就構成了一個實體。
Google 在 2012 年推出知識圖譜時，用了一句很經典的話來形容這個轉變：搜尋要從「字串」走向「事物」。網頁上出現「宏鈞」兩個字只是字串；知道這兩個字指的是哪一家公司、跟哪些人事物有關，才是事物。
生成式 AI 的運作方式跟知識圖譜不完全一樣，但道理相通：關於你的片段如果名稱、地址、產品描述彼此一致，模型就容易把它們歸到同一個對象；不一致，就會出現開頭那種拼裝出來的答案。
AI 為什麼要先「確定」你存在，才會推薦你？
因為推薦一個身分模糊的品牌，對 AI 來說風險太高。當資訊彼此矛盾，或品牌名稱可能指向好幾家公司，AI 常見的反應有兩種：一是避開不提，二是把幾家公司的資訊混在一起回答。兩種結果對你都不利。
我們測試過不少中小企業，發現一個規律：品牌名稱越通用（像「大」「信」「華」「新」這類常見字的組合），AI 越容易混淆；品牌在官網、商工登記、社群、媒體報導上用的名稱越不一致，AI 越容易說錯。有些公司中文名、英文名、品牌名、公司登記名四套並存，彼此之間又沒有任何地方說明關係，AI 很難把它們串起來。
說白了，GEO 講的內容、口碑、媒體曝光，都是在替一個實體累積份量。如果實體本身沒有被確定下來，累積的份量就會分散到好幾個模糊的對象身上。這也是為什麼我們會把實體工作排在品牌權威經營之前做。
怎麼檢查 AI 現在怎麼認識你？
最快的方法是直接問。準備一組「身分題」，在 ChatGPT、Gemini、Perplexity 各問一次，把答案跟真實資料逐項比對。
身分題建議包含這幾類： 「某某公司是做什麼的？」「某某的創辦人是誰？」「某某成立於哪一年、總部在哪裡？」「某某和某某（同名公司）有什麼不同？」，以及用英文名稱再問一次。最後一題特別重要，很多台灣企業的中英文名稱在 AI 眼裡是兩個不相關的對象。
接著在 Google 搜尋你的品牌名稱，看右側（手機版在上方）有沒有出現知識面板，面板上的資訊是否正確。有知識面板，代表 Google 已經把你當成一個實體；沒有也不代表完了，多數中小企業一開始都沒有。
| 檢查項目 | 怎麼查 | 常見問題 |
|---|---|---|
| AI 的身分描述 | 用身分題問三個 AI 工具 | 成立年份、地址、產品混到別家 |
| 中英文名稱是否被連結 | 用英文名稱再問一次 | 英文名稱被當成另一家公司 |
| Google 知識面板 | 搜尋品牌名稱 | 沒有面板，或面板資訊錯誤 |
| 外部資料一致性 | 比對商工登記、商家檔案、社群簡介 | 地址、電話、名稱寫法各自不同 |
我們會把每一題的答案存成一張表，標記「正確、部分錯誤、完全錯誤、答不出來」。這張表就是之後衡量改善成效的基準。
官網要怎麼把身分講清楚？
官網是你唯一能完全掌控的實體資料來源，所以要先把它變成一份清楚的「身分證明」，再去處理外部資料。重點有兩個：一頁寫成事實表的關於我們，以及描述組織的結構化資料。
關於我們頁寫成事實表
很多公司的關於我們頁寫的是經營理念和願景，讀起來很有溫度，但 AI 抽不出事實。建議在理念之外，另外放一段條列清楚的基本資料：公司正式名稱、品牌名稱、英文名稱、成立年份、統一編號、總部地址、創辦人或負責人、主要產品與服務、服務地區。
如果你的品牌名稱容易跟別人撞名，可以直接寫一句「本公司與同名的某某建設無關」。聽起來怪，但對 AI 很有用。
Organization 結構化資料與 sameAs
在官網首頁或關於我們頁加上 Organization 類型的結構化資料，把上面那些事實用機器讀得懂的格式再寫一次。其中最關鍵的是 sameAs 屬性：它用來列出「這些網址說的都是我」，例如官方的 LinkedIn 頁、Facebook 粉專、YouTube 頻道、維基資料條目。
| 屬性 | 填什麼 | 用途 |
|---|---|---|
| name、alternateName | 品牌名稱、英文名或常用簡稱 | 把多種寫法連到同一個實體 |
| legalName | 公司登記的正式名稱 | 與商工登記資料對上 |
| foundingDate | 成立日期 | 避免年份被抓錯 |
| address、url、logo | 總部地址、官網網址、標誌圖片 | 基本身分資訊 |
| sameAs | 官方社群與外部資料頁網址 | 宣告這些頁面都是同一個品牌 |
結構化資料的語法和驗證方式，可以參考這篇結構化資料 Schema.org 教學。寫好之後用 Google 的複合式搜尋結果測試工具檢查一次，確認沒有錯誤。
外部資料要對齊到什麼程度？
對齊到「一個陌生人逐一點開，會確信這些都是同一家公司」的程度。名稱寫法、地址、電話、成立年份、主要業務，這幾項在所有你能控制的地方都應該一致。
優先處理的外部資料： 經濟部商工登記（確認登記地址是否已更新）、Google 商家檔案、LinkedIn 公司頁、Facebook 與 Instagram 簡介、人力銀行的公司介紹頁、產業公會或展覽的廠商名錄。人力銀行頁面最常被忽略，上面常是好幾年前填的舊資料。
Wikidata（維基資料）是另一個常被提到的做法。它是一個開放的結構化知識庫，許多知識圖譜和 AI 系統都會參考。品牌可以有條目，但要符合收錄標準，通常需要有可查證的外部來源支持，自己隨便建立的條目可能被刪除。維基百科的門檻更高，而且對利益相關者自行撰寫條目有嚴格規範，我們不建議企業自己去寫。
如果 Google 搜尋已經出現你的知識面板，可以透過面板上的認領功能驗證身分，之後就能針對錯誤資訊提出修改建議（流程與介面以 Google 官方最新說明為準）。如果你最在意的是 Google 這一側，認領步驟和 YouTube 頻道怎麼一起對齊，可以看這篇 Gemini 品牌能見度。
案例：同名零件廠花四個月把身分要回來
回到開頭的精密零件廠。我們第一次跑身分題時，10 題裡只有 4 題完全正確，英文名稱那題 AI 直接說查不到相關公司。
接下來四個月做了這些事。關於我們頁加上一段事實表，並寫明與同名建設公司無關；首頁加上 Organization 結構化資料，sameAs 列出 LinkedIn、YouTube 與人力銀行公司頁；把五個平台上的英文名稱統一成同一種拼法，原本有人寫全大寫、有人加 Co., Ltd.、有人只寫縮寫。他們有兩篇產業媒體的專訪可以當作外部來源，我們依此建立了維基資料條目。
四個月後重跑同一組身分題，10 題裡有 9 題正確，英文名稱也能正確對應到公司。Google 搜尋品牌名稱時開始出現知識面板。那位外國採購後來真的下了樣品單，業務說對方第二次查的時候，AI 給的介紹已經是對的了。
內容寫得再多，AI 不確定你是誰，就不會冒險推薦你。
常見問題
Q：沒有維基百科條目，AI 就認不得我的品牌嗎？
不會。維基百科是很強的訊號，但大多數中小企業都沒有條目，一樣可以被 AI 正確辨識。只要官網、結構化資料和外部平台的資料一致，再加上一些第三方報導或評論，AI 就有足夠線索確定你是誰。
Q：做完這些，多久能看到 AI 的回答改變？
有即時搜尋能力的 AI 工具（例如 Perplexity，或開啟搜尋功能的 ChatGPT）通常在網頁重新被讀取後就會反映，可能幾週內；仰賴模型訓練資料的回答，要等模型更新，時間比較難預測。我們的經驗是三到六個月看得到明顯差異。
Q：中文名稱和英文名稱完全不同，該怎麼處理？
在關於我們頁明確寫出兩者的對應關係，結構化資料的 alternateName 同時填上中英文，英文版網站也做同樣的事。外部平台上盡量讓兩種名稱同時出現，例如 LinkedIn 公司名稱用英文、簡介第一句寫中文全名。
結語
實體工作沒什麼花俏的地方，就是把「你是誰」講清楚、講一致，讓 AI 和搜尋引擎能把散落各處的資訊對到同一個對象上。它是 GEO 的地基，地基沒打好，上面做的內容和曝光效果都會打折。
具體的下一步：今天就準備五題身分題，丟進 ChatGPT 和 Gemini 各問一次，把錯誤的地方圈出來。每一個錯誤，往回找它可能來自哪個外部頁面，從那裡開始修。