前陣子一位在新竹開物理治療所的老闆跟我說，他請員工用 ChatGPT 問「新竹竹北推薦的物理治療所」，結果答案列了四家，沒有他們。他們的官網是今年才花錢重做的，文章也寫了不少。
我們用同一個問題在 Perplexity 再問一次，答案下方的引用來源很清楚：兩篇 Dcard 文章、一篇 PTT 的地區版討論、一個 Google 地圖的評論頁，還有一篇部落客的體驗文。四個被推薦的診所，每一家都在這些討論裡被網友點名過。他的官網一次都沒出現。
這不是個案。只要問題帶著「推薦」「哪家好」「值不值得」，AI 的答案就很依賴「別人怎麼說你」，而不是「你怎麼說自己」。
AI 為什麼更相信別人說的話？
因為生成式 AI 被設計成要避免替單一來源背書，而第三方評論剛好是它最容易拿來交叉驗證的材料。品牌官網說自己「專業、貼心、口碑好」，對 AI 來說是一個有利益關係的單一說法；十幾位不同網友在不同平台說「治療師會解釋原因」「下班時間也約得到」，才構成可以寫進答案的共識。
說白了，AI 在回答推薦問題時，做的事情跟一個謹慎的消費者很像：先看大家怎麼講，再看品牌自己怎麼講，兩邊對得上才放心推薦。我們在測試中發現，同一個品牌如果官網和評論講的重點一致，被推薦時的描述也會比較精準；兩邊落差很大時，AI 通常只採用評論那一邊。
另一個原因是內容型態。網友的評論和討論串天生就是「問題＋具體經驗」的格式，例如「膝蓋開刀後復健，去了三家最後選這間，因為……」。這種句子幾乎可以直接拿來回答使用者的提問。想了解 AI 選擇引用來源的整體邏輯，可以先看這篇生成式 AI 的引用來源判斷。
AI 實際會讀到哪些網友內容？
主要有四類：地圖與商家評論、電商平台的商品評價、論壇討論串，以及影音和部落客的體驗分享。哪一類影響最大，要看你的產業和問題類型。
| 來源 | 常見平台 | 對哪類問題影響大 |
|---|---|---|
| 商家評論 | Google 地圖、訂位平台 | 在地店家、診所、餐廳、補習班 |
| 商品評價 | 電商平台、比價網站 | 消費性商品、家電、保養品 |
| 論壇討論 | PTT、Dcard、Mobile01、Reddit | 比較型問題、要不要買、避雷 |
| 體驗分享 | 部落格、YouTube 影片說明與字幕 | 高單價、需要詳細說明的服務 |
這裡有個實務細節：AI 能不能讀到某個平台，跟平台本身是否開放爬取有關，而且各家 AI 的做法不同，也會隨時間調整。我們的做法是不去猜，而是直接拿目標問題在幾個 AI 工具上問，記下答案引用了哪些網址，看你的產業實際被引用的是哪幾個平台。
我們幫一家做居家清潔的客戶整理過 30 個常見提問，在 Perplexity 的回答裡，有 18 個至少引用了一則論壇或評論頁面，官網被引用的次數反而不到一半。這個比例在不同產業會差很多，但足以說明網友內容的份量。
哪種評論對 GEO 最有用？
答案是「具體」的評論，而不是「好評」的評論。五顆星配上「很棒，推薦」幾乎沒有資訊量，AI 很難從裡面抽出可以回答問題的內容；一則四顆星但寫了「週六早上也有開、治療師會先評估再排療程、停車要停隔壁巷子」的評論，反而能讓 AI 回答好幾種問題。
我們觀察 AI 怎麼描述被推薦的店家，發現它很常引用評論裡反覆出現的屬性：營業時間、價格區間、適合誰、服務流程、缺點。缺點也會被寫進去，例如「多位網友提到假日需要等候」。這不見得是壞事，有缺點的描述反而讓推薦更可信。
具體評論通常包含三種資訊： 為什麼來（情境或問題）、過程中發生什麼（服務細節）、結果如何（有沒有解決）。你在邀請客人寫評論時，引導他們寫出這三件事，比單純請他們「給五星」有用得多。
怎麼讓真實評論變多、變具體？
核心原則只有一個：降低客人寫評論的門檻，但不要替他決定內容。以下是我們實際在用、效果比較穩定的做法。
時機比文案重要。 在客人覺得問題被解決的當下開口，例如療程結束、商品到貨確認後、課程結業時。等到一個月後再發訊息，回應率會掉很多。
給連結，也給提示問題。 Google 商家檔案後台可以產生一個直接開啟評論視窗的連結，做成 QR Code 放在櫃台或收據上。邀請訊息裡附上兩三個提示問題，像是「您這次是因為什麼問題來的？」「哪個環節讓您印象最深？」，客人自然會寫出具體內容。
每則評論都回覆。 回覆不只是禮貌。你的回覆也是公開文字，可以補充評論沒講到的事實，例如「我們週六上午也有開診」。這些資訊同樣會被讀到。商家檔案的完整經營方式可以參考這篇 Google 商家檔案經營。
論壇不要自己下場。 請員工或寫手用個人帳號去發推薦文，是風險最高的做法。網友很會抓，被抓到的討論串會變成新的負面內容，台灣也有品牌因為雇用寫手被公平會處罰的前例。品牌要參與論壇，就用公開標示身分的官方帳號回應問題，提供資訊，不要假裝是路人。
在 Google 商家檔案後台，從評論管理的頁面可以看到每則評論和回覆框；索取評論的連結通常在商家檔案的主要操作按鈕裡（介面名稱與位置會調整，實際以官方後台為準）。
負評和論壇爭議要怎麼處理？
先公開回應、補上事實，不要試圖刪除或洗掉。AI 看到的是整體樣貌，一則有清楚回覆的負評，殺傷力遠小於一則被放著不管、底下又有人附和的負評。
負評回覆的寫法很簡單：承認對方的感受、說明具體原因或改善做法、留下聯絡方式。不要爭辯、不要貼對方的消費紀錄。我們看過不少案例，AI 在描述品牌時會寫「有網友反映等候時間長，店家回覆已增加預約時段」，這句話對潛在客人來說其實是加分。
論壇上的爭議比較麻煩，因為討論串會一直留著，而且常被 AI 引用。如果原文的指控有事實錯誤，用官方帳號在原串底下回應一次，把事實講清楚就好；如果指控是對的，就說明改了什麼。後續有新的、正面的討論串出現，舊爭議的份量自然會被稀釋，這需要時間，沒有捷徑。
案例：物理治療所半年後被 AI 點名
回到開頭那家新竹的物理治療所。我們先做了一件事：列出 20 個潛在客人會問 AI 的問題，像是「竹北運動傷害復健推薦」「五十肩物理治療要做多久」，每個月固定在三個 AI 工具上測一次，記錄有沒有被提到。第一次測的結果是 20 題裡只出現 2 次。
接下來半年的做法很樸實。櫃台在療程結束時遞上評論 QR Code 和一張寫了提示問題的小卡；每則評論在兩天內回覆；治療師在 Dcard 的運動版用官方身分回答了十幾篇復健問題，只回答、不推銷。
半年後，Google 地圖評論從 120 則增加到 310 則，平均星等從 4.3 變成 4.6。更重要的是評論內容變具體了，很多人寫到「下班七點後也能約」和「會教回家做的動作」。同樣 20 個問題再測一次，被提到的次數變成 7 次，AI 描述他們時用的正是這兩個特點。
AI 不會相信你說自己多好，它會相信很多人說了同一件事。
常見問題
Q：花錢買評論或請人寫好評，對 GEO 有用嗎？
短期內也許會讓數量變多，但風險遠大於效益。平台會偵測異常評論並移除，台灣的公平交易法也規範不實的推薦內容，一旦被揭穿，相關討論會成為長期存在、而且很容易被 AI 引用的負面內容。
Q：評論星等和評論數量，哪個比較重要？
兩者都需要一定基礎，但我們觀察下來，評論內容的具體程度比星等差零點幾顆更重要。4.5 顆星、內容詳細的商家，被 AI 描述得通常比 4.9 顆星、只有一句「讚」的商家更完整。
Q：B2B 或沒有實體店面的品牌也需要經營評論嗎？
需要，只是平台不同。軟體服務可以經營產業評論網站或社群討論，顧問服務可以請客戶在 LinkedIn 推薦或同意公開案例。重點一樣是讓第三方用具體經驗描述你。
結語
AI 在回答「推薦哪家」時，扮演的是一個會先看口碑的謹慎消費者。官網和內容當然要做，但如果沒有足夠多、足夠具體的第三方說法，AI 很難放心把你放進答案裡。
具體的下一步：列出 10 個客人最可能問 AI 的推薦型問題，今天就丟進 ChatGPT 和 Perplexity 各問一次，看答案引用了哪些評論和論壇。那份引用清單，就是你接下來半年經營口碑的地圖。想持續追蹤成效，可以參考 AI 品牌曝光監測方法建立固定的測試流程。