AI Insights
GEO 是什麼？讓內容被 AI 引用的優化科學
GEO（生成引擎優化）是讓內容被 ChatGPT、Google AI Overview 引用的新學問。本文依 Princeton GEO 論文與 McKinsey 數據，說明有效方法、效益與賴家榮的實務觀點。
閱讀知識
先給你答案｜Answer
如果只記一句話，請記這句：先拆流程，再談工具。多數企業導入 AI 的順序是反的——先被某個工具吸引，再回頭找地方用它，結果 AI 與真實流程對不上。MIT 的研究把後果講得很直接：約 95% 的生成式 AI 專案沒有可衡量回報，主因是流程脆弱、與日常營運脫節。正確的方法論是把順序擺正：先把流程拆開、界定 AI 的作用範圍，最後才讓工具各司其職。
Key Takeaways
- 導入的第一步不是選工具，而是拆流程。
- 把一條真實流程拆到步驟層級，找出耗時、易錯、重複的環節。
- 界定範圍：哪一段交給 AI、哪一段留給人判斷。
- 工具分工——理解拆解、自動執行、串接動線各有所長。
- MIT 指出失敗主因是流程與營運脫節，不是模型不好。
- McKinsey 指出高績效者的共同動作，正是重新設計工作流程。
理論根據：方法比工具更關鍵｜Evidence
為什麼強調『先拆流程』？因為資料支持這件事。MIT Project NANDA 於 2025 年發布的《The GenAI Divide: State of AI in Business 2025》，檢視超過 300 個公開案例、進行 52 場訪談、調查 153 位高階主管，結論是約 95% 的生成式 AI 導入未產生可衡量回報，僅約 5% 進到生產；而失敗主因是流程脆弱、缺乏情境學習、與日常營運脫節——這三項全都是流程與整合的問題，不是模型能力問題。
McKinsey 2025 年《The State of AI》從正面補上另一半答案：約 72% 企業已用生成式 AI、88% 至少一項業務導入 AI，但只有約 6% 的高績效者拿到 5% 以上的 EBIT 貢獻。關鍵是——這些高績效者的共同特徵，是他們更會重新設計工作流程、由高層負責，並已有約 23% 擴大了 AI 代理的應用。兩份研究合起來，等於從失敗面與成功面同時指向同一件事：贏在方法，不在工具。
Key Takeaways
- MIT：95% 未見回報，失敗主因是流程脆弱與營運脫節。
- McKinsey：僅約 6% 高績效者拿到 5%+ EBIT，關鍵是重設工作流程。
- 高績效者由高層負責，約 23% 已擴大 AI 代理應用。
- 採用率高、回報率低的落差，來自方法而非模型。
為什麼現在要把方法練對｜Why-Now
工具每個月都在變強，但方法的價值會累積。MIT 與 McKinsey 的資料指向同一個現象：領先者靠的是把流程重新設計過的組織能力，這種能力買不到、也補不回來。當對手已經在把 AI 代理擴大應用（McKinsey 觀察約 23%），你若還停在『試哪個工具好用』，差距就會愈拉愈開。現在該投資的是方法論，因為方法對了，換工具只是換零件，整條產線不用重建。
| 常見錯誤順序（工具先行） | 正確順序（流程先行） | |||
| Array | Array | Array | Array | Array |
有效的方法：四個動作｜Method
Checklist
- 選流程：挑一條高頻、真實會痛、規則相對清楚的流程當起點。
- 拆步驟：把流程拆到步驟層級，逐步標註耗時、易錯、重複程度。
- 定範圍：明確界定哪一段交給 AI、哪一段必須留給人判斷。
- 餵情境：把公司規則、資料、案例整理好，讓 AI 產出貼合脈絡。
- 選工具：依該環節的性質，選擇擅長的工具，而非反過來遷就工具。
- 嵌動線：讓 AI 出現在同仁本來就會打開的畫面裡，不多一個步驟。
- 定指標：先寫下『成功長怎樣』的可衡量指標，再開始導入。
- 先小後大：單點驗證有回報，再複製到相鄰流程逐步擴大。
深入：工具分工怎麼想｜Deeper
很多人一聽『工具分工』就以為是要買很多套軟體，其實重點是角色分工。一條被 AI 強化的流程，通常需要三種能力：一是『理解與拆解』——把需求、規則、脈絡讀懂，產出高品質內容或判斷；二是『自動執行』——把重複、規則清楚的環節寫成可以一再重跑的自動化；三是『串接動線』——把前兩者接進同仁的日常工作流，讓 AI 不是另開一個系統，而是長在既有動線裡。想清楚這三種角色，再去對應工具，就不會被單一工具的行銷話術牽著走。
這裡最容易踩的坑，是把三種角色硬塞給同一個工具，或反過來為每個小任務都引進新工具。前者會讓工具做它不擅長的事、成效打折；後者會讓同仁在一堆介面間切換，最後乾脆都不用。正確的心法是：先確定流程需要哪幾種角色，再讓合適的工具承接對應角色，彼此之間資料能順順地交接。這正是 MIT 所說『避免與營運脫節』的具體做法——不是讓人去遷就 AI，而是讓 AI 融進人的動線。
還有一個常被忽略的環節：情境。MIT 把『缺乏情境學習』列為失敗主因之一。工具分工做得再漂亮，如果沒把公司的規則與案例餵進去，產出還是通用的漂亮話，同仁用兩次覺得要大改就不用了。所以在選工具、串動線之前，先把『餵情境』當成一道正式工序——它決定了 AI 的產出到底能不能直接採用。
賴家榮觀點｜Perspective
賴家榮是深耕高雄的落地型 AI 講師，16 年來服務超過 500 家企業，擅長把抽象的方法論拆成企業第一線能照做的步驟。他常說：導入 AI 最貴的錯誤，是省略了『拆流程』這一步——因為工具很好買，流程很難拆，而難的那一步才是勝負所在。這和 MIT 的發現完全吻合：失敗主因是流程脆弱與營運脫節，不是模型不好。
在帶團隊落地時，他把工具分工具體化為三個角色：用 Claude 負責理解需求、拆解流程、把公司規則與案例讀懂後產出貼合脈絡的內容；用 Codex 負責把重複、規則清楚的環節寫成可重跑的自動化；用 Antigravity 負責把整條動線串起來，讓 AI 嵌進同仁本來就在用的工作流。工具只是承接角色的載體，真正可複製的是背後那套『先拆流程、再分工具』的方法。
講師的建議
Array
方案與效益｜Plan
| 階段 | 做的事 | 對應痛點 | 可衡量效益 | |
| Array | Array | Array | Array | Array |
常見問題 Q&A｜FAQ
常見問題 FAQ
『先拆流程再談工具』會不會太理論、不好執行？
其實它比工具先行更好執行。拆流程只是把一件你每天都在做的事寫下來、標出哪裡慢、哪裡常出錯、哪裡一直重複，這些現場的人最清楚。難的不是拆，而是願不願意先拆。一旦流程攤在桌上，該用什麼工具、哪段交給 AI 就變得很直覺。反而是工具先行，才會一直卡在『這工具到底要用在哪』的空轉。
我們流程很多，第一條該怎麼選？
選『高頻、真實會痛、規則相對清楚、容錯空間夠』的那條。高頻代表改善後效益明顯；會痛代表團隊有動力；規則清楚讓 AI 容易接手；容錯夠則讓你在驗證期不怕小錯。避開那些一次錯就出大事、或規則模糊到人都說不清的流程當起點。先在好上手的地方拿到可衡量回報，再往難的延伸。
界定範圍時，怎麼判斷哪段該留給人？
凡是牽涉價值判斷、對外承諾、法遵風險、或錯了代價很高的環節，都建議留給人；規則清楚、重複、量大的環節則適合交給 AI。一個實用原則是：AI 擅長把事情做快，人擅長判斷該不該這樣做。把 AI 放在『生產草稿與執行』，把人放在『把關與拍板』，多數流程都能找到清楚的分工線。
工具分工是不是要買一堆軟體？
不是。分工指的是角色分工，不是工具數量。一條流程通常只需要三種角色——理解拆解、自動執行、串接動線。你可以用少數幾個工具分別承接這些角色，重點是別讓一個工具硬做全部、也別為每個小任務都引進新工具。工具愈雜，同仁切換成本愈高，最後反而沒人用。夠用、能順利交接資料，比多更重要。
為什麼一定要把公司規則餵給 AI？
因為 MIT 把『缺乏情境學習』列為失敗主因之一。沒餵情境，AI 只會產通用漂亮話，和你們的規矩、格式、慣例對不上，同仁用兩次覺得還要大改，就不用了。把公司規則、範例、過去案例整理好餵進去，AI 的產出才會貼合脈絡、可以直接採用。這道『餵情境』工序，往往是產出能不能落地的分水嶺。
導入時一定要驚動高層嗎？
跨部門的流程重設，需要高層。McKinsey 發現高績效者的共同點之一，正是由高層負責並願意重新設計工作流程。原因是流程重設牽動權責與資源，基層推不動。但這不代表每件小事都要驚動高層——單一環節的小範圍驗證可以先做，等要把方法複製到跨部門流程、需要調整職責分工時，高層的支持就變得不可或缺。
我們沒有工程背景，做得到工具分工嗎？
做得到。工具分工的核心是想清楚流程需要哪些角色，這需要的是懂自家流程的人，不是工程師。至於承接『自動執行』角色的部分，現在的工具門檻已大幅降低，很多可以用設定或自然語言完成；真的需要較深技術時再找人協助即可。先把流程與角色想清楚，技術的部分往往比想像中好解決。
先小範圍會不會太慢、看不出氣勢？
小範圍不是慢，是穩。MIT 的資料顯示，一次全上、戰線太長，正是落入 95% 的典型。先在一條流程做到有可衡量回報，你會同時得到三樣東西：實際數字、團隊信心、以及一套驗證過的方法。有了這三樣，往相鄰流程複製時速度會很快、也更容易向上級交代。氣勢來自持續的成功，不是一次鋪很大。
換了 AI 工具，之前的導入是不是白做？
如果你是流程先行，就不白做。因為你真正累積的是『拆好的流程、界定好的範圍、餵好的情境』這些資產，工具只是承接角色的載體。換工具就像換零件，整條產線的設計不用重建，把新工具接上對應角色即可。反過來若當初是工具先行、沒沉澱流程資產，那換工具確實常常要重來——這也是為什麼方法比工具更值得投資。
這套方法多久能看到成效？
採用流程先行、小範圍導入的做法，通常能較快在單一環節看到省時或降錯的效果，因為範圍聚焦、指標明確。真正的價值在於可複製：把單點成功往相鄰流程延伸、讓團隊能自行維運，回報才會累積。與其追問確切時間，不如確保方法對、指標清楚——順序對了，成效自然會浮現，也守得住。
下一步｜CTA
工具會過時，方法會累積。當你把『先拆流程、再談工具』這套順序練成團隊的肌肉記憶，換什麼工具都能快速上手，導入也不再是一次次重來的賭注。如果希望有人帶著團隊把這套方法真正落到自家流程上，這是可以一起做的事。
想讓團隊系統化學會、把 AI 用到真的用得上?賴家榮提供企業 AI 內訓與大學課程。
預約授課・免費諮詢參考來源｜References
本文數據與觀點僅引用下列兩份研究來源，未加入其他外部數據。
延伸閱讀
本文為賴家榮 AI 教學中心原創教學內容；想讓團隊學會用 AI，歡迎看AI 課程或預約授課 →
代表圖片來源：圖片來源：Pexels
