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
AI 導入最常見的迷思，是把它當成純粹的效率工具——愈快愈好、愈自動愈好。但只想效率、不想治理的導入，往往在三個地方翻車：資料在不知不覺中外流、產出看似合理卻失準、出事了卻找不到該負責的人與環節。MIT 的研究提醒我們，多數專案失敗是流程脆弱、與營運脫節；而治理，正是讓 AI 能穩穩長在營運裡的那套骨架。真正能長久的導入，會同時把 human-in-the-loop、資料治理、風險控管放進設計裡。
Key Takeaways
- 只想效率、不想治理的 AI 導入，容易在資料、產出、責任三處翻車。
- Human-in-the-loop：關鍵環節保留人的把關與拍板，不全自動放手。
- 資料治理：分級管理什麼資料能餵給 AI、產出如何保存與稽核。
- 風險控管：先想清楚哪裡會出錯、錯了怎麼發現與止血。
- 治理不是效率的敵人，而是讓效率能長久累積的前提。
- MIT：失敗主因是流程脆弱與營運脫節——治理正是補強這一環。
理論根據：為什麼治理是導入的一部分｜Evidence
先把大局講清楚。MIT Project NANDA 於 2025 年《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，得出約 95% 的生成式 AI 專案未產生可衡量回報、僅約 5% 進到生產的結論，並指出失敗主因是流程脆弱、缺乏情境學習、與日常營運脫節。這對治理的啟示是：一個沒有把關機制、資料管理混亂、風險無人負責的專案，本質上就是『流程脆弱』——它遲早會出事，然後被悄悄下架，計入那 95%。
McKinsey 2025 年《The State of AI》則從成功面補上證據。約 72% 企業已用生成式 AI、88% 至少一項業務導入，但僅約 6% 高績效者拿到 5% 以上的 EBIT 貢獻；而這些高績效者的共同特徵，是由高層負責、重新設計工作流程，並有約 23% 已擴大 AI 代理應用。值得注意的是——當你把 AI 代理擴大到能自主執行更多動作時，治理與風險控管的重要性不是下降，而是急遽上升。愈自動，就愈需要清楚的人為把關與責任設計。
Key Takeaways
- MIT：95% 未見回報，失敗主因包含流程脆弱——治理缺失正是脆弱來源。
- McKinsey：僅約 6% 高績效者拿到 5%+ EBIT，由高層負責、重設流程。
- 約 23% 已擴大 AI 代理——愈自動，治理與風險控管愈關鍵。
- 治理不是額外負擔，而是讓導入不翻車、能持續的骨架。
為什麼現在就要把治理放進來｜Why-Now
有一種常見想法：先追效率、等規模大了再補治理。這在 AI 時代特別危險。原因是治理若不在設計期放進去，事後幾乎補不回來——資料一旦外流無法收回、責任邊界一旦模糊就難以追溯、自動化一旦放手出錯往往是批量的。McKinsey 觀察到領先者正把 AI 代理擴大應用，代表 AI 承接的動作愈來愈多、影響面愈來愈大；此刻沒有治理骨架，等於把愈來愈重的東西架在愈來愈薄的地基上。把治理當成導入的內建工序、而非事後補丁，是現在就該做的選擇。
| 風險面向 | 只想效率會發生什麼 | 加入治理後怎麼設計 | ||
| Array | Array | Array | Array | Array |
有效的做法：三根柱子｜Method
Checklist
- Human-in-the-loop：在對外承諾、法遵、高代價的環節保留人的拍板。
- 把 AI 定位為『產生草稿與執行』，把人定位為『把關與負責』。
- 資料分級：明訂哪些資料可餵給 AI、哪些一律禁止，並讓同仁清楚。
- 為 AI 產出與使用建立可追溯紀錄，供日後查核與稽核。
- 風險盤點：導入前先列出這條流程哪裡會出錯、錯了影響多大。
- 為高風險動作設人為確認關卡，避免全自動放手造成批量錯誤。
- 設定發現異常的機制與止血流程，出錯時能即時攔截。
- 指定治理負責人與跨部門窗口，讓責任有人扛、有人追。
深入：三根柱子怎麼互相支撐｜Deeper
第一根柱子是 human-in-the-loop。它的精神不是『不信任 AI』，而是把人放在最需要判斷的地方。AI 很會把事情做快，但『這件事該不該這樣做、對外能不能這樣說』需要人的價值判斷。務實的做法是分層：低風險、可逆、規則清楚的環節可以讓 AI 較自動；高風險、對外、難回收的環節則保留人為確認。這條分工線畫得好，效率與安全就不必二選一。
第二根柱子是資料治理。多數資料風險不是被駭客攻破，而是同仁在追求效率時，順手把不該外流的資料貼給了工具。解法是把『什麼資料能餵給 AI』變成清楚的規則與分級，讓同仁不必每次自己猜。同時，AI 的產出也要納入治理——保存必要紀錄、留下軌跡，這樣一旦需要查核或稽核，才交代得出來。資料治理做得好，等於把 MIT 說的『流程脆弱』補成流程穩固。
第三根柱子是風險控管。它的核心是一個很樸素的動作：導入前先問『這裡哪裡會出錯、錯了會怎樣、我怎麼發現、發現後怎麼止血』。把這四問想清楚，你就會自然而然地在高風險處設下人為關卡、在流程裡埋下異常偵測與止血機制。當 McKinsey 觀察到的 AI 代理擴大趨勢讓自動化承接更多動作時，這套風險控管就是防止小錯變成批量事故的保險。三根柱子彼此支撐：人把關補產出風險，資料治理補外流風險，風險控管補自動化風險，缺一根，另外兩根也撐不穩。
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，特別重視『把 AI 用得久』而不只是『把 AI 用得快』。他常提醒學員：效率是導入的甜頭，治理才是導入的底盤——底盤不穩，跑得愈快摔得愈重。這也呼應 MIT 的發現：失敗主因是流程脆弱與營運脫節，而缺乏治理，正是流程脆弱最常見的來源。
在帶團隊落地時，他把治理揉進工具分工裡：用 Claude 理解需求、拆解流程，同時把公司規則與紅線讀懂，讓產出既貼合脈絡又不越界；用 Codex 把重複環節寫成可重跑的自動化，並在高風險動作處保留人為確認關卡；用 Antigravity 把動線串起來時，順手把可追溯的紀錄與異常攔截設計進去。工具是承接角色的載體，真正讓導入能長久的，是把 human-in-the-loop、資料治理、風險控管這三件事，從一開始就寫進流程設計裡。
講師的建議
Array
方案與效益｜Plan
| 階段 | 做的事 | 對應風險 | 可衡量效益 | |
| Array | Array | Array | Array | Array |
常見問題 Q&A｜FAQ
常見問題 FAQ
加了治理，AI 的效率不就被拖慢了嗎？
短期看像多了關卡，長期反而更快。沒治理的效率是脆弱的——一次資料外流、一次批量錯誤，善後的時間遠超過當初省下的。治理的作用是讓效率能持續累積、不被意外歸零。務實的做法是分層：低風險環節放手讓 AI 快跑，高風險環節才設人為關卡。這樣多數流程照樣高效，只在真正該慢的地方慢下來，整體反而更穩更快。
human-in-the-loop 是不是代表 AI 不能真的自動化？
不是。它代表『在該有人的地方有人』，不是處處卡人。判斷原則很簡單：可逆、低代價、規則清楚的環節可以讓 AI 較自動；不可逆、對外承諾、法遵或高代價的環節保留人為確認。把 AI 放在生產草稿與執行、把人放在把關與拍板，多數流程都能既自動又安全。真正危險的是把高風險動作也全自動放手，那才是把效率建在流水上。
我們資料量不大，也需要資料治理嗎？
需要，而且和量無關。資料治理管的是『什麼資料能餵給 AI』，就算量小，一份客戶名單或一份合約外流的代價也可能很高。多數外流不是被駭，而是同仁追求效率時順手貼上去。與其事後補救，不如一開始就把可餵/禁餵的規則講清楚，讓同仁不必每次自己猜。規則簡單、人人都懂，治理就不會變成負擔。
AI 代理愈自動，治理是不是可以少一點？
剛好相反，愈自動愈需要治理。McKinsey 觀察到約 23% 企業已擴大 AI 代理應用，代表 AI 自主承接的動作愈來愈多、影響面愈來愈大。這時若沒有人為關卡與風險控管，一個錯誤就可能被批量放大。自動化提升的是速度，治理保的是方向；速度愈快，方向盤與煞車就愈重要。把治理隨著自動化程度一起加強，才是安全的擴大方式。
治理該由誰負責？IT 還是業務單位？
需要高層指定負責人，並拉跨部門窗口。McKinsey 發現高績效者由高層負責、重設流程，治理同理——它牽涉資料、法遵、業務多方，單靠 IT 或單一部門扛不動。務實做法是高層掛名、指定一位治理負責人統籌，各相關部門派窗口協作。責任有人扛、跨部門有人追，治理才不會停在紙上，而能真正落到日常。
怎麼判斷哪些環節該設人為確認關卡？
用四個問題篩：這裡出錯的機率高不高、錯了影響多大、是否可逆、對不對外。只要影響大、不可逆、或對外，就值得設關卡；反之低影響、可逆、純內部的環節可以放寬。目標不是處處設卡拖慢流程，而是把有限的把關力氣，放在錯了最痛的地方。這樣既守住風險，又不會讓治理變成人人抱怨的官僚流程。
產出要保留紀錄，會不會很麻煩？
把它設計進動線就不麻煩。重點不是叫同仁額外手動記錄，而是在串接流程時，順手讓系統自動保留必要的產出與決策軌跡。日常運作時大家幾乎無感，只有在需要查核、稽核或回溯問題時，這些紀錄才顯出價值。與其等出事才發現什麼都查不到，不如在導入時就把可追溯性當成內建工序，一次做好、長期受用。
治理要不要等公司規模夠大再做？
不建議等。治理若不在設計期放進去，事後幾乎補不回來——資料外流收不回、責任模糊難追溯、自動化出錯是批量的。而且規模愈大，補治理要動的流程與人愈多、愈痛。反而是趁流程還小、還單純時把治理骨架立好，之後規模擴大只是沿用同一套規則。把治理當成從第一條流程就內建的習慣，遠比日後大改省事。
治理和導入效率之間，怎麼向老闆說明取捨？
把它講成保險而非成本。導入效率是收益，治理是保護這份收益不被意外歸零的保險。可以用 MIT 的資料佐證：95% 專案失敗、主因是流程脆弱，而缺治理正是脆弱來源；換句話說，省下治理的專案，正是最可能落入 95% 的那批。老闆通常聽得懂『花小錢的把關，換的是不被一次事故打回原點』這筆帳。
導入治理多久能見效？
治理的效益有兩種：一種是看得見的，例如產出可用比例上升、返工減少，這在導入後較快能感受到；另一種是看不見的，也就是那些因為有把關而『沒有發生』的外流與批量錯誤，這種效益平時無感、出事時才知道值多少。與其問多久見效，不如把治理當成持續的底盤——它讓每一分效率都站得穩、走得遠。
下一步｜CTA
效率讓 AI 導入跑得快，治理讓它跑得久。把 human-in-the-loop、資料治理、風險控管從一開始就寫進流程設計，你的 AI 導入才不會在某次意外裡一夕歸零。如果希望有人帶著團隊把治理內建進自家流程、而不是事後補丁，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
