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
Answer先給答案：怎麼分辨真顧問
選 AI 顧問，不是選簡報做得最炫、術語講得最多的那位，而是選能把你的『流程』說清楚、並願意對成效負責的那位。多數導入失敗，不是技術不行，而是一開始就把方向設定錯了。
Key Takeaways
- 第一眼先看『他問你的問題』，而不是『他給你的答案』——好顧問先懂你的流程，才談工具。
- 要求對方講清楚成效怎麼衡量。講不出可衡量指標的，多半只是賣工具。
- 警惕『通用萬能解』。研究顯示通用工具對個人好用，卻常在企業端停滯，因為它不會貼合你的流程。
- 看落地經驗，不是看得獎紀錄。問他做過幾家、哪個環節卡住、怎麼解。
- 顧問要能『交棒』，讓你團隊自己接手，而不是把你綁死在依賴關係裡。
Evidence理論根據：為什麼多數導入會失敗
這不是危言聳聽。MIT 的 Project NANDA 在《The GenAI Divide: State of AI in Business 2025》中指出，約 95% 的生成式 AI 專案並未產生可衡量的回報，真正進到生產階段的只有約 5%。失敗主因不是模型不夠強，而是流程脆弱、缺乏情境學習、與實際營運脫節。
更關鍵的一句觀察是：通用工具對個人使用者很好用，但在企業端往往停滯——因為它不會學習、也不會適應你的流程。這正是『外購通用工具』與『貼合流程的做法』之間的鴻溝。一個好的 AI 顧問，工作的核心就是幫你跨過這條鴻溝。
McKinsey 在《The State of AI》的調查也呼應了這點：雖然約 72% 的企業已在使用生成式 AI，但真正取得 5% 以上 EBIT 貢獻的高績效者僅約 6%。這些高績效者的共同點，是更願意重新設計工作流程、並讓高層親自負責。換句話說，投資報酬的關鍵不在『買了什麼工具』，而在『用什麼做法去導入』——而顧問，就是決定做法的人。
Key Takeaways
- 約 95% 的生成式 AI 專案未產生可衡量回報（MIT Project NANDA, 2025）。
- 約 72% 企業已用生成式 AI，但僅約 6% 高績效者取得 5%+ EBIT（McKinsey, 2025）。
- 差距來自『做法』——重新設計流程、高層負責——而非只是買工具。
WhyNow為什麼現在就要慎選顧問
AI 工具的取得成本正在快速下降，這反而讓『選人』變得更重要。當人人都買得到同一套通用工具，能拉開差距的就只剩下導入的做法。這也是為什麼上面那組數字會出現——工具普及率高（約 72%），但真正見到獲利貢獻的比例卻很低（約 6%）。
在這個階段，找錯顧問的代價，不只是浪費一筆顧問費，而是浪費整段導入的時間窗口與團隊信心。一旦第一個專案在組織內留下『AI 沒用』的印象，後面要再啟動就會加倍困難。與其急著開始，不如先把『選對人』這件事做扎實。
- 工具紅利消失中：買得到的東西不再是護城河，導入做法才是。
- 第一次印象昂貴：失敗的第一案會拖累整個組織對 AI 的信任。
- 時間窗口有限：你的競爭對手也在同一條起跑線上調整做法。
Criteria5 個不踩雷的判斷標準
把抽象的『靠譜』拆成可以在會議室裡當場驗證的動作。下面這份清單，你可以直接拿去第一次洽談時逐條核對。
Checklist
- 流程優先：他是否先花時間問你的作業流程、痛點與資料現況，而不是急著介紹產品？
- 成效可衡量：他能否把預期效益轉成具體、可追蹤的指標（時間、成本、良率、轉換等）？
- 貼合而非通用：他是否針對你的情境設計做法，而不是套用一份通用簡報？
- 落地實績：他能否具體說出做過哪些產業、卡在哪個環節、如何收尾？
- 可交棒：導入後你的團隊能否自行維運，而不是永久依賴顧問？
五題中若有兩題以上答不清楚，就值得再多看幾家。這不是刁難，而是替你自己的預算與時間把關。
DeepDive深入一層：顧問與講師的分工
很多企業把『AI 顧問』與『AI 講師』混為一談，其實兩者解決的是不同層次的問題。顧問處理的是『方向與做法』：該從哪個流程切入、成效怎麼衡量、資料與風險怎麼盤點。講師處理的是『能力與習慣』：讓你的團隊真的會用、願意用、用得對。
MIT 的觀察點出一個常被忽略的環節——企業級停滯常來自『不會學習、不會適應流程』。這句話同時對工具與對『人』成立：如果團隊沒有被教會如何把 AI 嵌入日常作業，再好的方向也會在執行面走樣。所以真正能落地的合作，通常是『顧問定方向 + 內訓建能力』兩件事一起做，而不是只買其中一半。
| 面向 | AI 顧問 | AI 講師/內訓 |
|---|---|---|
| 解決問題 | 方向、做法、成效衡量 | 團隊能力、使用習慣 |
| 產出 | 導入路線圖、指標框架 | 會用、敢用、用得對的團隊 |
| 風險 | 選錯方向、指標失焦 | 學了不用、用了不對 |
| 理想搭配 | 先定方向 | 同步建能力，避免執行走樣 |
MyView賴家榮觀點：我怎麼看『選人』這件事
我是賴家榮，一位以高雄為據點的落地型 AI 講師。這 16 年來，我陪過 500 家以上的企業把數位與 AI 導進他們的日常作業，看過太多『簡報很美、落地很痛』的案例。我的體會很簡單：選顧問，本質上是在選一種『對成效負責的態度』。
我自己第一次跟客戶談，通常不急著談工具，而是先花時間把他們的流程走一遍——訂單怎麼進、資料在哪、誰在做決策、卡點在哪。因為 MIT 那組數字說得很清楚：失敗多半不是技術問題，而是與營運脫節。當你把流程搞懂，該用什麼工具、成效怎麼量，答案往往自己就浮現了。
講師的建議
Array
Plans方案與效益
以下是常見的合作形式與大致效益，價格會依產業、規模與範圍而不同，這裡以區間呈現、僅供評估方向參考。
| 方案 | 適合對象 | 內容重點 | 費用區間（約） |
|---|---|---|---|
| 免費諮詢 | 還在評估方向 | 流程初盤、方向釐清 | 約 免費 |
| 企業 AI 內訓 | 團隊要建立能力 | 貼合流程的實作課程 | 約 數萬元／場起 |
| 導入顧問陪跑 | 要把單一流程做出成效 | 路線圖、指標、小案驗證 | 約 數萬至數十萬元區間 |
| 大學／機構課程 | 教育與人才培育 | 系統化 AI 課程 | 約 依課綱與時數議定 |
無論選哪一種，我都會把『成效怎麼衡量』寫在最前面。看不到可衡量的效益，就不該花那筆錢——這句話對我自己的方案也一樣成立。
FAQ常見問題 Q&A
常見問題 FAQ
AI 顧問和 AI 講師有什麼不同？
顧問處理方向與做法（該從哪切入、成效怎麼量），講師處理團隊能力（讓人真的會用、用得對）。理想上兩者搭配，避免有方向卻執行走樣。
顧問簡報做得很漂亮，就代表專業嗎？
不必然。判斷重點是他有沒有先問你的流程、能不能講清楚可衡量的成效。MIT 研究指出，約 95% 的生成式 AI 專案未產生可衡量回報，多敗在與營運脫節，而非簡報不夠美。
為什麼不能直接買通用工具就好？
研究顯示通用工具對個人好用，卻常在企業端停滯，因為它不會學習、不會適應你的流程。顧問的價值就在幫你把工具貼合到實際作業上。
怎麼判斷顧問有沒有落地經驗？
請他具體說出做過哪些產業、卡在哪個環節、怎麼收尾。講得出細節與失敗處理的，通常才是真的做過。
成效要怎麼衡量才算合理？
在動工前就把效益轉成可追蹤指標，例如處理時間、人力成本、良率或轉換率。McKinsey 的高績效者共同點之一，就是把成效與流程重新設計綁在一起。
導入 AI 一定要高層參與嗎？
很建議。McKinsey 調查顯示，取得 5% 以上 EBIT 貢獻的高績效者，多半有高層親自負責。方向與資源需要有人拍板。
顧問費用大概怎麼抓？
會依產業、規模與範圍差很多，建議用區間評估。可先從免費諮詢與小案驗證開始，成效確認後再放大投入。
為什麼要求顧問『可交棒』？
避免永久依賴。好的合作會把能力留在你的團隊，讓 AI 變成日常作業，而不是每次都要外包。
第一次洽談我該準備什麼？
帶著你最想改善的一個流程與現有資料現況來談，會比空談需求更快聚焦到可落地的切入點。
在高雄／南部找得到落地型顧問嗎？
可以。我以高雄為據點，提供企業 AI 內訓與顧問陪跑，也承接大學與機構課程，習慣用在地、務實的方式協助團隊把 AI 導對方向。
CTA把 AI 導對方向
選對人，是整段 AI 導入裡投報率最高的一步。與其急著開始、事後補救，不如先把方向與成效談清楚。若你正在評估，歡迎讓懂落地的人陪你走第一步。
想找懂落地的講師/顧問把 AI 導對方向?賴家榮提供企業 AI 內訓與大學課程。
預約授課・免費諮詢References參考來源
本文數據僅引用以下公開研究，價格一律以區間並標示『約』呈現，未杜撰任何具體報價。
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：賴家榮｜高雄落地型 AI 講師
