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
The-Answer-First先給答案：划不划算，取決於起點對不對
中小企業導入 AI 划不划算，答案不是「是」或「否」，而是「看你怎麼開始」。數據顯示，多數專案沒有拿到可衡量的回報，但少數把起點做對的企業，確實取得了實質效益。差別不在投入多少錢，而在有沒有先把地基打好。
老闆最關心的其實就一句話：這筆錢花下去，看得到回報嗎？我的回答是：如果你跟風買工具、跳過整理知識這一步，很可能落進那「沒回報」的多數；但如果你從對的起點出發，AI 對中小企業是划算的。這篇，我們用提供的數據來談清楚。
Key Takeaways
- 多數生成式 AI 專案沒有可衡量回報，失敗常源於起點錯了。
- 少數做對的企業，確實取得實質的業務效益。
- 採用率已是主流，觀望的成本正在升高。
- 划不划算的關鍵，是有沒有先把知識整理成可用的地基。
- 從高頻痛點的單一部門起步，最容易看到回報。
- AI 的效益來自貼合流程，而不是買最貴的工具。
The-Data理論根據：數據怎麼說
先看整體採用趨勢。McKinsey 在 2025 年的《The State of AI》報告指出，已有 72% 的企業使用生成式 AI，相較 2024 年的 33% 大幅成長；而至少有一項業務使用 AI 的企業更高達 88%。換句話說，用 AI 已經從少數人的嘗試，變成多數企業的常態。這代表觀望的機會成本正在升高，別人在累積經驗，觀望者在原地。
但採用率高，不等於都賺到錢。同一份 McKinsey 報告也點出，只有約 6% 的高績效者，真正讓 AI 對 EBIT 產生 5% 以上的影響。這個落差，MIT Project NANDA 在 2025 年的《The GenAI Divide: State of AI in Business 2025》講得更直接：高達 95% 的生成式 AI 專案沒有產生可衡量的回報，只有約 5% 真正進入正式生產，失敗主因是流程脆弱、缺乏情境學習、與日常營運脫節，而不是模型不好。兩份報告合起來看，結論很清楚：多數人有用 AI，少數人才賺到 AI，差別在做法。
Why-Now為什麼現在要做：觀望的成本正在升高
把數據攤開排在一起，就能看出中小企業現在的處境。採用已是主流，但回報高度集中在少數做對的人身上。這不是叫你別做，而是提醒你：做，但要做對。下面這張表整理了提供的數據，讓你一眼看懂大局。
| 數據 | 數字 | 代表的意義 |
|---|---|---|
| 企業使用生成式 AI | 72%（2024 為 33%） | 採用已成主流，成長快速 |
| 至少一項業務用 AI | 88% | AI 進入日常營運是常態 |
| 取得 5%+ EBIT 影響者 | 約 6% | 真正賺到效益的是少數 |
| 沒有可衡量回報的專案 | 95% | 多數專案卡在試用、沒回報 |
| 進入正式生產的專案 | 約 5% | 落地成功屬於做對的少數 |
How-To-Win有效方法：怎麼落進賺到錢的少數
既然差別在做法，那就把做對的人共通的動作抓出來。MIT 報告說失敗源於流程脆弱、與營運脫節，反過來就是成功的線索。下面這份清單，是我帶團隊幫中小企業落地時，用來確保投入有回報的檢核項目。
Checklist
- 先盤點知識：把報價、SOP、產品、客服問答整理成可檢索的知識庫。
- 選高頻痛點：從員工最常被問、最常查的主題切入。
- 接上 RAG：讓 AI 依你的資料回答並附來源，降低幻覺。
- 貼合流程：讓 AI 嵌進日常作業，而不是另開一個沒人用的工具。
- 小範圍試跑：先在單一部門驗證，看得到成效再擴大。
- 設定可衡量指標：如問答準確率、處理時間，用數據說話。
- 讓團隊會用：辦內訓，讓第一線真的把工具用起來。
- 建立維護機制：知識持續更新，效益才不會隨時間退化。
Why-Most-Fail深入一層：為什麼多數人賺不到 AI 的錢
把兩份報告的訊號連起來，就能看懂那 95% 是怎麼卡住的。多數企業的做法是：買一套通用工具、發給員工、期待它自己變出效益。但 MIT 指出，通用工具對個人好用，在企業裡卻停滯，因為它不會學習、也不適應你的流程。工具沒接上你的知識、沒嵌進你的營運，自然產不出可衡量的回報。這不是模型的錯，是起點的錯。
反過來看那賺到錢的少數，共通點是先把知識這塊地基打好，讓 AI 貼合實際流程再談應用。McKinsey 的 6% 高績效者、MIT 的 5% 進入生產者，走的都是這條路。對中小企業來說，這其實是個好消息：你不需要跟大公司拚算力和預算，只要在起點上做對，就能站到少數那一邊。划不划算，從來不是資源多寡決定的，而是順序對不對決定的。
My-View賴家榮觀點：先做對，再談規模
我是賴家榮，甫東科技創辦人、SAIP 台灣首席 AI 長、SGS AI 認證；16 年帶團隊為超過 500 家企業做過系統與 AI 導入；服務高雄、台南、屏東、嘉義的中小企業主管與第一線團隊；開發時用 Claude AI、Codex、Antigravity 三工具分工。關於划不划算，我最想跟老闆說的是：先做對，再談規模。
我看過太多中小企業，預算不多卻硬要一次上大平台，結果變成報告裡那 95%。也看過資源有限、卻願意先花兩三週把高頻知識整理好、從一個部門跑起的公司，一個月後就能拿準確率、處理時間這些數字來說話。AI 對中小企業划不划算，我的親身經驗是：只要起點對，它很划算；起點錯，再多預算也是打水漂。
講師的建議
我的建議是：把「要不要做 AI」的問題，換成「從哪裡開始做對」。第一步，選一個知識最密集、最常被問的部門，把那塊知識整理成 RAG 知識庫，接上 AI、附來源回答，設定像問答準確率、處理時間這樣可衡量的指標，跑一個月。用數據驗證有回報，再把同一套方法複製到其他部門。用最小的投入換最實在的證據，這是中小企業落進「賺到 AI」那少數人最穩的一條路。
Solutions-And-Value有效方案與效益：從做法到回報
把觀念落成具體做法，回報就能被衡量。下面這張表把「該做的事」對應到「換來的效益」，幫你判斷投入值不值得。這裡只用提供的數據談方向，不編造額外數字，效益以可親眼驗證的改變為主。
| 做法 | 帶來的效益 |
|---|---|
| 先整理高頻知識成知識庫 | AI 回答有依據，答錯與幻覺明顯減少 |
| 接上 RAG 並附來源 | 員工敢採用，避免落入 95% 沒回報的多數 |
| 讓 AI 嵌進日常流程 | 貼合營運，效益可衡量、能持續累積 |
| 先單一部門小範圍試跑 | 投入小、風險低，用實績再決定擴大 |
| 設定可衡量指標 | 用準確率、處理時間等數據證明回報 |
| 辦內訓讓團隊會用 | 工具真的被用起來，投入才轉成效益 |
FAQ常見問題 Q&A
常見問題 FAQ
中小企業導入 AI，到底划不划算？
答案取決於怎麼開始。數據顯示，多數生成式 AI 專案沒有拿到可衡量回報，但少數把起點做對的企業確實取得實質效益。差別不在花多少錢，而在有沒有先把知識整理好、讓 AI 貼合流程。如果跟風買工具、跳過整理知識，很可能落進沒回報的多數；如果從高頻痛點的部門起步、用數據驗證，AI 對中小企業就是划算的。起點對了，它很值得。
聽說 95% 的 AI 專案都失敗，那我還要做嗎？
這個數字出自 MIT 2025 年的報告，但要看清楚失敗的原因。報告指出，失敗主因是流程脆弱、與日常營運脫節，不是模型不好。換句話說，那 95% 多半是做法錯了，而不是 AI 沒用。同一時間，McKinsey 的數據顯示採用率已達七成以上，觀望的成本正在升高。所以問題不是要不要做，而是怎麼做對。避開失敗的關鍵，就是先打好知識地基，再談應用。
我預算不多，適合現在導入 AI 嗎？
適合，而且預算不多反而更要把起點做對。導入不必一次上大平台，成本主要在人力整理知識，不是昂貴硬體。做法是選一個最常被問的部門，把高頻知識整理成知識庫、接上 AI，設定可衡量指標，跑一個月看回報。用最小投入換實在證據，再決定要不要擴大。這樣即使預算有限，每一分錢都花在看得到成效的地方，比硬砸大錢卻沒方向務實得多。
McKinsey 說七成企業都用 AI 了，我是不是落後了？
McKinsey 2025 年的數據確實顯示 72% 的企業已使用生成式 AI，比 2024 年的 33% 大幅成長，代表採用已成主流。但採用率高不等於都賺到錢，同一份報告指出只有約 6% 的高績效者拿到 5% 以上的 EBIT 影響。所以與其焦慮落後，不如把力氣放在做對。別人多數也還在摸索，你只要起點做對，就有機會站到真正取得效益的少數那一邊。
導入 AI 的效益，要怎麼衡量才算數？
衡量效益的關鍵，是導入前就設定好可量化的指標，而不是憑感覺。常用的像問答準確率、處理時間、回覆速度，都能用數字前後對照。MIT 報告之所以說多數專案沒有可衡量回報，往往就是因為一開始沒設指標、也沒嵌進流程。所以建議先小範圍試跑、盯著這些數字看變化，用數據證明有回報再擴大。能被衡量的效益，才是真正站得住腳的效益。
為什麼買了通用 AI 工具，卻感覺沒什麼效益？
因為通用工具不認識你公司的知識和流程。MIT 報告點得很清楚：通用工具對個人好用，但在企業裡容易停滯，因為它不會學習、也不適應你的流程。工具沒接上你的資料、沒嵌進日常營運，自然產不出可衡量的回報。這不是工具沒用，而是少了先整理知識、讓 AI 貼合流程這一步。補上知識庫和 RAG，讓 AI 讀得懂你的資料，效益才會浮現。
我該從哪個部門開始，回報比較快？
建議從知識最密集、最常被問的部門開始，通常是客服或業務。這些部門問答量大、痛點明顯，AI 一旦答得準，員工立刻有感，也最容易用準確率、處理時間這些數字做出成績。先在這裡把知識庫和 RAG 跑通、驗證回報，再把同一套方法複製到其他單位。用最小範圍換最快、最實在的回報，是中小企業落地時最穩的節奏，也最容易說服團隊繼續投入。
導入 AI 之後，效益能維持多久？
效益能不能維持，取決於有沒有建立維護機制。公司的報價、規範、產品會變，如果知識庫停在舊版本，AI 就會引用過期資料，效益自然退化。所以要指定專人定期更新知識、汰換舊內容。維護的工作量其實不大，關鍵是形成固定機制。有人持續顧，知識庫和 AI 應用就會越用越準，效益也能長期累積，而不是導入時風光、過一陣子就沒人用。
AI 導入是不是要有技術團隊才做得起來？
不一定要有技術團隊才能開始。落地成功的關鍵，其實在觀念和知識整理，這兩件事靠的是對業務的理解，不是工程背景。第一步的知識盤點、清洗、結構化，主要由懂業務的人來做。技術接上的部分，可以找外部協助或用現成方案。所以別把它想成非工程師不可的專案，先把知識這塊自己顧好，落地就成功一半。需要時，再找懂導入的人把最後一哩接起來就好。
同樣是導入 AI，為什麼有人賺到、有人沒賺到？
差別在起點和做法。賺到的少數，共通點是先把知識整理成地基、讓 AI 貼合實際流程再談應用；沒賺到的多數，則是買套通用工具就期待它自己變出效益。McKinsey 的 6% 高績效者、MIT 的 5% 進入生產者，走的都是先做對的路。對中小企業來說這是好消息：不必拚算力和預算，只要在起點上做對，就能站到賺到 AI 的那一邊。划不划算，是順序決定的。
Next-Step下一步：把問題換成怎麼開始
中小企業導入 AI 划不划算，答案藏在起點裡。數據告訴我們，多數人有用卻沒賺到，少數做對的人拿到實質回報，而你完全可以是後者。把「要不要做」換成「從哪裡開始做對」，先整理知識、從一個部門跑起、用數據驗證。如果你希望團隊系統化地學會、把 AI 真正用到日常工作裡，這會是最划算的第一步。
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References參考來源
本文引用之國外研究與報告如下，均可點擊查證：
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
