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
很多企業導入 AI 之後最常有的感受是：試了、也用了，但成效說不太上來。MIT Project NANDA 在 2025 年的研究把這種感覺量化了出來——約 95% 的生成式 AI 專案並未產生可衡量的回報，只有大約 5% 真正進到日常生產。關鍵發現是：失敗的主因不是模型不好，而是流程脆弱、缺乏情境學習、與日常營運脫節。換句話說，多數失敗是可以避免的管理問題，不是技術天花板。
Key Takeaways
- MIT 研究：約 95% 生成式 AI 專案未產生可衡量回報，僅約 5% 進到生產。
- 失敗主因是流程脆弱、缺乏情境學習、與日常營運脫節，不是模型能力不足。
- 多數企業把 AI 當成「買工具」，而不是「改流程」，這是分水嶺。
- 進到 5% 的關鍵，是先拆流程、界定範圍，再選工具與分工。
- AI 要嵌進既有工作動線裡，能記住情境、被日常真的用起來，才算導入成功。
- 這是一場管理與方法之戰，不是模型軍備競賽。
理論根據：MIT 與 McKinsey 怎麼說｜Evidence
先看數字，因為數字會逼人誠實。MIT Project NANDA 在 2025 年發布的《The GenAI Divide: State of AI in Business 2025》檢視了超過 300 個公開案例、進行 52 場訪談、並調查 153 位高階主管。結論是：約 95% 的生成式 AI 導入專案沒有產生可衡量的商業回報，只有大約 5% 真正推進到生產環境並持續運作。研究特別點名，這道鴻溝的成因不是模型能力，而是專案流程脆弱、系統缺乏情境學習能力、以及 AI 與企業日常營運脫節。
McKinsey 在 2025 年的《The State of AI》從另一個角度印證了同一件事。調查顯示，約 72% 的企業已在使用生成式 AI，88% 至少有一項業務職能導入了 AI——採用率其實很高。但真正把 AI 轉成財務成果的很少：只有約 6% 的「高績效者」在企業層級取得 5% 以上的 EBIT 貢獻。這兩份研究擺在一起，訊息非常一致：用 AI 的人很多，靠 AI 賺到錢的人很少。
Key Takeaways
- MIT：300+ 案例、52 訪談、153 位高管調查，得出 95% 未見回報、5% 進生產。
- McKinsey：72% 用生成式 AI、88% 至少一項業務用 AI，但僅約 6% 拿到 5%+ EBIT。
- 高採用率 ≠ 高回報率，中間隔著一道『方法鴻溝』。
- MIT 明確指出失敗不是模型問題，而是流程與營運整合問題。
為什麼現在非做不可｜Why-Now
如果 95% 會失敗，那乾脆等技術成熟再說？這正是最危險的誤解。MIT 與 McKinsey 的資料指向同一個現實：領先者已經拉開差距。McKinsey 觀察到高績效者的共同特徵，是他們願意重新設計工作流程、由高層親自負責 AI 導入，而且已有約 23% 的企業把 AI 代理（AI agents）擴大應用。差距不是來自誰買了更貴的模型，而是來自誰先把方法練對。
換句話說，現在該做的不是「要不要導入 AI」，而是「用什麼方法導入才不會變成那 95%」。晚一年進場，對手多的不只是一年工具使用經驗，而是一年份『把流程重新設計過』的組織能力，這種能力無法靠事後採購補回來。
| 面向 | 落在 95%（失敗） | 進到 5%（成功） | ||
| Array | Array | Array | Array | Array |
有效的做法：先拆流程再談工具｜Method
Checklist
- 先把一條真實流程拆到步驟層級，標出耗時、易錯、重複的環節。
- 界定 AI 的作用範圍：哪一段交給 AI、哪一段留給人判斷。
- 選在『高頻、規則清楚、容錯空間夠』的環節先導入，不要一次全上。
- 讓 AI 嵌進現有工具動線，而不是要求同仁改用一套新系統。
- 設計讓系統能累積情境的機制，避免每次都從零開始。
- 由高層掛名負責、指定跨部門窗口，而不是丟給單一部門試玩。
- 先定義好『成功長怎樣』的可衡量指標，再開始導入。
- 小範圍驗證有回報後，再往相鄰流程複製擴大。
深入：那 5% 到底做對了什麼｜Deeper
把 MIT 與 McKinsey 的觀察攤開來看，成功的 5% 有幾個共同動作。第一，他們不是問『這個模型能做什麼』，而是問『我的哪條流程最痛、AI 能不能補上那一段』——切入點是流程，不是工具。第二，他們接受 AI 需要情境。MIT 特別強調『缺乏情境學習』是失敗主因之一；成功者會把公司的規則、資料、案例餵給系統，讓它產出符合公司脈絡的結果，而不是通用漂亮話。
第三，他們讓 AI 與日常營運長在一起。失敗的專案常見的樣子是：做了一個很炫的 demo，然後沒有人真的在每天的工作裡用它。成功的專案則是把 AI 塞進同仁本來就會打開的那個畫面、那個表單、那條動線裡，讓『用 AI』不需要額外多一個步驟。第四，這件事有高層扛。McKinsey 明確指出高績效者由高層負責、並更願意重新設計工作流程——因為跨部門的流程重設，本來就不是基層能拍板的事。
最後一點常被忽略：成功者願意承認『先做小、做對，再放大』。他們不追求一次到位把整間公司 AI 化，而是先在一條流程上做到有可衡量的回報，再把同一套方法複製到相鄰流程。這種務實的節奏，正是把命中率從 5% 往上拉的關鍵。
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，長期在第一線協助團隊把 AI 從『聽起來很好』變成『每天真的在用』。他常對學員說一句話：多數企業的 AI 導入之所以失敗，不是敗在模型選錯，而是敗在第一步就選錯——一上來就問『要用哪個工具』，卻沒先問『要改哪條流程』。這正好對上 MIT 的發現：失敗主因是流程脆弱、與營運脫節，不是模型不好。
在實務帶團隊時，他習慣用 Claude、Codex、Antigravity 三種工具做分工：Claude 負責理解需求、拆解流程與產出高品質內容；Codex 負責把重複性工作寫成可執行的自動化；Antigravity 負責把整條動線串起來、讓 AI 真正嵌進日常。工具是手段，重點是背後那套『先拆流程、界定範圍、再讓工具各司其職』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
MIT 說 95% 失敗，那我還要不要導入 AI？
要，而且更要用對方法。95% 失敗指的是那些沒改流程、只買工具的做法；相對的，成功的 5% 並非運氣好，而是先拆流程、讓 AI 嵌進營運。與其被數字嚇退，不如把它當成一張避雷圖：照著失敗主因反著做，你就有機會站在正確的那一邊。晚進場的代價，是對手多累積了一年重設流程的組織能力。
失敗主因真的不是模型不夠強嗎？
MIT 的研究講得很明白：失敗主因是流程脆弱、缺乏情境學習、與日常營運脫節，而不是模型能力不足。現在主流模型的能力，對絕大多數企業日常任務其實綽綽有餘。真正卡住的是導入方法——你有沒有把 AI 接進真實流程、有沒有讓它記得公司脈絡、有沒有人每天真的在用。這些都是管理題，不是技術題。
我們公司規模不大，也適用這些研究嗎？
適用，甚至更適用。大企業有預算試錯，小企業一次導錯的代價相對更痛。好消息是，先拆流程、小範圍驗證再擴大這套方法，對小團隊反而更友善——你不需要一次改造全公司，只要挑一條最痛的流程做對，就能看到可衡量的回報，再慢慢往外複製，風險與投入都可控。
為什麼採用率那麼高，賺到錢的卻那麼少？
McKinsey 的資料顯示約 72% 企業在用生成式 AI，但只有約 6% 高績效者拿到 5% 以上的 EBIT 貢獻。差別在於：多數人停在『會用』，少數人做到『改流程』。會用是把 AI 當成更聰明的搜尋或寫作工具，改流程則是重新設計工作動線、讓 AI 承接其中一段。前者好玩但難見回報，後者才會反映在財報上。
什麼叫『缺乏情境學習』，為什麼這麼致命？
意思是系統每次都從零開始，記不住你公司的規則、資料和過去案例，所以產出總是通用、不夠貼。這會讓同仁覺得『還要大改，不如自己做』，久了就不用了，專案自然名存實亡。解法是刻意把公司脈絡餵進系統，讓它產出符合你們規矩的結果，越用越準，同仁才願意持續依賴它。
高層一定要親自負責嗎？交給 IT 不行嗎？
McKinsey 發現高績效者的共同點之一，正是由高層負責並願意重設工作流程。原因很現實：跨部門的流程重新設計，牽動權責與資源分配，這不是 IT 或單一部門能拍板的。交給基層試玩，往往只能做出漂亮 demo，卻推不動真正的流程改變。高層掛名，代表這件事有優先序、有人扛跨部門協調。
應該一次全公司導入，還是先做小範圍？
先做小範圍。成功的 5% 幾乎都是先在一條流程做到有可衡量回報，再複製擴大。一次全上的風險是戰線太長、哪裡出問題都說不清，最後草草收場落回 95%。先挑高頻、規則清楚、容錯夠的環節驗證，累積信心與經驗，再往相鄰流程延伸，這種節奏最穩，也最容易向上級交代成效。
怎麼判斷我們的導入算不算成功？
回到一個檢查點：有沒有可衡量的回報。不是『看起來很厲害』，而是這條流程有沒有真的省時、降錯、或帶來營收。導入前先定義好成功長怎樣的指標，導入後拿數字對照。如果同仁每天真的在用、指標也動了，就是進到 5% 的樣子；如果只有 demo 很炫、沒人日常使用，那就還在 95% 裡。
導入 AI 需要先招募資料科學家嗎？
多數企業在起步階段不需要。這批研究點出的關鍵瓶頸是流程與整合，不是缺演算法人才。你更需要的是懂自家流程的人，加上會把 AI 嵌進動線的方法。先用現成工具把一條流程跑通、驗證有回報，再依實際需求評估要不要補技術人力，順序反過來往往會先燒錢又沒成果。
導入之後大概多久能看到回報？
如果是先拆流程、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，因為範圍小、指標明確。真正的差別在能不能持續：把單點成功複製到相鄰流程、讓團隊自己能維運與優化，回報才會累積放大。與其追問確切天數，不如確保方法對、指標清楚，成效自然會被看見。
下一步｜CTA
會失敗的 95%，敗在把 AI 當工具買；能成功的 5%，贏在把 AI 當流程改。如果你希望團隊不只是『會用 AI』，而是能系統化地拆流程、界定範圍、把 AI 真正用到用得上，這是一件可以有人帶著一起做的事。
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
