搏來客行銷 Inbound Marketing

2025 年標誌著搜尋引擎發展史上的關鍵轉折點，我們正見證一場前所未有的「流量大脫鉤（Great Decoupling）」。根據多家權威機構的數據追蹤與市場分析，儘管全球總體搜尋量持續攀升，但流向開放網路（Open Web）的自然流量（Organic Traffic）卻呈現斷崖式下跌。
結論十分明確：對於高度依賴「資訊類關鍵字」獲取流量的品牌而言，傳統 SEO 的「排名即流量」公式已正式失效。

AI Overview 衝擊下，品牌的風險與機會 對行銷人而言，現在是停止對「虛榮指標」（Vanity Metrics，如流量）的追逐，轉而投資於「真實價值提供」（Information Gain）與「品牌情感連結」（Brand Connection）的好時候。

先講結論：AIO (AI Overview)是 SEM 流量終結的隱形威脅。

本篇文章是為了向企業決策層發出極其嚴肅的風險評估：SEO/SEM 的時代正在緩慢過度，取而代之的是「答案引擎」（Answer Engine）的新秩序。在這個新世界中，人工智慧（AI）不再是引導者，而是終結者——它直接消化資訊並合成答案，將用戶攔截在搜尋介面上，徹底切斷了通往企業官網的「點擊」路徑 。

每個品牌開始進行 AEO 的佈建策略，是「今天」馬上要做，且刻不容緩的工作。

沉默的滅絕：為何「答案引擎優化」(AEO) 是企業在 AI 搜尋時代的唯一生存路徑？ SEO/SEM 的時代正在緩慢過度，取而代之的是「答案引擎」（Answer Engine）的新秩序。在這個新世界中，人工智慧（AI）不再是引導者，而是終結者——它直接消化資訊並合成答案，將用戶攔截在搜尋介面上，徹底切斷了通往企業官....

蝦皮搞店到店取貨
越南搞人即店就地取貨
這個商業模式接地氣

【評估與 AI 策略規劃的最佳實踐】
隨著生成式 AI 技術的快速發展，許多企業都開始積極探索如何將其應用於日常運營以提升效率、降低成本並創造新的商業價值。

在以下這篇文章中，我們將探討企業如何評估導入生成式 AI 的可行性，並以"技術可行性"與"商業價值"兩個維度作為核心框架進行分析。

企業導入生成式 AI的評估與策略規劃的最佳實踐：從"技術可行性"與"商業價值"兩個維度開始 隨著生成式 AI 技術的快速發展，許多企業都開始積極探索如何將其應用於日常運營以提升效率、企業導入生成式-ai：評估與策略規劃的最佳實踐降低成本並創造新的商業價值。在這篇文章中，我們將探討企業如何評估導入生成.....

【如何打造像 Amazon 一般的數據飛輪?】

亞馬遜的成功絕非偶然！幕後隱藏著一個強大的成長引擎，相信大家都知道，那就是著名的「飛輪理論」！

Jeff Bezos 當初虛心請教「由 A 到 A+」 的飛輪理論大師 Jim Collins 究竟如何有效運用飛輪打造永動企業? 結果，在 Jeff Bezos 領悟之後，把這個飛輪理論從 CX 開始，用到極致，為 Amazon 打造了多圈的高速成長引擎！(Amazon, Prime, AWS)。

Amazon後來公開分享它們的心法，告訴我們，打造一個飛輪，先從有一個「數據產品」(Data Product, DP)開始收集使用者數據，再進行迭代改善；這邊的「數據產品」不見得都是指直接面向客戶的終端產品，有可能只是企業內的一個小流程或小數位轉型；也別再羨慕亞馬遜了！下面就各是 Amazon 教你如何打造自己企業「數據飛輪」的作法分享，讓你的企業成長也能像亞馬遜飛輪一樣，越轉越快！

#86 #亞馬遜 Jeff Bezos 如何善用 Jim Collins 的 #飛輪理論，打造了最強的數據產品飛輪；企業又該如何開始打造你的第一個 #數據產品與 飛輪? 亞馬遜的成功絕非偶然！幕後隱藏著一個強大的成長引擎，那就是「飛輪理論」！揭秘 Jeff Bezos 如何運用 Jim Collins 的飛輪理論，將數據轉化為強大的成長引擎！也別再羨慕亞馬遜了！今天就教你如何打造自己的「數據飛輪」，.....

【周董演唱會搶票狂想曲】

10 月 23 日 11:59 分是一個重要的時刻，
因為 12:00 周董的票準時開賣，我也和大家一樣，
不信邪的想試試手氣，看能不能搶到，
當然和大多數人一樣，也是被藍圈圈伺候。

我實在無法理解10萬張票五分鐘可以賣完，
光 key 資料的時間和網路傳輸時間就不只五分鐘了吧?
於是我請教一位宅男工程師小豪他的看法。

我：小豪，可不可以跟我說機器人搶票是什麼概念?

小豪：就是把購票網站的流程進行逆向工程，把步驟拆解後，直接用程式一次搞定

我：可是現在「防止機器人的程式」不是已經很成熟了嗎?為什麼購票網站不啟動類似的防範機制呢?

小豪：理論上是可以，不知道售票系統防範機器人的問題在哪；另外，會員也必須綁定實名帳號，所以電子黃牛還必須去收集許多人頭會員個資來購票，再闖關購票步驟與隨機驗證碼，以我的技術程度是覺得滿難的啦，不知道這些搶票機器人怎做到的。一直講利用 AI ，我粗淺認識的 AI 主要也不是應用在這個面向的。

我：挖塞，聽你這樣分析，這個掃票機器人還真的不簡單....

小豪：當然，但我能想到的是：如果有購票網內鬼工程師，提供【專屬 API】 給電子黃牛，大家把利益講好，啟動購票後直接把大量資料灌進購票完成資料庫，可能性還比較大，不過這純粹是我不負責任的陰謀論想法，不然我還真的想不到如何可以五分鐘內搞定這些事。

我：這個陰謀論也滿有意思的，今天又上了重要的一課。

【彎道超車】 還是【彎道填海】

今天參加了【科技報橘】的AI Innovation Day，
其中 Panel 談到一個有趣的問題。
每家企業都知道要做 AI，但問題是：由誰來發動與主導?
那個被奉命【彎道超車】 的一把手，
會不會最後變成被拿去【彎道填海】了?

【1. 該由誰來主導新題目?】
其實，只要公司超過某個規模，創新的能力一般都會與日遽降；
然而，每當有一些新的 Buzz Topics 時，
(從早期的 Internet, Mobile Interent, 電商到現在的AI都一樣)，
必然都會讓老闆產生「有為者亦若是」的想法，
不做就會被淘汰了，但是該交給誰來做呢?

一般公司內部地位穩固的老臣，
勢必不會想去碰這種Buzz Topic的案子，
畢竟新的想法牽扯到公司內部結構或流程的改變，
肯定吃力不討好，
非得自己搞的話，頂多應付應付，
搞搞亮點後鳴金收兵，確保戰果。
真的老闆要求大搞的話，
終究會被 Review ROI 與績效回報，折損機率大增。

所以，老臣混建議老闆找外面的傭兵來處理，但需向老臣會報，
如果5%的機率專案成功的，老臣可以沾沾光；
95%的機率失敗了，把傭兵殺了來祭旗，也可以保全自己，
此真上上之策呀!!
(Panel 也提到，這種傭兵常常不好找，因為文化關係，通常提前陣亡率也特高。)

所以，從大企業的辦公室政治面來看，【彎道超車】的執行，
還真是一門藝術。

【2. 沒人想主導新題目，如何解決?】

因此， Panel 又衍生的一個議題，或許是解方；就是現在許多國外企業為什麼把這種創新項目放在企業外面，或直接利用加速器與新創合作；因為，養在外面或以加速器形式合作，老闆或許就可以接受只有 5% 的成功機率，也可以讓創新單位擺脫原大企業內部績效評考評制度；為何不能套用原大企業內部績效評考評? 因為創新的東西本來就是要從失敗中學習，找到對的路；越快失敗，越快成功；不願意接受一丁點的失敗，直接套用原制度者，終究原地踏步。

今天讓我們稍微回到數位行銷操作的主題。

當大家因為類 ChatGPT 的使用，開始習慣 AI ChatBot 的問答模式後，是否你開始對 Google 搜尋時，必須逐一點擊網頁來找尋答案，感到厭煩?

Google 搜尋為了怕被科技的潮流所取代，所以也逐漸調整成可以接受【問答】模式的搜尋結果調整；換言之，未來會出現許多零點擊(Zero-Click)的生成式 AI 搜尋結果，使用者得到問題的答案就快閃離去；那麼，這個調整會帶給傳統的 SEO 什麼衝擊呢?

面對這種新型態的問答引擎趨勢，我們又該如何優化我們的網頁內容(Answer Engine Optimization)呢? 以下這支影片將會有粗淺的說明。

https://youtu.be/4k3uzyRl_Ag?si=WRI1QexLmdQojvIZ

#85 生成式 AI 大爆發，SEO怎麼辦？SEO 人必看：SEO vs. AEO 深度解析，SEO 不會再死一次，只是必須做出改變。 生成式 AI 的出現，徹底改變了 SEO 的遊戲規則。本影片將深入剖析 SEO 與 AEO 的差異，並教你如何利用 AI 工具，提升網站排名、增加流量。想知道生成式 AI 如何影響 SEO？AEO 又是什麼？本影片將帶你一探究竟。從基礎概念到實戰....

草根民眾與 AI 的距離

近期，大部分研討會不用【AI】的主題來加持，似乎就無法吸引民眾。因此，昨天同時跑了兩場不同的 AI 場子，A 場受眾主要以高端大型企業、新創與工程師為主；B 場則以草根的中小企業主為主。兩場比較的結果，讓我深深地發覺草根民眾對 AI 認知與想像，和AI實際能做的事，還真不是普通的遙遠。

A 場就是非常正規的 AI 實際操作與應用分享，AI 能做什麼、不能做什麼、前期該做什麼樣的訓練、餵入什麼樣的資料、建立什麼樣的模型等，非常實際；B 場則是對 AI 充滿形而上的想像描述與市場調查數據分享，實際上還是一個傳統廣告產品銷售的場子。

有趣的是，B 場受眾的 Q&A 居然有 AI 可不可以預測股市，報明牌等，其實是不打算提供任何數據與訓練，卻想得到價值很高的答案，這就是草根民眾與 AI 的距離呀，相信這個距離隨著時間的發展，應該只會越來越大。

AWS 對生成式 AI 的三個預測。

今天來參加 AWS 生成式 AI 研討會，照例還是主推 BedRock。

至於預測，其實也滿老生常談的。

1. 會用 AI 的人會取代不會用的人
2. 未來程式語言會變成用自然語言(就是變成直接下指令?)
3. AI 會嵌入其他實體設備，如機械手臂、機器人等

參考參考吧!!

企業到底要如何擁抱 AI 呢？這真是一個高難度的困局。
AI or not AI, that is the question!

最近不管是新創或是大型企業，AI持續發燒，
但進程已從 2023 年的旁觀喊燒，到 2024 年的落地實踐。

但企業究竟如何應用 AI 呢? 我在 LinkedIn 看到一張很不錯的架構圖和大家分享，或許可以稍稍釐清AI or not AI。

經過 2023 年的洗禮，大約企業都知道下圖上方的概觀，把【數據】丟到【 AI Engine】 後，產生對企業的【價值】；問題是這三個區塊如何展開呢?

在【數據】這個區塊，我們需要能夠選擇數據源與合成數據；在 【AI Engine】 這個區塊，我們得進行許多【數據工程】與【建立模型】，這一部分應該是最難與最複雜的，而即使完善模型產生價值，第三區塊的【價值】還是需要部署、監控與反覆訓練，才能達到最佳的成果。

最容易忽視的是下面的這個區塊，可以解釋為【限制】或是【治理】，可能需要有法務、透明度、資安與歷史偏誤等跨功能別單位的持續辯證，用來檢驗 AI 所產生的價值，是否有越線或虛構的地方，才能竟其功。

我一直說，AI 初期，人類的功能已經從生產變成校正與監督，隨時檢查 AI 所生成的結果【是否越線】；有一天，當 AI 也透過反覆訓練可以自行有效率的進行【限制】或是【治理】時，人又該幹什麼事呢? 讓我們一起持續的觀察下去。

#人工智慧 #數據工程