AI Search Lab
研究方法｜AI Search Lab 如何驗證與迭代
固定查詢、跨平台抽樣、對照官網覆蓋，形成可重複流程。
AI Search Lab 使用固定查詢集、跨平台重複抽樣、引用事件記錄與頁面覆蓋對照，研究 AI 搜尋如何選擇來源。方法重點是可重複、具日期、分清自家測試與第三方數據。
資料收集
原有方法以每平台每季 500+ 條查詢為目標，使用標準化 prompts 及多個獨立 sessions，減少個人化、時間與隨機性造成的偏差。2026 年內部資料集涵蓋 20+ AI 入口及 3,000+ 引用事件。
分析框架
| 欄位 | 記錄方式 |
|---|---|
| 引用率 | 相關查詢中某來源被引用的比例 |
| 引用位置 | 主要、支援或背景來源 |
| 品牌提及 | 有否提及、是否有連結、描述是否正確 |
| 觸發條件 | 內容格式、實體訊號、權威標記與新鮮度 |
| 平台差異 | 同一問題在 ChatGPT、Perplexity、Google、Gemini 等的差別 |
兩組數據不可混為一談
內部抽樣：用於追蹤指定品牌與查詢的提及、引用及準確度。大型第三方研究：例如 Peec AI、Semrush 與 Decoding 的 1,000 萬至 3,000 萬引用分析，用於理解整體來源分佈。兩者樣本、時間及問題集不同，不應直接合併成單一「市場佔有率」。
驗證與出版標準
- 重要發現最少三次獨立測試。
- 每項數據記錄模型、日期、地區、登入狀態與 prompt。
- 有來源連結與只有品牌提及分開記錄。
- 統計標明樣本與限制；不同研究百分比不相加。
- 舊結果加日期封存，不以新模型倒推舊結論。
研究覆蓋平台
ChatGPT Search、Perplexity Standard／Pro、Google AI Overview、Google AI Mode、Gemini、Bing Copilot、Claude，以及按項目需要加入的其他答案入口。
如何用於客戶項目？
先建立基線，再把每個遺漏對應到四類工作：實體修正、答案頁、技術結構或來源分佈。完成一輪後以同一查詢集重測，觀察趨勢而不是挑選單次有利截圖。