安息吧，搜尋量：大型語言模型需求的興起與新搜尋引擎優化

簡而言之：傳統的關鍵字搜尋量因為像 ChatGPT 這樣的人工智慧而變得過時。人們使用對話式提示，而不僅僅是關鍵字，人工智慧處理了大部分搜尋過程。忘記優化關鍵字；專注於影響人工智慧的理解和建議。追蹤「基於提示的能見度」——你的產品/服務在相關的人工智慧回應中出現的頻率。這需要手動追蹤（目前如此）以及轉向針對特定用例和複合用戶意圖的內容。

歡迎來到大型語言模型需求與新搜尋引擎優化的時代

我們正經歷數位領域自網際網路誕生以來最重要的轉變之一：大型語言模型（LLMs）如 ChatGPT、Perplexity 和 Claude 的興起。作為技術專家和商業領導者，我們必須關注，因為這些變化根本改變了資訊在網路上被尋找和消費的方式。這意味著舊有的搜尋引擎優化（SEO）規則正迅速成為歷史。

多年來，「搜尋量」一直是神聖的指標。每個月有多少人搜尋「X 關鍵字」？它決定了內容策略、廣告支出和市場需求的感知。但我在這裡告訴你：我們所知的搜尋量已經死了。現在僅依賴它就像用錯世紀的地圖導航。

為什麼「搜尋量」正在失敗

想想你如何使用像 ChatGPT 這樣的工具。你不會僅僅輸入「最佳 CRM」。你可能會問，「對於需要強大專案管理整合且不花大錢的小型科技顧問公司，哪個 CRM 比較好？」看到差異了嗎？查詢與提示：

傳統搜尋量追蹤的是離散的關鍵字「查詢」。大型語言模型則運作於對話式的「提示」，這些提示是微妙的、有上下文的，且通常是多面向的。

人工智慧中介：當有人使用 Google 時，他們會篩選結果。當他們使用大型語言模型時，人工智慧「綜合」資訊，比較選項，並經常提供直接的答案或建議。它完成了傳統「搜尋過程」的 90%，而這個過程對於當前的搜尋引擎優化工具如 Ahrefs 或 Semrush 來說大多是不可見的。為人工智慧優化：你不再僅僅是為人類搜尋者排名。你需要讓你的內容和品牌存在被人工智慧的推理引擎理解、處理和記住。你的資訊需要符合模型的邏輯，並自然地出現在其生成的回應和比較中。介紹新的北極星：基於提示的能見度如果搜尋量不再重要，那麼什麼才重要？我們需要開始思考「基於提示的能見度」。
忘記對「關鍵字 X 每月有 3,200 次搜尋」的執著。現在關鍵問題是：在什麼樣的用戶「提示」下，我們的產品或服務被提及？哪些特定問題或「用例」導致人工智慧推薦我們？我們在哪些「類別」中持續被視為可行的選擇？
哪些特定的人工智慧模型（ChatGPT、Perplexity、Claude 等）正在有機地提及我們的品牌？這

才是真正的需求衡量標準，在以人工智慧為先的世界中。這不是關於原始搜尋數字；而是關於在人工智慧的對話上下文中的相關性和記憶。

追蹤目前無法追蹤的（目前如此）壞消息是？你的標準搜尋引擎優化儀表板尚未為此而設計。它們追蹤關鍵字，而不是人工智慧回應中的對話上下文。.

Forget obsessing over "Keyword X has 3,200 monthly searches." The crucial questions now are:

In response to what kinds of user prompts does our product or service get mentioned?
What specific problems or use cases lead the AI to recommend us?
In which categories are we consistently surfaced as a viable option?
Which specific AI models (ChatGPT, Perplexity, Claude, etc.) are organically mentioning our brand?

This is the true measure of demand in an AI-first world. It's not about raw search numbers; it's about relevance and recall within the AI's conversational context.

Tracking the Untrackable (For Now)

The bad news? Your standard SEO dashboards aren't built for this yet. They track keywords, not conversational context within AI responses.

好消息是？你可以開始手動追蹤這個。這需要努力，但所獲得的見解是無價的。以下是我們在Mercury開始接觸的方式：建立一個「LLM可見性追蹤器」：

一個簡單的電子表格（是的，Google Sheets可以！）是你的起點。記錄提示：
每當你在LLM的回應中看到你的產品、服務，甚至競爭對手被提及時，記錄下觸發它的確切提示。跨模型追蹤：在不同的LLM（如ChatGPT-4、Claude 3、Perplexity等）中測試相關提示，因為它們通常擁有不同的知識基礎和回應模式。
捕捉細節：注意提及的位置/重要性、使用的具體措辭、日期，並截圖以供參考。
這尚未自動化（還沒有！），但這是理解你實際可見性的基礎，這在日益重要的情況下至關重要。解構LLM需求：超越關鍵字

LLM需求不僅僅是孤立的關鍵字；它是

主題 x 使用案例 x 上下文

的組合。與其針對關鍵字「最佳視頻托管」，你需要理解出現這種需求的上下文。

例如：一位課程創作者可能會提示：「有什麼安全、私密的Vimeo替代品

專門用於托管在線課程視頻？」一家SaaS公司可能會問：「推薦一個安全的視頻串流解決方案
，能夠輕鬆與教育平台整合。」需求存在於這些具體的上下文場景中。你的內容需要直接解決這些細微的需求。影響AI：三個層面

要在這個新環境中有效獲勝，你需要在三個關鍵層面上影響LLM需求：

提示層：

理解潛在客戶在向AI尋求幫助時使用的語言。他們試圖解決什麼問題？他們在詢問什麼比較？

回應層：目標是讓你的品牌/產品在AI生成的回答、比較和建議中被明確提及。
來源層：確保AI所依賴的基礎資訊（文章、論壇、文檔、評論）在相關上下文中正面且準確地提及你的品牌。
主導意味著在這三個層面上都有存在和影響力。LLM SEO時代的策略

你實際上如何影響這些層面？

種子使用案例內容：

創建詳細內容（部落格文章、案例研究、教程），針對

具體問題和使用案例，提供強有力的上下文以解釋為什麼你的解決方案適合。獲得品牌引用：鼓勵在可信的論壇（如Reddit、Stack Overflow）、技術文檔、高品質評論網站和行業討論中提及你的品牌。LLM會索引並從這些來源學習。
解決複合意圖：開發內容，針對單一作品中的多步用戶旅程或複雜問題。考慮「如何指南」，其中包含工具推薦。
優先考慮實用性： Develop content that addresses multi-step user journeys or complex questions within a single piece. Think "How-to guides" that incorporate tool recommendations.
Prioritize Utility:記住，LLM（大型語言模型）旨在提供幫助。它們通常優先考慮實用的、有用的信息，這些信息能直接解決用戶所提出的問題，而不僅僅是品牌權威。讓你的內容變得極其有用。

尋找黃金：以提示為先的市場研究

想要領先嗎？開始積極尋找現實世界的提示：

監控社群：瀏覽相關的子版塊、Slack 頻道、Discord 伺服器和論壇，這些地方是你的目標受眾討論他們挑戰的地方。注意他們使用的確切語言。
測試提示：將這些現實世界的提示輸入 ChatGPT、Claude 等，看看哪些解決方案（你的和競爭對手的）出現。
反向工程：分析為什麼某些產品會被推薦。它們發布了什麼內容？它們從哪裡獲得引用？這就是你的路線圖。

重大轉變：上下文為王

讓我們簡化過渡：

Google SEO：需求主要存在於關鍵字中。
LLM SEO：需求主要存在於上下文中。

上下文——特定的使用案例、用戶的潛在目標、所做的比較——在每月的搜索量報告中並不會整齊地顯示出來。它會被提及、理解和記住，由 AI 進行處理。

適應這一點需要我們在思考內容、可見性和衡量成功的方式上進行根本性的轉變。這是具有挑戰性的，沒錯，但也是極其令人興奮的。那些擁抱這一變化並學會有效影響 LLM 需求的企業將成為明日的領導者。

讓我們一起擁抱搜索的未來。