目錄
從刪除到取代：AI 搜尋時代的聲譽修復新思維
當負面新聞不再只是「搜尋結果」
去年秋天，我一位在餐飲業經營了十五年的朋友老陳，凌晨三點傳訊息給我。不是問候，而是一張截圖。截圖裡，Google 搜尋他餐廳名稱，AI Overview 直接在頁面頂端總結：「這家餐廳曾發生食物中毒事件，顧客評價兩極，建議謹慎前往。」底下附了兩則新聞連結，一則是三年前的食安稽查報導，另一則是某位顧客在社群上的抱怨文。
老陳盯著那行字看了很久。那場食安事件其實是供應商的疏失，當時已經完成改善，衛生局複查也通過，新聞稿都發了。但 AI 不讀新聞稿。AI 讀的是那篇三年前的報導，讀的是底下幾則情緒性的評論，然後用一個冷靜、客觀、幾乎無法反駁的語氣，把你的十五年心血濃縮成一句「建議謹慎前往」。
他問我：「能不能把這些新聞刪掉？花多少錢都可以。」
我回他：「刪不掉的。就算你真的透過某種途徑讓那篇新聞下架，AI 早就學過了。更何況，還有備份、截圖、轉載、論壇討論串。你面對的不是一個網頁，而是一個已經被訓練進模型裡的記憶。」
這就是現在的現實。我們過去談網路聲譽管理，談的是搜尋引擎第一頁的十個藍色連結。公關公司教你：「壓下去。」用新聞稿、用 SEO、用正面內容把負面連結擠到第二頁、第三頁。這個邏輯在傳統搜尋時代勉強行得通，因為使用者有「選擇權」——他會看到十個連結，可能點進去三個，用自己的判斷力決定要相信什麼。
但 AI Overview 改變了遊戲規則。它直接給答案。那個答案通常是三段話，帶著一種權威的、總結的語氣，使用者連點進原文的動機都沒有。更可怕的是，這個答案會被語音助理朗讀出來，會被複製貼上到對話框裡，會成為「事實」的代稱。
所以問題來了：當 AI 成為資訊的守門人，當負面新聞不再只是躺在搜尋結果裡的連結，而是被 AI 主動提煉、總結、甚至「理解」後重新輸出，我們該怎麼辦？
這篇文章要談的，不是如何「刪除」負面內容——那條路在 AI 時代已經越走越窄。我要談的是「取代」。不是用正面新聞去「蓋過」負面新聞，而是用更完整、更立體、更符合 AI 理解邏輯的內容架構，去重新定義 AI 對你或你的品牌的「認知」。
這是一場從被動防守到主動建構的思維革命。
第一部分：理解 AI 如何「看見」你的過去
1.1 AI Overview 不是搜尋引擎，是答案引擎
很多人到現在還把 Google AI Overview 當成「進階版的搜尋結果頁」，這是個致命的誤解。傳統搜尋引擎做的是「檢索」——它幫你從幾百億個網頁裡找出可能相關的，排個順序，呈現給你。至於這些資訊對不對、完不完整、有沒有偏見，那是使用者自己的事。
AI Overview 做的是「生成」。它讀取數十個甚至數百個來源，然後用自己的語言重新組織成一段連貫的敘述。這個過程裡，它會做取捨：哪些資訊重要、哪些可以忽略、哪些需要並列呈現、哪些需要強調因果。換句話說，AI 不只是呈現「有什麼」，它在呈現「這意味著什麼」。
這個差別有多大？想像一下，傳統搜尋結果頁呈現負面新聞，使用者看到的是標題：「XX 公司產品檢驗不合格」。他可能點進去看，發現是邊境抽查的某一批次，後續已經改善。但 AI Overview 可能會這樣寫：「XX 公司多次被檢驗出產品不合格，雖然宣稱已改善，但消費者信心持續低迷。」
注意到差別了嗎？AI 把時間軸壓縮了，把「曾經發生」變成了「持續存在」的暗示。它還加了一個搜尋結果裡沒有的元素：「消費者信心低迷」——這可能是從某篇評論或論壇討論裡摘出來的情緒性描述，但在 AI 的總結裡，它變成了跟「檢驗不合格」同等級的事實陳述。
1.2 訓練資料與即時檢索的雙重夾擊
要理解 AI 為什麼這樣「看」你，得先理解它的兩個資訊來源。
第一個是「訓練資料」。大型語言模型在訓練時吃進了整個網際網路的文字，包括新聞、論壇、維基百科、社群媒體。這些資料有時間戳，但模型本身對「時間」的理解很模糊。三年前的食安新聞和昨天的新聞稿，在模型的向量空間裡可能距離很近，因為它們都包含「XX 餐廳」、「食物中毒」、「衛生局」這些關鍵詞。模型不會自動判斷「這個比較舊，所以比較不重要」——除非後續的內容明確建立了時間線和因果關係。
第二個是「即時檢索」。AI Overview 在生成答案前，會先進行即時搜尋，抓取最新的網頁內容。這理論上應該能補充訓練資料的不足，但問題在於：如果網路上關於你的最新內容，仍然是那篇三年前的新聞，或是各種轉載、引用、評論，那 AI 抓到的「最新」內容，其實還是舊的負面資訊。
這就形成了雙重夾擊：模型記得你的負面歷史，即時檢索又找不到足夠的正面新內容來平衡或更新這個認知。AI 沒有「這個人已經改過自新」的直覺，它需要被「教育」。
1.3 AI 的「理解」其實是統計與關聯
這裡必須誠實面對一個技術現實：AI 並不「理解」你的品牌，它只是在做極其複雜的統計關聯。當它看到「XX 公司」這個詞，它會同時激活一系列相關的概念向量：產品、創辦人、股價、爭議、負評、獲獎。這些向量的強度取決於訓練資料裡的出現頻率和語境。
如果「XX 公司」在資料裡最常出現的語境是財經新聞裡的「財報亮眼」，那 AI 對這家公司的「認知」就是正面的。但如果最常出現的語境是「客訴」、「裁員」、「產品瑕疵」，那即使公司後來做了很多好事，只要這些好事在網路上的「訊號強度」不夠強，AI 的默认聯想仍然是負面的。
這就是為什麼「刪除」策略失效。你刪掉一個網頁，只是減少了一個訊號來源。但模型已經學過了，其他網站可能還有備份、引用、評論。更何況，刪除本身在公關邏輯裡常常適得其反——它會製造新的話題：「聽說 XX 公司花錢刪新聞」，這反而增加了負面訊號的擴散。
第二部分：傳統聲譽管理的盲點與困境
2.1 刪除請求的現實困境
我見過太多企業主或個人，第一時間的反應就是找律師發存證信函，要求媒體撤稿。這在特定情況下（比如明顯的誹謗、錯誤報導）是有法律依據的，但執行層面困難重重。
首先是媒體的立場。新聞媒體通常有編輯獨立性的堅持，除非報導確實存在重大事實錯誤，否則不會輕易撤稿。很多媒體會在文末加一則「後續發展」或「澄清說明」，但原始報導的網址通常保留，因為對媒體來說，修改歷史紀錄等同於損害自身的公信力。
其次是網路的擴散性。一篇新聞被轉載到入口網站、論壇、社群、部落格，甚至國外的內容農場。你要一一追蹤、一一發函？成本之高，幾乎只有大型跨國企業才負擔得起。而且很多轉載網站架設在法律管轄不易的地區，根本不理你。
最後是所謂的「史翠珊效應」（Streisand Effect）。你越是試圖隱藏某個資訊，越是引起公眾好奇，反而讓那個資訊傳播得更廣。在 AI 時代，這個效應被放大了——因為 AI 會讀取所有關於「XX 公司 刪除 新聞」的討論，然後把「試圖刪除負面新聞」這個行為，也納入對你的「認知」裡。
2.2 SEO 壓制策略的式微
傳統的 SEO 壓制策略是什麼？大量產製正面內容——新聞稿、部落格、社群貼文、維基條目——用關鍵字堆疊和連結操作，把正面內容拱上搜尋第一頁，把負面內容擠下去。
這個策略在十年前確實有效，因為 Google 的排名演算法相對單純，連結數量和關鍵字密度是重要指標。但現在？Google 的演算法已經進化到能辨識低品質的內容農場，AI Overview 更是直接跳過排名邏輯，自己生成答案。
更關鍵的是，AI Overview 的資料來源不一定只取前幾名搜尋結果。它會讀取更多頁面的內容來建立全面的理解。這意味著，就算你成功把負面新聞擠到第三頁，AI 在生成答案時仍然可能抓取到它，因為 AI 的檢索深度比人類使用者深得多。
而且，傳統 SEO 壓制產生的內容，往往品質堪慮。公關公司為了快速上稿，常常生產大同小異的「罐頭文章」，內容空洞，充滿「我們致力於提供優質服務」這類毫無資訊量的句子。這種內容在人類讀者眼裡就是廢話，在 AI 眼裡也同樣是低權重訊號——因為它沒有提供新的、具體的、可信的資訊來改變 AI 的認知。
2.3 為什麼「澄清聲明」常常沒用
很多組織在面對負面新聞時，會發布正式的澄清聲明或聲明稿。這在傳統公關裡是標準流程，但在 AI 時代有個結構性的弱點。
聲明稿的語言通常很制式：「對於媒體報導，本公司鄭重澄清…」、「本公司一向秉持最高標準…」。這種語言在訓練資料裡出現頻率極高，幾乎所有企業的聲明稿都長這樣。對 AI 來說，這種高度雷同的語言模式，權重會被稀釋。它無法從中提煉出「這家公司跟別人不一樣」的特徵。
另一方面，聲明稿通常是「防守性」的。它在回應一個負面敘事，而不是建立一個新的正面敘事。在 AI 的語意分析裡，「防守」和「負面」往往被歸在同一個語境叢集裡。換句話說，你每發一篇聲明稿，AI 就又多了一個「XX 公司 + 爭議」的訊號，即使你的本意是澄清。
我觀察到一個現象：很多企業的聲明稿頁面，在 AI Overview 裡根本沒被引用。AI 引用的是那篇原始負面新聞，加上幾篇第三方評論。為什麼？因為聲明稿通常放在企業官網的「新聞中心」裡，頁面結構單薄，缺乏外部連結引用，也缺乏結構化標記告訴 AI「這是官方回應」。在 AI 的判斷裡，一篇被大量第三方引用的負面新聞，可信度遠高於一篇孤懸在官網上的聲明稿。
第三部分：取代思維——重新定義 AI 對你的認知
3.1 從「消除痕跡」到「重寫敘事」
既然刪除不可行、壓制效果有限、澄清容易被忽略，那我們還能怎麼辦？
答案藏在問題的反面。與其問「如何讓 AI 看不到負面新聞」，不如問「如何讓 AI 在談到我時，優先想到什麼」。
這就是「取代」的核心：不是消除舊的記憶，而是用更強、更清晰、更立體的新記憶去覆蓋、去重新框架。人類的大腦也是這樣運作的——你對一個人的印象，不是由他做過的所有事平均決定的，而是由「你最常想到的那些事」決定的。AI 雖然不是人腦，但在這個層面上有類似的統計特性。
「取代」不是造假。它不是要你編造不存在的正面事蹟，而是要你把確實存在、但訊號不夠強的正面事實，用正確的內容架構和傳播策略，放大到足以讓 AI 優先採用的程度。
舉個具體例子。假設你是一位曾被報導涉及財務糾紛的創業者。傳統做法是發聲明稿說「報導與事實不符」。取代思維的做法是：在未來十八個月裡，持續在公開場合（且是可被網路索引的場合）談論你現在的創業項目、團隊文化、對產業的觀察、甚至你從過去事件學到的教訓。這些內容要具體、要有細節、要包含時間地點人物、要出現在不同類型的平台上——產業媒體專訪、Podcast、LinkedIn 長文、技術部落格、會議演講逐字稿。
目標是：當 AI 檢索你的名字時，它抓到的最新、最豐富、最多樣的內容，都是關於「你現在是誰、在做什麼、有什麼價值」，而不是「你三年前發生過什麼事」。
3.2 建立「認知錨點」
「認知錨點」是我觀察 AI 行為後自創的詞。它指的是：當 AI 在生成關於你的答案時，會自動關聯到的核心概念標籤。
每個人、每個品牌在 AI 的「認知」裡都有錨點。可能是「創新」、「爭議」、「可靠」、「便宜」、「問題企業」。這些錨點不是單一事件決定的，而是長期訊號累積的結果。傳統聲譽管理失敗的原因，往往是只處理「事件」層面，沒有處理「錨點」層面。
舉例來說，某家食品公司因為一次添加物風波被報導。事件層面的處理是：澄清添加物合法、流程合規。但錨點層面的問題是：AI 對這家公司的認知錨點可能從「傳統美食」滑向了「食安疑慮」。如果你不主動建立新的錨點，比如「透明供應鏈」、「第三方認證」、「主動公開檢驗報告」，那 AI 在總結這家公司時，默认框架仍然是「雖然有過爭議，但…」。
「雖然…但…」這個句型很要命。它把負面放在主句，正面放在從句，語意重心仍然是負面的。你要追求的，是讓 AI 的默认句型變成「這是一家在供應鏈透明度上領先同業的公司，曾經歷過添加物爭議但已全面改善」。注意到差別了嗎？主句是正面錨點，負面變成了補充說明。
建立認知錨點需要時間，通常需要六到十八個月的持續內容投放。但它一旦建立，效果比任何單一事件都持久。
3.3 內容的多維度與立體化
AI 對「可信度」的判斷，某種程度上跟人類類似：它喜歡立體的、多維度的、有細節支撐的敘事，而不是單薄的、重複的、口號式的宣傳。
什麼叫立體？想像你要讓 AI「認識」一位醫師。單薄的內容是：「王醫師是資深心臟科醫師，醫術高明，深受患者信賴。」這種句子在網路上有幾百萬個變體，AI 無法從中建立獨特認知。
立體的內容是：「王醫師在台大醫院完成心臟外科訓練後，於 2015 年創立了專注於微創手術的團隊。他在 2019 年發表了關於左心耳封堵術的術後追蹤研究，收錄於《歐洲心臟期刊》。除了臨床工作，他每週二晚上在個人部落格分享病例討論，並在 2023 年推動了全台首個心臟病患術後遠距照護計畫。」
這段內容給了 AI 什麼？時間線（2015、2019、2023）、具體成就（期刊名稱、手術類型、計畫名稱）、行為模式（每週二部落格）、地點（台大醫院、全台）。這些具體元素讓 AI 能夠建立一個「實在的」人物模型，而不是一個模糊的標籤。
對企業來說，立體化意味著你的內容不能只有「我們很棒的產品」。你需要有：
- 技術維度：產品如何運作、用了什麼技術、解決了什麼產業痛點
- 人物維度：創辦人故事、團隊組成、員工訪談
- 數據維度：具體的成長數字、使用者數、市佔率、減碳成效
- 第三方維度：客戶案例、產業分析師評價、學術引用、獎項認證
- 時間維度：發展歷程、里程碑、從錯誤中學習的過程
當這五個維度的內容在網路上以足夠的數量和品質存在時，AI 在總結你時，自然會採用一個更豐富、更平衡的敘事框架。因為它有「料」可用。
第四部分：內容取代策略的具體執行架構
4.1 資產盤點：你現在擁有什麼？
在開始任何內容生產之前，必須先做一件很多人跳過的事：盤點你現有的「數位資產」。
這裡說的資產，不是指專利或商標，而是指所有已經存在於網路上、可以被 AI 索引的內容。包括：
表格
| 類別 | 具體項目 | 檢視重點 |
|---|---|---|
| 官方資產 | 官網、官方部落格、新聞稿、投資人關係頁 | 結構是否清晰？有無結構化標記？內容是否過期？ |
| 社群資產 | LinkedIn、Facebook、Twitter/X、Instagram | 公開貼文的數量與品質？有無長文內容？互動率如何？ |
| 第三方資產 | 媒體報導、產業分析、Podcast 訪談、論壇討論 | 正面與負面的比例？最新內容是什麼時候？ |
| 知識資產 | 白皮書、研究報告、專利文件、會議簡報 | 是否公開可索引？有無 PDF 文字層？ |
| 評價資產 | Google 評論、Trustpilot、產業平台評價 | 平均星等？回覆策略？負評的內容與比例？ |
盤點的目的是找出「訊號缺口」。你可能發現，你的官方網站內容很豐富，但完全沒有結構化資料，AI 讀不懂。或者你的第三方報導很多，但都是五年前的舊聞。或者你有很棒的 Podcast 訪談，但平台沒有提供逐字稿，AI 根本無法索引聲音內容。
這個盤點要誠實。不要只看數量，要看品質、要看時間分布、要看內容的「AI 可讀性」。
4.2 內容矩陣：四大類型的戰略配置
取代策略需要系統性的內容生產。我通常建議建立一個「內容矩陣」，把內容分成四大類，各自承擔不同的戰略功能：
第一類：基礎事實內容（Foundation）
這是讓 AI「認識」你的基本資料。不是宣傳，而是事實的、中性的、結構化的資訊。
具體包括：
- 完整的「關於我們」頁面，包含成立時間、地點、創辦人姓名、核心團隊、服務範圍
- 時間軸形式的發展歷程
- 產品或服務的技術規格頁
- 常見問題頁面（FAQ）
這類內容的關鍵是「不可爭議」。它不提供觀點，只提供事實。為什麼重要？因為 AI 在判斷可信度時，會尋找「基線事實」來校準。如果你的基本資料在網路上是碎片化的、矛盾的、過時的，AI 對你的整體信任度就會下降，進而更傾向採用負面敘事作為「平衡」。
寫作原則：具體、有數字、有日期、有人名。避免形容詞堆疊。
第二類：觀點領導內容（Thought Leadership）
這是建立認知錨點的核心武器。不是談「我們多棒」，而是談「我們如何看待這個產業、這個問題、這個趨勢」。
具體形式：
- 產業趨勢分析長文（2000 字以上）
- 技術白皮書
- 創辦人或高階主管的專欄文章
- 會議演講的完整逐字稿
- 對產業爭議議題的深入評論
這類內容的價值在於「獨特性」。AI 在訓練時見過無數篇「我們致力於客戶滿意」，但很少見到一篇深入分析「為什麼台灣的 SaaS 產業難以突破百億市值」的文章——如果你的觀點確實有見地。
寫作原則：要有立場、要有論證、要有案例、要有預測。不要害怕爭議，但要基於事實和邏輯。AI 能辨識出空洞的公關話術和實在的產業洞察。
第三類：社會證明內容（Social Proof）
這是讓 AI「相信」你的外部驗證。
具體形式：
- 客戶成功案例（具名、有數據、有過程）
- 第三方研究機構的引用
- 產業獎項的完整說明（不只是「我們得獎了」，而是「這個獎評選標準是什麼、我們為什麼符合、評審說了什麼」）
- 學術合作或引用
- 非營利組織的夥伴關係
關鍵在於「可追蹤」。AI 喜歡能夠交叉驗證的資訊。如果你說「獲得 XX 獎項」，AI 會去檢查頒獎單位的網站是否有你的名字。如果你說「客戶滿意度 95%」，AI 會尋找調查方法、樣本數、執行單位。如果找不到，這個訊號的權重就會被打折。
第四類：對話與互動內容（Dialogue）
這是最容易被人忽略，但對 AI 越來越重要的一類。
具體形式：
- 官方對使用者評論的詳細回覆（不是制式的「謝謝您的意見」，而是針對問題的具體回應）
- 社群媒體上的問答串
- 論壇裡的專業回答（如 Reddit、Quora、PTT、Dcard 的相關討論）
- 線上研討會的 Q&A 紀錄
這類內容的價值在於「自然語言」和「互動性」。AI 在訓練時大量學習了對話資料，對話形式的內容在語意理解上往往比正式新聞稿更「真實」。一篇你在論壇裡認真回答使用者技術問題的長文，可能比十篇官網新聞稿更能說服 AI「這個人/這家公司確實懂這個領域」。
4.3 發布平台的策略選擇
內容要放在哪裡？這是個戰略問題，不是「到處貼就對了」。
我建議採用「核心-衛星」架構：
核心層（Hub）：你自己的官方網站與官方部落格。這是你完全控制的領地，應該存放最完整、最權威的內容。官網必須做好技術優化（後面會談），確保 AI 能輕鬆讀取。
衛星層 1（Authority Satellites）：高權威性的第三方平台。對企業來說是 LinkedIn、產業媒體、知名部落格平台（如 Medium 的特定 Publication）。對個人來說是專業社群、學術平台、產業協會網站。
這類平台的價值在於「借權威」。AI 對不同網域有不同的信任權重。一篇發在知名財經媒體的分析，訊號強度通常高於發在你個人部落格的同主題文章。但要注意：高權威平台通常編輯標準較嚴，內容必須有實質價值，不能是軟文。
衛星層 2（Long-tail Satellites）：垂直論壇、問答平台、社群媒體、評價網站。
這類平台的價值在於「覆蓋度」和「語境多樣性」。AI 喜歡看到同一個主體在不同語境下被討論。如果關於你的討論只出現在官網和兩家媒體，AI 會覺得「訊號來源單一」。如果出現在技術論壇、消費者評價、產業分析、社群問答，AI 會認為「這個主體有廣泛的社會存在」。
但這裡有個陷阱：不要為了發文而發文。在低品質平台大量張貼重複內容，會被 AI 視為垃圾訊號，反而損害你的可信度。
4.4 時間節奏與持續性
取代策略最忌諱的就是「一波流」。很多企業在危機發生後，花一個月密集發了十篇新聞稿，然後就停了。這種模式在 AI 的認知裡會留下奇怪的痕跡：「這個主體在 2024 年 3 月有大量內容湧現，之後歸於沉寂。」這反而強化了「危機公關」的印記，而不是「持續發展」的印記。
理想的節奏是「穩定脈衝」：
表格
| 時間軸 | 內容類型 | 頻率 |
|---|---|---|
| 第 1-3 個月 | 基礎事實內容更新 + 官方回應/澄清 | 每週 1-2 篇 |
| 第 4-6 個月 | 觀點領導內容 + 第三方專訪 | 每兩週 1 篇深度內容 |
| 第 7-12 個月 | 社會證明內容 + 長期專案成果 | 每月 2-3 篇 |
| 第 13-18 個月 | 對話互動內容 + 產業趨勢跟進 | 持續維護，即時回應 |
這個時間軸的前提是：內容必須有「新聞價值」或「知識價值」，不能是為了填滿時間表而硬擠出來的。如果沒有那麼多事可說，寧可減少頻率，提高單篇品質。
第五部分：技術層面的優化細節
5.1 讓 AI 讀得懂的網頁結構
你可能寫了一篇絕世好文，但如果網頁的技術結構不對，AI 根本讀不到，或者讀錯。
AI 讀取網頁的方式跟人類不同。人類看排版、看圖片、看整體視覺。AI 看的是 HTML 標記、結構化資料、文字層次。以下是幾個關鍵的技術優化：
標題層級（H1, H2, H3）的語意化
很多人把 H 標籤當作「字體大小控制工具」，這是錯的。H1 應該是頁面的核心主題，一頁只有一個。H2 是主要章節，H3 是子章節。這個層級結構就是 AI 理解文章架構的「大綱」。
一篇關於「供應鏈轉型」的文章，理想的標題結構應該是：
- H1: 從在地採購到全球布局：XX 食品的供應鏈轉型之路
- H2: 2019 年的轉捩點：為什麼我們決定改變
- H3: 單一供應商的風險評估
- H3: 消費者對透明度的需求調查
- H2: 新供應鏈架構的三大支柱
- H3: 產地直送系統的建立
- H3: 第三方檢驗機制的導入
- H3: 數位追蹤平台的開發
- H2: 成效數據與未來規劃
這個結構讓 AI 一眼就能理解：這篇文章在講一個轉型故事，有背景、有方法、有結果。如果你的 H2 是「關於我們」、「最新消息」、「聯絡我們」這種導覽列文字，AI 會困惑：這頁面到底在講什麼？
結構化資料標記（Schema.org）
這是技術優化裡最重要、也最容易被忽略的一環。Schema.org 是一套標準化的詞彙，讓你告訴搜尋引擎和 AI：「這個區塊是什麼意思。」
對聲譽管理最有用的幾種標記：
- Organization / Person：標記官方名稱、替代名稱、網址、社群媒體連結、聯絡方式。這幫助 AI 確認「這個頁面講的是同一個主體」。
- Article / NewsArticle：標記文章標題、作者、發布日期、修改日期、發布者。日期尤其重要——AI 需要知道這是最新的資訊。
- FAQPage：標記常見問答。這對 AI Overview 極其重要，因為 AI 在回答使用者問題時，會優先抓取有 FAQPage 標記的內容。
- Review / AggregateRating：標記評價和平均星等。但注意：必須是真實評價，不能造假。
- Event：如果你舉辦了記者會、發表會、線上研討會，用 Event 標記可以讓 AI 理解「這個主體在特定時間做了這件事」。
實作上，這些標記通常用 JSON-LD 格式放在網頁的 <head> 區塊。如果你不懂程式碼，可以請網站工程師協助，或使用 CMS 的外掛（如 WordPress 的 Yoast SEO、Rank Math）。
內部連結的語意網絡
AI 理解一個網站的方式，某種程度上就像人類理解一本書：它會看目錄、看章節之間的引用、看概念的關聯。內部連結就是這個「引用系統」。
不要只把內部連結當作「相關文章推薦」。每一個內部連結的錨點文字（anchor text），都應該是對目標頁面內容的準確描述。
例如，與其寫「點擊這裡了解更多」，不如寫「我們的第三方檢驗認證流程」。後者告訴 AI：這個連結指向的頁面，是關於「第三方檢驗認證」的。
理想的狀態是：你的核心頁面（如「關於我們」）被多個子頁面用不同的、但語意相關的錨點文字連結到。這會強化 AI 對該頁面主題的理解。
5.2 內容的可索引性與可讀性
PDF 的文字層問題
很多企業喜歡發布 PDF 格式的白皮書、年報、新聞稿。但 PDF 有個大問題：如果它是掃描圖片轉成的，裡面沒有文字層，AI 根本讀不懂。它只看到一張圖片，上面可能有文字，但無法提取。
解決方案：所有 PDF 必須是「文字型 PDF」，不是「圖片型 PDF」。如果你不確定，試著用滑鼠選取 PDF 裡的文字。如果選得起來，就是文字型；如果選不起來，就是圖片型，需要重新製作。
圖片的替代文字（Alt Text）
AI 目前對圖片的理解能力越來越強，但對於出現在網頁上的圖片，替代文字仍然是重要的語意線索。不要寫「圖片 1」、「image_002」，要寫「2024 年第三季營收成長趨勢圖」或「創辦人張三在 2023 年產業峰會發表演說」。
這些描述不僅幫助視障使用者，也幫助 AI 建立「這張圖片在這個語境裡代表什麼」的認知。
行動裝置的呈現
Google 已經全面採用「行動優先索引」（Mobile-first Indexing）。這意味著 AI 在評估你的網頁時，看的是行動版呈現，而不是桌面版。如果你的行動版網頁把重要內容藏在「點擊展開」的折疊選單裡，或者載入速度極慢，AI 可能無法完整讀取內容。
5.3 速度、安全與可及性
這三個技術因素不直接影響內容品質，但會影響 AI 對你網站的整體信任評分。
載入速度：AI 檢索網頁時有時間預算。如果你的頁面超過三秒才載入，AI 可能會放棄，或者只讀取到部分內容。壓縮圖片、啟用快取、使用 CDN，都是基本工。
HTTPS：沒有 SSL 憑證的網站，在 AI 的信任評分裡會被打折。這是基本門檻，不是加分項。
可及性（Accessibility）：符合 WCAG 標準的網站，通常結構也更清晰，對 AI 更友好。例如，足夠的顏色對比、鍵盤導航支援、正確的 ARIA 標記，這些都是「結構良好」的訊號。
第六部分：長期維護與監控機制
6.1 建立你的「AI 鏡子」
你無法管理你看不見的東西。在取代策略裡，第一步是建立持續監控機制，知道 AI 現在「怎麼看你」。
具體做法：
定期搜尋實驗：每週或每兩週，用不同的關鍵字組合在 Google 搜尋你的名字或品牌名，觀察 AI Overview 的內容。記錄下來。注意不是只看有沒有出現，而是看：
- AI 用了什麼句型？
- 引用了哪些來源？
- 正面與負面資訊的比例？
- 有沒有出現你不認同的「事實」？
建議用無痕視窗進行，避免個人化搜尋結果的干擾。也可以請不同地區的朋友幫忙搜尋，看是否有地域差異。
關鍵字組合的擴展：不要只搜尋「XX 公司」。要搜尋：
- 「XX 公司 評價」
- 「XX 公司 爭議」
- 「XX 公司 創辦人」
- 「XX 公司 產品」
- 「XX 公司 vs 競爭對手」
- 「XX 公司 2024」
不同的關鍵字組合會觸發 AI 不同的認知面向。你可能發現，搜尋「XX 公司」時 AI 給的是中性介紹，但搜尋「XX 公司 評價」時，AI 就會引用那篇負面新聞。
使用追蹤工具：雖然沒有專門追蹤 AI Overview 的免費工具，但你可以用傳統的 SEO 監控工具（如 Ahrefs、SEMrush、Moz）追蹤你的品牌關鍵字排名和提及量。更重要的是設定「Google Alerts」，當有新的網頁提到你的名字時，你會收到通知。
6.2 回應與調整的敏捷性
當你發現 AI Overview 出現了錯誤或過時的資訊，該怎麼辦？
不要公開抱怨「AI 亂寫」。這種抱怨會被索引，成為新的負面內容。而且 AI 可能會讀到你的抱怨，然後在總結裡加上「XX 公司認為 AI 的報導不實」——這聽起來很像你在狡辯。
正確的做法是：生產更正確、更完整、更新的內容，讓 AI 在下次檢索時抓到。
舉例來說，如果 AI 引用了一篇兩年前的報導，說你的產品有某個缺陷。而這個缺陷其實在一年前就已經透過韌體更新解決了。你應該做的是：
- 在官網的產品支援頁面，建立一個清晰的「韌體更新紀錄」頁面，列出每次更新的日期、版本號、修正項目。用結構化資料標記。
- 發布一篇技術部落格，詳細說明那個缺陷的根因、你們如何發現、如何修正、修正後的測試結果。包含具體的數據和時間。
- 在相關的技術論壇或問答平台，回答使用者關於這個缺陷的問題，附上官方解決方案的連結。
- 如果媒體願意，安排一次專訪，主題是「從產品缺陷到品質升級：我們學到了什麼」。
這四個動作的目的，是在網路上建立一個「新的、更完整的敘事層」，讓 AI 在生成答案時，有足夠的素材來呈現「這個問題已經被解決」的事實，而不是只能引用那篇舊的缺陷報導。
6.3 建立內容的「保鮮期」管理
內容會過期。一篇 2022 年的產業分析，到了 2024 年可能數據全錯了。如果 AI 引用這篇過期內容，會損害你的可信度。
建立內容保鮮機制：
- 日期標記：每篇文章明確標示發布日期和最後更新日期。
- 年度回顧：每年發布一篇「年度回顧與展望」，總結過去一年的發展，自然取代舊的年度資訊。
- 常青內容（Evergreen Content）的維護：對於基礎事實類的內容（如「關於我們」），每半年檢查一次，確保資訊最新。
- 過期內容的處理：如果某篇舊文確實過時了，不要直接刪除（會產生 404 錯誤，AI 會困惑），而是更新它，或在頁面頂端加一個醒目的「更新提示」，連結到最新的相關內容。
6.4 危機預演與內容儲備
聰明的組織會做「危機預演」：假設某種負面事件發生，我們有哪些內容可以立即發布？
這不是要你寫好「道歉聲明」等著用（那太制式了），而是要建立一套「快速內容生產協議」：
- 預先盤點好可以立即動員的發言人與專家
- 預先建立與關鍵媒體和意見領袖的關係
- 預先規劃好不同情境下的核心訊息（Key Messages）
- 預先訓練團隊，確保危機發生後 24 小時內就能產出第一篇深度回應，而不是等公關公司寫稿
在 AI 時代，速度很重要。因為 AI 會持續檢索最新內容。如果你在危機發生後的第一週就能建立完整的正面敘事，AI 的認知基線就會從一開始就比較平衡。如果你拖了一個月才回應，AI 已經在這一個月裡讀了幾百篇負面討論，你要取代的難度就高得多。
第七部分：產業案例分析
7.1 案例一：餐飲品牌的食安風波重建
這是我親身參與輔導的案例（細節已改編以保護客戶隱私）。
一家連鎖火鍋店在 2022 年遭遇食安風波，某分店被媒體報導食材保存溫度異常。報導在網路上發酵，Google AI Overview 在搜尋品牌名時直接總結：「該品牌曾發生食安問題，引發消費者疑慮。」
傳統做法可能是發聲明稿、找網紅洗版。但我們選擇了取代路徑。
第一階段（0-3 個月）：基礎重建
- 全面改版官網，新增「食材溯源」專區。每項主要食材都有獨立頁面，說明產地、供應商名稱、檢驗報告、保存溫度規範。用 Schema.org 的 Product 和 Organization 標記。
- 在「關於我們」頁面加入完整的時間軸，包括 2022 年事件後的所有改善措施，每項措施都有具體日期和負責人。
- 建立 FAQ 頁面，直接回答「2022 年食安事件的後續處理」、「現在的食材保存流程」、「如何查詢各分店檢驗報告」。用 FAQPage 結構化標記。
第二階段（4-9 個月）：觀點領導
- 創辦人在產業媒體發表系列專欄，主題不是「我們很安全」，而是「台灣連鎖餐飲的冷鏈管理現況與挑戰」。文章引用數據、分析產業痛點、提出解決方案，完全不提自己的品牌，只在作者簡介裡註明身份。
- 技術長在工程師社群分享「我們如何開發 IoT 溫度監控系統」的技術細節，包括硬體選型、API 設計、異常警報邏輯。這篇文章在技術論壇獲得大量討論和轉載。
- 舉辦「供應鏈透明化」線上研討會，邀請供應商、第三方檢驗機構、同業參與。會後發布完整逐字稿和白皮書。
第三階段（10-18 個月）：社會證明與對話
- 主動邀請美食部落客和食安專家「突擊檢查」分店，全程直播。不是作秀，而是真的開放後場，讓他們隨機指定檢查項目。
- 在 Google 評論和各大美食平台，對每則評論（包括負評）做詳細回覆。對於提到食安的評論，回覆中包含具體的改善措施和數據，而不是制式道歉。
- 與非營利食安教育組織合作，推出「食安小學堂」系列內容，教消費者如何辨識食材新鮮度。
結果：十八個月後，搜尋品牌名稱的 AI Overview 變成了：「XX 火鍋是台灣連鎖餐飲品牌，以食材溯源透明化著稱，曾於 2022 年經歷食安事件後全面導入 IoT 監控系統，並推動產業冷鏈標準升級。」
負面資訊沒有消失，但它被重新框架了。它不再是「這家品牌有問題」，而是「這家品牌從問題中學習並推動了產業進步」。認知錨點從「食安疑慮」轉移到了「透明化領導者」。
7.2 案例二：科技新創的創辦人爭議
一位科技新創創辦人（化名李維）在 2021 年因為與前合夥人的股權糾紛被媒體報導。報導內容複雜，涉及商業機密和個人恩怨，難以簡單定義誰對誰錯。但 AI Overview 的總結是：「李維曾涉及股權糾紛，商業信譽受質疑。」
這對他的新創募資造成極大困難。投資人搜尋他的名字，AI 直接給出負面總結，連他的新創公司在做什麼都沒提到。
策略分析：這個案例的難度在於，股權糾紛是法律事件，不能簡單用「澄清」來處理。而且法律文件通常是公開的，AI 可以讀取判決書或起訴書的摘要。
我們採取的取代策略，核心是「放大新創的技術價值，建立獨立的技術領導者形象」。
執行重點：
- 技術內容的密集輸出：李維開始在個人部落格和 GitHub 發布技術文章，主題是他新創公司在做的 AI 晶片架構。不是泛泛而談，而是深入到編譯器優化、記憶體配置、功耗分析的技術細節。這些文章被技術社群廣泛轉載和討論。
- 學術連結：他將公司的部分研究成果投稿到頂尖會議（雖然不是以他個人名義，但他在作者簡介和訪談中被提及為研究發起人）。學術論文被引用，產生了高權重的第三方訊號。
- Podcast 與公開對話：他接受了多個科技 Podcast 的訪談，但訪談主題不是「我的清白」，而是「台灣 AI 晶片產業的機會與挑戰」。在訪談中，他自然帶到公司的願景和團隊文化。
- 團隊敘事：我們協助媒體撰寫了幾篇「團隊專訪」，主角不是李維，而是他的技術團隊。透過團隊成員的視角，呈現公司的技術實力和工作氛圍。這創造了「去中心化」的正面敘事，減少對李維個人名聲的依賴。
- 時間標記的強化：所有內容都明確標示 2023-2024 年的時間框架，與 2021 年的舊事件在時間軸上拉開距離。
結果：一年後，搜尋「李維」的 AI Overview 變成了：「李維是台灣 AI 晶片新創公司 XX 的創辦人，專注於邊緣運算架構，其技術部落格在開發者社群有廣泛影響力。他曾在 2021 年涉及前公司的股權糾紛。」
雖然股權糾紛仍然被提及，但它變成了簡短的一句補充，主句是「AI 晶片新創公司創辦人」和「技術部落格有影響力」。對投資人來說，這個敘事已經足夠讓他們願意進一步了解公司，而不是直接被 AI 的負面總結嚇退。
7.3 案例三：傳統製造業的轉型敘事
一家有四十年歷史的傳統製造業，因為 2020 年的環保違規被罰款，新聞在地方媒體報導後，成為 AI Overview 裡的固定元素。搜尋公司名稱，AI 總結：「XX 製造曾因環保違規被處罰，近年積極轉型。」
「曾因…被處罰」放在句首，「積極轉型」放在句尾，語意重心明顯偏負面。
這家公司的挑戰是：傳統製造業很少出現在科技媒體或社群討論中，網路上的內容本來就少，負面新聞的「訊號比例」自然很高。
策略：我們沒有試圖去「對抗」那則環保新聞，而是創造一個全新的敘事維度：「循環經濟的實踐者」。
具體做法：
- 數據透明化：在官網建立「環境永續」專區，每月更新碳排放數據、廢棄物回收率、能源使用效率。不是籠統的「我們重視環保」，而是具體的「2024 年 4 月，A 廠區的廢水回收率達到 87%，較 2020 年的 43% 提升…」。這些數據頁面用結構化標記，讓 AI 可以直接讀取數字。
- 第三方認證的敘事化：取得 ISO 14001 認證不稀奇，但我們協助他們撰寫了「取得認證的過程」系列文章——遇到了什麼困難、如何改造生產線、員工如何重新訓練、認證稽核員提出了什麼挑戰。這種「過程敘事」比「結果宣告」更有說服力。
- 產業媒體的長期專欄：與財經媒體合作，開設「傳統產業轉型」專欄，由總經理執筆。主題包括「老工廠如何導入 AI 品檢」、「四代同堂的家族企業治理」、「如何說服老師傅接受新流程」。這些文章建立了「轉型領導者」的形象，而且因為是專欄形式，持續出現在同一個媒體平台上，累積了權威性。
- 地方社群的參與：公司開始參與地方環保志工活動、學校職涯講座、社區大學的產業課程。這些活動由地方媒體和學校網站報導，創造了「在地好鄰居」的敘事層，與「環保違規」的舊標籤形成對比。
結果：兩年後，AI Overview 變成了：「XX 製造是成立於 1984 年的傳統製造業者，近年以循環經濟轉型聞名，其 A 廠區廢水回收率達 87%，並在財經媒體開設傳統產業轉型專欄。該公司曾在 2020 年因環保問題被處罰。」
主句是「成立於 1984 年的傳統製造業者」和「以循環經濟轉型聞名」，負面資訊被壓縮到最後一句。更重要的是，AI 開始引用他們的具體數據和專欄文章，而不是只引用那則舊新聞。
常見問答（FAQ）
這裡整理我在輔導過程中最常被問到的問題，以及我的實務建議。
Q1：如果我什麼都不做，負面新聞會不會自然被遺忘？
老實說，機率很低。AI 的訓練資料不會「遺忘」，除非有明確的、強度更高的新訊號去覆蓋舊訊號。而且，如果負面新聞是某個重大事件（如食安、財務舞弊、法律糾紛），它在訓練資料裡的「權重」本來就高，更不容易被自然稀釋。
你可以觀察一個現象：很多十年前的大企業醜聞，到現在 AI 仍然記得。因為那些事件被大量報導、分析、引用，訊號強度極高。如果沒有後續的、同等強度的正面敘事，AI 會一直記得。
所以，被動等待不是策略。主動取代才是。
Q2：我可以要求 Google 移除 AI Overview 裡的特定內容嗎？
目前 Google 沒有提供「編輯 AI Overview」的機制給一般使用者。你可以透過「意見回饋」按鈕標示某段內容不準確，但這不會立即生效，也不保證會被採納。
更重要的是，即使某段 AI Overview 被移除或修改，只要底層的網路內容沒變，下次 AI 重新檢索時，可能又會生成類似的總結。治本之道仍然是改變內容生態，而不是針對單一輸出做反應。
Q3：發布大量正面內容會不會被 AI 視為操縱？
這是個好問題。AI 確實在進化出辨識「低品質內容農場」的能力。如果你的「大量正面內容」是：
- 在不同網站貼上幾乎相同的文章
- 內容空洞，只有形容詞沒有事實
- 發布在明顯沒有編輯審查的低品質平台
- 沒有任何外部引用或互動
那麼，AI 很可能會將這些內容降權，甚至視為垃圾訊號。
但反過來，如果你的內容是：
- 每篇都有獨特觀點和具體資訊
- 發布在權威或相關的平台上
- 獲得真實的分享、討論、引用
- 時間分布自然，不是一次性爆發
那麼 AI 會將其視為「這個主體確實有豐富的、正面的活動」，而不是操縱。
關鍵差別在於「品質」和「自然度」。AI 雖然不是人，但它訓練的資料裡包含了人類對「真實內容」和「垃圾內容」的判斷模式。它學會了：真實的內容通常有細節、有時間戳、有作者、有互動、有外部驗證。
Q4：個人品牌和企業品牌，策略上有什麼不同？
核心邏輯相同，但執行細節有差異。
對個人來說，重點在於「觀點領導」和「對話互動」。個人更容易透過 Podcast、社群媒體、專欄文章建立獨特的聲音。個人的「認知錨點」也更容易轉移，因為人的面向很多——你可以同時是工程師、部落客、演講者、志工——這些面向可以共同建立立體形象。
對企業來說，重點在於「數據透明」和「第三方驗證」。企業的敘事需要更嚴謹的事實支撐，因為企業被視為「機構」，機構的話天生被懷疑有公關動機。所以企業更需要客戶案例、獎項認證、學術合作、數據公開來建立可信度。
Q5：如果負面事件是最近發生的，我應該立即大量發布正面內容嗎？
不建議。危機發生後的「靜默期」很重要。如果你在事件爆發後的 48 小時內，突然湧出十篇正面文章，這在人類和 AI 眼裡都很像「危機公關操作」，反而降低可信度。
理想的節奏是：
- 第一週：發布一篇官方回應，聚焦於「事實澄清」和「我們正在做什麼」。不要急著宣傳正面成就。
- 第二到四週：開始出現「過程敘事」——我們如何調查、如何改善、如何與受影響者溝通。
- 第二個月後：逐步引入更廣泛的正面敘事——產業觀點、技術分享、社會參與。
這個節奏模擬了「真實的組織行為」：先處理危機，再恢復正常運作，最後繼續成長。AI 對這種時間線會覺得「自然」。
Q6：維基百科對 AI 的影響力有多大？要不要去編輯維基條目？
維基百科在 AI 訓練資料裡的權重極高，因為它的內容結構清晰、中立性有編輯社群把關、而且被大量外部引用。
但維基百科有嚴格的中立性和來源要求。你不能上去寫「我們是一家很棒的公司」。你只能基於可靠的第三方來源，補充事實性的資訊。
我的建議是：如果你的品牌或個人還沒有維基條目，不要急著創建。維基社群對「自宣傳」很敏感，貿然創建可能被快速刪除，反而留下負面紀錄。
如果你已經有條目，而且裡面確實有不準確或過時的負面資訊，可以：
- 在討論頁提出修改建議，附上可靠的第三方來源
- 不要自己動手改，而是請維基社群的編輯協助
- 同時，在網路上建立更多符合維基「可靠來源」標準的內容（如主流媒體報導、學術引用），讓維基編輯有「料」可以更新條目
記住：維基百科是結果，不是手段。當你在網路上建立了足夠的、可信的正面敘事，維基條目自然會反映這個變化。
Q7：AI 會不會讀取社群媒體的私人貼文？
原則上，AI 只會索引公開的網頁內容。你的 Facebook 私人貼文、私人訊息、不公開的社團討論，不會被 Google 的 AI 直接讀取。
但要注意：
- 社群平台的「公開」設定常常預設為公開，很多人不知道自己的貼文其實任何人都能看到
- 即使 AI 不讀取，其他使用者可能截圖、轉載，讓內容變成公開的
- 某些平台的「半公開」內容（如 Twitter/X 的公開帳號、LinkedIn 的公開貼文）確實會被索引
所以，最基本的原則是：不要假設任何網路上的內容是「私密的」。如果你不想被 AI 讀到，就不要發在公開網路上。
Q8：這個策略需要多少預算？小企業或個人負擔得起嗎？
預算可以非常彈性。核心成本不是「花錢買廣告」，而是「投入時間產出優質內容」。
如果你是一位專業人士，每週花三小時寫一篇技術部落格，發在 LinkedIn 和個人網站，一年下來的成本主要是你的時間，而不是金錢。但效果可能遠勝過花十萬元請公關公司發十篇罐頭新聞稿。
如果你是一家小企業，可以：
- 自己撰寫客戶案例（你本來就有這些故事，只是沒寫下來）
- 鼓勵滿意的客戶在 Google 評論留下詳細評價（免費，但效果極好）
- 參與產業論壇的討論，回答問題（免費，但建立權威性）
- 與其他企業或組織合作，互相引用、共同發布內容（分攤成本）
當然，如果你需要大規模的媒體操作、技術網站改版、結構化資料導入，可能需要聘請專業顧問或工程師。但取代策略的精髓在於「內容品質」而非「預算規模」。一篇真誠、詳細、有洞見的長文，勝過一百篇花錢買的軟文。
Q9：如果負面新聞是事實，而且確實是我的錯，這個策略還有用嗎？
這其實是最有價值的問題。很多人以為「取代策略」是給「被冤枉的人」用的，用來「洗白」。完全不是。
事實上，當負面事件確實發生、而且你有責任時，「取代」策略反而更有效。因為這時候，「刪除」和「否認」會讓你看起來更不可信。人類和 AI 都對「不認錯的犯錯者」有本能的反感。
正確的做法是「承認錯誤 + 展示改變」。這不是公關術語，而是真實的敘事邏輯。
具體來說：
- 不要發「這不是我们的錯」的聲明，而是發「我們確實犯了錯，這是我們學到的教訓」的深度文章
- 不要隱藏錯誤，而是建立專區來追蹤改善進度
- 不要只說「我們改善了」，而是公開具體的數據和第三方驗證
當你這樣做時，AI 會讀到一個「從錯誤中學習並成長」的敘事，而不是「否認錯誤」的敘事。前者會讓 AI 在總結時使用「雖然曾犯錯，但後來…」的句型，後者會讓 AI 使用「試圖否認責任」的句型。哪個對你比較有利，不言而喻。
Q10：這個策略多久能看到效果？
這取決於負面事件的嚴重程度、網路上現有內容的數量、以及你投入內容生產的速度和品質。
一般來說：
- 3 個月：你可能開始看到 AI Overview 的用詞有細微變化，比如引用的來源開始包含你的新內容。
- 6 個月：AI Overview 的結構可能開始調整，負面資訊的比例下降，正面或中性資訊的比例上升。
- 12-18 個月：如果策略執行得當，AI Overview 的主句結構可能發生質變，從「負面為主」轉為「正面為主，負面為補充」。
但要記住：這不是「設定好就忘記」的專案。網路內容是動態的，新的負面訊號可能隨時出現（比如又有人舊事重提、或者新的爭議發生）。所以取代策略應該被視為「持續的數位資產管理」，而不是「一次性的危機處理」。
結語：在 AI 的記憶裡，寫下你的下一章
寫到這裡，我想回到老陳的故事。
十八個月後，我又去他的餐廳吃飯。不是為了工作，是真的想吃那鍋花雕雞。他笑著給我看手機：「你看，現在搜尋我們，AI 寫的是『以食材溯源透明化著稱』。」
我說：「但你還記得三年前那個凌晨，你傳訊息給我的時候嗎？」
他說：「記得啊。那時候我想花錢把新聞刪掉。你跟我說刪不掉，因為 AI 已經學會了。」
「現在呢？」我問。
「現在我知道，」他給我倒了杯茶，「AI 學會的不是那篇新聞。AI 學會的是網路上所有的內容。如果我們只會抱怨、否認、想刪除，AI 學到的就是我們很脆弱、很心虛。但如果我們願意打開後場、公開數據、分享我們怎麼從錯誤中爬起來，AI 學到的就是我們有肩膀、有方法、有價值。」
這就是我想說的。
AI 時代的聲譽管理，本質上是一場敘事權的爭奪。過去，敘事權掌握在媒體手裡，你透過公關公司去「喬」、去「壓」。現在，敘事權某種程度上掌握在 AI 手裡，而 AI 的判斷依據是整個網路內容的生態。你無法賄賂 AI，無法對 AI 發存證信函，無法跟 AI 的記者會解釋。
你唯一能做的，是在那個生態裡，持續地、真誠地、有結構地，寫下你的故事。
不是刪除過去，而是讓未來的內容如此豐富、如此立體、如此可信，以至於 AI 在談到你時，不得不說：「這個人、這家公司，除了那件事之外，還有這麼多值得知道的事。」
從刪除到取代，從防守到建構，從焦慮到行動。
這是 AI 搜尋時代的聲譽修復新思維。也是每一個在網路上活著的人，都該學會的生存技能。
作者簡介
張志維，數位聲譽策略顧問，專注於 AI 搜尋時代的內容策略與品牌敘事設計。過去十年間，輔導過超過五十家企業與百位專業人士，從傳統製造業到科技新創，從醫療專業到餐飲品牌，協助他們在網路內容的生態裡重新找到自己的聲音。
他不相信「壓新聞」的魔法，也不販賣「刪除負面」的幻夢。他相信好的內容策略，本質上是真實故事的系統性表達——讓該被看見的被看見，讓該被理解的理解，讓時間成為盟友而非敵人。
目前定居台北，持續觀察 AI 如何改變人類尋找與相信資訊的方式。
