老實說，現在的公關危機，已經不是「上報紙」那麼單純了。去年底，一個專做母嬰用品的客戶凌晨三點打電話給我，聲音都在抖。不是因為有消費者在 Facebook 爆料，而是他親眼看見，在 Google 搜尋自己品牌名稱時，那塊最顯眼的 AI Overview（AI 總覽）區塊，直接把一則三年前已經和解的產品材質爭議新聞，總結成一段看似權威的負面摘要，還附上「部分消費者認為該品牌成分標示不實」這種沒頭沒尾的句子。他問我：「那則新聞我們明明處理好了，為什麼 Google 的 AI 還要把它挖出來？而且講得好像是現在發生的事。」
這不是特例。當生成式 AI 開始主導搜尋結果頁，品牌面對的不再只是一排藍色連結，而是一個會主動「說故事」的守門人。AI 收錄負面新聞的邏輯，和傳統搜尋引擎完全不同，但多數品牌還在用上個時代的 SEO 公關戰術應對，當然被打得潰不成軍。
這篇文章，就是要徹底拆解 AI 收錄負面新聞的機制，以及為什麼「生成引擎優化」（Generative Engine Optimization，簡稱 GEO）是現階段唯一能幫助品牌奪回話語權的解方。內容會涵蓋從診斷、策略布局到實戰操作的所有環節，而且刻意不寫得像生硬的白皮書，而是希望你讀完後，真的能在明天進公司時，拿出一套具體可行的計畫。
第一章 當 AI 成為新守門人：負面新聞如何被收錄與放大
1.1 AI Overview 的引用邏輯，跟你想的不一樣
很多人以為 Google AI Overview 只是把搜尋結果第一頁的內容「重組」成一個答案，其實根本不是。AI Overview 背後的大型語言模型（LLM）在生成摘要時，會同時參考多個來源，並根據相關性、權威性、資訊增益、可引用性這四個維度，動態決定要摘取哪一段文字、用什麼角度呈現。它並不是單純判斷哪個網頁排名最高，而是試圖組合出一個「最能直接滿足使用者查詢意圖」的敘事。
這就帶來一個可怕的後果：一篇來自高權威媒體的負面報導，即使本身流量不高、發布日期久遠，只要它的內容結構夠清晰、資訊密度夠高、而且與查詢詞高度相關，就極有可能被 AI Overview 引用，甚至被當成核心摘要。品牌官網上精心打磨的正面文案，反而因為過於行銷感、缺乏第三方佐證，直接被模型略過。
更棘手的是，AI 模型在處理具爭議性、或帶有情緒張力的內容時，往往會出現「負面偏誤」。因為這類資訊通常包含了具體事件、人物反應、數據落差，更容易被判定為「高資訊增益」。舉例來說，「某品牌新產品上市」的平淡新聞，跟「某品牌新產品遭消費者投訴含有過敏原」的爭議報導放在一起，後者被 AI 引用的機率高出好幾倍。這不是 Google 刻意要黑你，而是模型學到了：使用者對衝突、危機、異常事件的反應更強烈，這類摘要的互動率更高。
1.2 為什麼 AI 偏偏愛負面新聞？拆解五大訊號
我分析過上百個品牌的 AI Overview 查詢結果，整理出 AI 模型特別容易「黏上」負面新聞的五個技術訊號。如果你發現自己品牌中鏢，通常至少符合兩到三項。
| 訊號類型 | 說明 | 實際觸發情境 |
|---|---|---|
| 來源權威光環 | 報導來自主流新聞網、政府公告、法院判決書、維基百科等被模型標記為高可信度的域名。 | 食安裁罰紀錄被衛生局網站公告，AI 直接引用判決書內容。 |
| 結構化事實陳列 | 負面文章內含明確的時間、數字、人名、引用語，方便模型直接提取生成摘要。 | 報導寫「累計投訴達 327 件」，此數字被 AI 摘要直接引用。 |
| 實體明確標記 | 文章使用結構化資料或語意標籤，清楚標示品牌、產品、事件類型（如 Product、Organization、NewsArticle）。 | 媒體報導用 Schema 標記了品牌為「Organization」，AI 精準連結到該品牌知識圖譜。 |
| 爭議性與新鮮度加權 | 模型偵測到同一品牌短期內出現多篇來自不同來源的類似報導，觸發「熱點事件」模式。 | 網路論壇熱議、三家新聞網跟進報導，AI 將事件判定為「發展中」，優先展示。 |
| 缺乏正面資訊競爭 | 品牌自行發布的內容缺乏結構化標記、引用來源或權威背書，在模型的「來源競標」中敗陣。 | 官網新聞稿未被任何外部權威媒體引用，AI 根本沒把官網列入候選清單。 |
看完這張表，你也許會發現，很多被 AI 收錄的負面新聞，其實是「被動上榜」。品牌不是做了什麼天大的錯事，而是在數位世界的「存在方式」，根本不符合生成式 AI 的索引口味。這就帶出一個關鍵思考：與其拼命叫 AI 不要秀負面新聞，不如讓它「有更好的正面素材可以引用」。
1.3 真實傷害：流量流失只是最輕微的
AI Overview 佔據搜尋結果頁最上方的黃金位置，而且經常以展開式段落直接回答問題，這使得傳統自然搜尋結果的點擊率大幅下滑。當你的品牌名稱查詢，AI Overview 第一段就總結出負面資訊，後果不只是流量數字難看：
- 信任斷層： 使用者普遍認為 AI 摘要比廣告或官網更「中立客觀」，一旦 AI 說你產品有爭議，消費者連點進官網求證的意願都沒有。
- 決策攔截： 正在比價、考慮購買的使用者，搜尋品牌名想確認評價，卻直接看到「品質爭議」「客服不佳」等負面摘要，直接在最後一哩路跳轉競爭對手。
- 公關長尾效應： 傳統新聞會沉下去，AI 摘要卻可能因為反覆被模型訓練、調用，讓負面印象長時間停留在品牌關聯詞的搜尋結果中。我見過最誇張的案例，一則五年前的問題商品新聞，至今仍在某 AI 搜尋引擎的特定問法下被引用，因為該引擎的引用資料庫尚未更新。
- 內部營運成本飆升： 客服部門開始接到大量重複詢問「你們是不是被 AI 說有問題」，社群小編疲於奔命解釋，法務急著要求移除連結，但 AI 摘要不是一個連結，而是一段生成文字，無法用傳統的下架請求處理。
這就是為什麼我常跟客戶說，現在的公關危機管理，如果只停留在「監測媒體報導、發聲明稿、買正面新聞」，根本是在用底片相機的思維面對 AI 演算時代。你需要一套全新的運作體系，也就是 GEO。
第二章 認識 GEO：生成引擎優化的核心邏輯
2.1 GEO 不是 SEO 2.0，而是全新的賽局
GEO，完整名稱是 Generative Engine Optimization，中文譯為生成引擎優化。它指的是一套專門為了讓內容被生成式 AI 引擎（如 Google AI Overview、Microsoft Copilot、Perplexity、ChatGPT Search 等）收錄、引用並以正面形式呈現的優化方法論。
很多人問我，GEO 是不是等於把 SEO 那套搬過來微調就好？完全不是。傳統 SEO 的核心目標是「讓網頁在搜尋結果頁獲得更高排名，吸引點擊」；但 GEO 的目標是「讓品牌資訊成為 AI 生成答案時優先引用的來源，並控制最終呈現的敘事角度」。一個要的是排名與流量，另一個要的是引用與話語權。
這個差異極度關鍵。在 GEO 的邏輯裡，你的官網甚至不一定需要被使用者點擊，但必須成為 AI 模型背後的「知識提供者」，而且這個提供者的角色要強過負面來源。用白話說，就是你要讓 AI 覺得「講到這個品牌，這幾個正面來源最可信、最適合拿來回答問題」。
2.2 傳統 SEO vs GEO 三大根本差異
為了讓你快速掌握，我用一張表對比兩者在實務上的思維落差。
| 比較面向 | 傳統 SEO | GEO（生成引擎優化） |
|---|---|---|
| 主要目標 | 提高網頁排名，獲取點擊流量。 | 成為 AI 摘要的引用來源，控制品牌敘事。 |
| 優化對象 | 網頁本身（標題、描述、關鍵詞、內容、連結）。 | 內容的「可引用片段」、語意實體、結構化資料、來源權威性組合。 |
| 成效指標 | 排名、點擊率、自然流量、轉換率。 | AI 摘要提及率、引用來源佔比、品牌關鍵字在 AI 答案中的情感正負面比例。 |
| 對待連結的態度 | 視為權重投票，追求大量優質外鏈。 | 視為「背書證據」，更看重被哪些權威實體引用，以及引用時的脈絡。 |
| 內容形式偏好 | 長文、部落格、登陸頁面。 | 清晰的事實陳述、統計數據、對比表格、步驟清單、具名專家引言。 |
| 與 AI 的關係 | 被動等待爬蟲索引。 | 主動塑造模型對品牌實體的理解，提供可直接生成摘要的資訊區塊。 |
正因為出發點完全不同，當品牌被負面新聞纏身時，如果繼續用 SEO 心態去買公關稿、在官網發一篇長文澄清，成效往往極其有限。因為那些內容根本不具備被 AI 引用的「體質」。
2.3 GEO 的三大支柱：實體、結構、權威
要讓 AI 願意引用你的正面資訊，必須同時強化三個支柱。
支柱一：實體（Entity）
在搜尋引擎的知識圖譜中，你的品牌不是一個「網站」，而是一個「實體」，具有名稱、類別、關聯屬性（創辦人、產品、事件、地點等）。GEO 第一步，就是確保品牌實體的知識圖譜完整、正確，而且與正面屬性強關聯。如果 AI 對你的品牌理解模糊，就更容易被第三方負面描述帶著走。
支柱二：結構（Structure）
大型語言模型偏好結構清晰、可預測的內容格式。使用結構化資料標記（Schema.org）明確告訴機器「這是一篇新聞稿」「這是一個常見問答」「這是產品的官方回覆」，能大幅提高被引用的機率。沒有標記的內容，對模型來說就像一堆雜亂的文字，難以提取摘要。
支柱三：權威（Authority）
這裡的權威不是網域權重分數，而是「引用來源的社會背書強度」。被多家主流媒體引用的聲明、獲政府機構認可的認證、在維基百科上有記錄的正面里程碑，這些都是模型判定品牌可信度的訊號。GEO 的權威經營，就是有策略地讓第三方為你的正面敘事背書。
把這三根柱子立穩了，品牌在 AI 眼中的「負面可引用性」就會自然被正面資訊擠壓，最終達到即使負面新聞仍在資料庫裡，AI 也會因為有更權威、更清晰、更適合回答問題的正面素材，而自動略過那些舊聞。
第三章 從被動挨打到主動布局：負面新聞下的 GEO 策略框架
當你發現品牌在 AI Overview 或 ChatGPT 搜尋中被負面新聞佔據，第一件事絕對不是去聯絡網站管理員要求刪文，那只會讓你浪費時間。正確的起手式是一套完整的 GEO 聲譽攻防框架，我把它分成五個策略模組，彼此互相加乘。
3.1 策略一：負面新聞來源診斷與分級
不要憑感覺處理，要先做「AI 引用來源審計」。用無痕視窗或不同地區的 VPN，以你的品牌名稱加上各種消費者常用問法（例如「品牌名 評價」「品牌名 是不是有問題」「品牌名 爭議」）去搜尋，紀錄 AI Overview、Copilot、Perplexity 分別引用了哪些來源、生成了怎樣的摘要。
接著，將這些負面來源分為三級：
- A 級 – 高權威結構化來源： 政府公告、法院判決、主流財經媒體深度報導。這類最難處理，因為模型對其信任度極高。
- B 級 – 中權威內容來源： 專業論壇達人負評、消費者投訴平台頁面、中小型新聞網報導。AI 會視查詢意圖動態引用。
- C 級 – 碎片化情緒來源： PTT、Dcard 等論壇討論串、社群貼文。這類通常不會直接成為主要摘要，但會影響模型的語意判斷，讓整體回答傾向負面。
診斷分級後，你就能精準配置資源。A 級來源需要正面資料直接覆蓋對抗；B 級可以透過創造更多高品質正面內容來競爭引用權；C 級則用大量結構化正面的問答來稀釋語意環境。這些戰術下面會細講。
3.2 策略二：內容反擊矩陣──用 AI 愛吃的「正面素材」淹沒雜音
這是整場反擊戰的核心。你不能只是寫一篇澄清文，必須打造一個內容矩陣，每一塊內容都針對 AI 的引用偏好設計。我將這套方法稱為「可引用正面資產」的建構。
需要建立的內容類型清單：
- 事實型官方聲明頁面： 在官網建立一個永久頁面，標題明確如「關於近期 XX 事件之官方完整說明」，內容用倒金字塔結構，第一段直接總結事實結論，後續搭配時間軸、第三方檢測報告連結、具名負責人引言。全程使用
NewsArticle或ArticleSchema 標記，並在頁面內加入FAQ結構化資料區塊，回答最常見的質疑。 - 權威數據報告與白皮書： 發布一份與負面議題相關的產業研究報告或品質白皮書，內容充滿可引用統計數據、圖表標題、專家署名。模型對數字和具名專家特別敏感。
- 第三方認證與獎項專區： 將獲得的 ISO 認證、SGS 檢驗報告、政府獎項等全部集中在一個結構化頁面，用
/certifications這種路徑，並以ItemListSchema 標記每項認證。這會讓 AI 在搜尋品牌信任度相關問題時，有一個現成的正面清單可以引用。 - 高層專訪與媒體曝光聚合： 如果你的執行長曾接受財經媒體專訪、談到品牌理念與品質堅持，把這些外部報導的摘要、連結整理成一個「媒體報導」頁面，並使用
Mentions或相關 Schema 標記。這是在借權威媒體的光，強化品牌實體的可信背書。 - 深度客戶見證與案例： 不要再放那種「這產品很棒！」的罐頭見證。收集有數據、有具體情境、有客戶頭銜的真實案例，寫成結構化文章，格式包含：客戶遇到的問題、解決方案、量化成果。這類內容會被 AI 視為高資訊增益的決策輔助素材。
有了這些素材，還不夠。你還必須確保它們的「可引用性」。這就進入技術面的操作。
3.3 策略三：技術盾牌──用 Schema 與語意標記讓真相優先被引用
GEO 最迷人之處，就是你可以用技術手段告訴 AI：「這段話就是最佳摘要」。以下是幾個針對負面新聞情境的關鍵技術部署。
ClaimReview標記： 如果你的負面新聞涉及不實指控，可以在澄清頁面上使用ClaimReview結構化資料，標示該指控已被第三方或官方審查。Google 有時會在 AI Overview 中引用此標記，直接顯示「根據某機構審查，該主張不屬實」。FAQPage結構化資料： 將所有圍繞負面事件的常見疑問，直接在官網用 FAQ 頁面回應，每一組問答都標記。AI 模型在生成簡短答案時，極度偏好直接提取 FAQ 片段。如果你的 FAQ 夠權威，它就有機會取代論壇上的猜測，成為 AI 給出的答案。Organization與sameAs強化： 在官網首頁的結構化資料中，務必完整填寫品牌Organization屬性，並透過sameAs指向品牌的維基百科頁面、官方社群帳號、權威資料庫編號等。這能幫助知識圖譜整合，讓 AI 不至於把你的品牌和另一個同名負面實體搞混。- 內文語意標籤實體化： 撰寫正面內容時，要明確標註與品牌相關的正面實體。例如，不只是寫「我們很重視安全」，而是寫「品牌於 2024 年獲得 SGS 檢驗合格（檢驗編號 XXXXX），此項認證由國際認證機構 SGS Taiwan 發出」。機器會把「SGS」「認證」這些實體與品牌連結起來，形成正向知識關聯。
- 多來源驗證訊號： 確保同一份官方說明，被至少兩個外部權威網域引用（例如合作夥伴官網轉載、媒體報導中嵌入聲明連結）。模型會將這種現象視為「資訊一致性」的證明，提高引用優先級。
這些技術操作說穿了，就是在打造一個「讓 AI 很難拒絕引用」的資訊環境。過去我們做 SEO 是求著搜尋引擎給排名，現在做 GEO 是教 AI 怎麼正確理解你的品牌。
3.4 策略四：權威連橫──讓第三方為你的正面敘事背書
單靠官網自說自話，在 AI 眼裡永遠不夠。你必須進行「外部權威資產的協同部署」。
- 維基百科內容更新： 如果品牌有維基百科條目，確認條目中關於事件、爭議的描述是否平衡，若有偏頗，應遵循維基編輯規範提出附帶可靠來源的修改建議。維基百科是多數 AI 模型的基礎知識來源之一，它的敘事角度影響深遠。
- 產業公協會與政府計畫的露出： 加入公協會並在該協會官網獲得品牌介紹頁面，參與政府認證計畫、獲得 .gov 域名的頁面連結。這類來源的信任加權極高。
- 專家協作與署名文章： 邀請產業專家、學者針對相關議題撰寫客觀評論文章，發佈於知名媒體的意見專欄或專業平台，內容自然提及品牌的正面改善與作為。記得讓文章使用結構化資料標記作者身分，AI 對具名專家的意見賦予較高權重。
- 重新啟動正向媒體敘事： 不要只發制式新聞稿。可以策劃一場記者會或媒體餐敘，釋出新的品牌白皮書、或宣布重大的品質升級計畫，讓媒體產出新的報導。新的報導擁有更新的日期標記，會因為「時效性」訊號，與舊負面新聞競爭 AI 引用。
這個策略的核心原則是：不要試圖消滅負面資訊，而是用更高密度、更高權威、更新鮮的正面資訊網絡，把負面資訊往下擠出 AI 的引用候選池。
3.5 策略五：對話式查詢的輿情監控與即時回應機制
生成式 AI 的另一個特性是對話式查詢。使用者會用很長的問句提問，例如「我聽說 XX 品牌以前有過食安問題，現在可以買嗎？」AI 在回答時會組合多種來源，而且會因為提問方式不同，給出截然不同的答案。
因此，你需要監測這些長尾對話查詢，並建立快速回應機制。一旦發現特定問法會觸發負面摘要：
- 立刻在官網 FAQ 新增對應的問答，精準複製該問句作為問題。
- 在外部問答平台（如 Quora、知乎，若市場適用）或 Google 商家檔案的 Q&A 區，提供權威且親切的官方回覆。
- 利用社群監聽工具捕捉這類對話，由客服或社群團隊主動在公開討論區提供客觀說明（非制式公關話術），這有時會被 AI 模型當作真實使用者回饋而引用。
公關與客服在 GEO 時代，不再是後勤單位，而是直接參與品牌敘事建構的前線戰力。每一次官方回覆都是一個潛在的 AI 引用片段。繼續下篇