昨天我和新商業學校一起到內湖一間知名上市公司，帶 40 位主管用工作坊的方式，討論 Google AI Overview（AI 預覽）會怎麼影響他們的業務。這類主題對我來說難度很高，而且不是「資料不夠」那麼簡單。真正困難的，是現場的條件。
第一個難點是單位太多、語言不一樣。做內容的人在意曝光與排名；做電商的人在意轉換與商品資料；做品牌的人在意聲量與口碑；做營運的人在意成本與流程。AI Overview 會一路影響這些領域，但它不會用同一種方式影響每個人。如果沒有共同的討論基準，最後很容易變成：懂的人越講越細，不懂的人越聽越遠，大家都很忙，但沒有共識。
第二個難點是課程定位。這不能講成純技術課。管理階層真正需要的不是「它到底用了哪個模型」，而是兩件事：一是決策要怎麼改；二是組織要怎麼調整，才能把 AI 的效益變成可持續的產出，而不是靠幾個人搞定。第三個難點是資料：台灣缺乏足夠完整、可反覆驗證的研究報告。美國市場的資料比較多，但中文搜尋、台灣使用者行為、在地網站生態，未必能直接套用。很多時候只能用「觀察—假設—再觀察」的方式，把可操作的框架先搭起來。
基於這三個限制，我把四小時的課程切成三段，目的很單純：先確立共識，再談策略，最後回到組織怎麼做。
第一段：先讓主管親手操作，才會有共同語言
我先設計了一個不花腦力、但很有效的練習：同一個問題，用無痕模式重複搜尋 5–8 次，記錄 AI Overview 出現與不出現的差異、摘要內容怎麼變、引用了哪些來源。
這個練習有兩個價值。第一，它會快速打破「我以為我知道」：有些人平常根本不看 AI Overview，有些人以為它每次都會出現，實際一做就知道，穩定性和查詢型態高度相關。第二，它讓跨部門的人開始用同一套詞彙講同一件事：什麼查詢比較容易觸發、什麼查詢幾乎不會觸發、以及引用來源為什麼會讓人不安。
在課堂的整理裡，大家很快就抓到一些規律。像是購物類查詢、產品比較（例如「A vs B 哪個好」）、意圖比較模糊或需要整合資訊的問句，通常更容易出現 AI Overview。相反地，健康、金融、重大決策這類高風險查詢（業界常用分類是 YMYL），以及政治人物、過於簡單的名詞解釋、或使用者已經把條件講得非常完整的查詢，往往較不容易觸發。
但更重要的不是「會不會出現」，而是「它怎麼拼答案」。AI Overview 不是把網頁第一名抄下來，它常見的做法是把問題拆成多個子問題，各自搜尋，再把結果重組成一段摘要。引用來源也不會只來自官方網站，論壇（PTT、Mobile01 等）、新聞、社群貼文，都可能被抓進來。這時候就會出現兩種現象：
一是「被引用」和「自然排序」未必是同一件事。課堂上整理的觀察是：AI Overview 引用來源和傳統自然排序的重疊度可能很低，甚至只剩一到兩成。這對 SEO 或內容團隊是一個直接的提醒：過去我們擅長的是把頁面做上排名，但接下來更常遇到的是「你排得上去，卻不一定被引用」。
二是「時效」會變成新的風險點。因為它引用的來源混雜，當外部網站留著舊資訊、論壇討論被斷章取義，AI Overview 很可能把過時內容重新包裝成看起來很像答案的摘要。這也是為什麼第一段要做實作：讓主管親眼看到「它真的可能引用很久以前的資料」，才會理解後面談的策略不是危言聳聽。
同一段裡我也安排了 Google 與 Bing 的對照。不是要比誰比較好，而是讓大家理解：不同搜尋系統對「中繼資料（metadata）」的依賴程度、引用來源與自然排序的貼合程度、以及摘要的改寫幅度，都可能不同。只要企業的內容與商品資料要在多個搜尋入口被看見，最終就會回到「資料結構與更新機制」這種管理題，而不只是行銷題。
第二段：從 AI Overview 往前推，購物決策會怎麼變
這一段解決的是「看懂它」，第二段要處理的是「它會把人帶去哪裡」。
我們在課堂裡做了一個關鍵討論：多數使用者其實不會點 AI Overview 裡的連結。會點的情境往往很明確：有明確購物意圖、需要完成交易流程、需要優惠或獨特體驗。這意味著一件事：流量下滑不是靠幾個技巧就能逆轉的短期波動，它更像是分配邏輯改了。
所以我刻意把討論從「流量怎麼救」拉開，改問更尖銳的問題：如果點擊變少是常態，那我們接下來要用什麼方式衡量內容價值？我們很快得到共識：把一部分重心從「帶來多少點擊」轉向「是否被引用、如何被引用、被誰引用」。被引用不等於成交，但它會重新定義品牌在搜尋場景中的存在感，尤其是對比較型、決策型的查詢。
接著我們把視角推到下一步：AI Agent 會不會直接接管購物？現階段的這個世代消費者普遍仍不太願意把整個購物流程交給 AI，原因包括：高單價、需要多樣性選擇、牽涉品味與情感、以及最後結帳這一步想自己掌控。但大家也承認，有些情境很容易交給 AI：低單價且規格固定的搶購品、訂閱制商品、重複性購買。
真正值得留意的是「次世代」。我特意將最新研究成果作為討論題，有一個重要發現是15–17 歲這一段年輕族群對 AI 的信任度明顯更高，背後的理由不是他們更懂技術，而是他們更習慣把 AI 當成帶有記憶、能互動的存在。當 AI 的個人化記憶越來越強，信任感就會慢慢移轉。對企業來說，這不是一句「年輕人比較敢用」就能帶過的差異，而是消費體驗的設計要開始分層：同樣是購物，你要同時滿足「想要自己比較」與「希望有人直接替我整理」兩種需求。
這段討論最後會導引出兩個實務方向。第一是內容要更口語、更像真的人會問的問題，因為語音搜尋與口語查詢正在增加；使用者不再打關鍵字，而是講完整句子。第二是商品資料與結構化資訊的重要性會上升，因為當搜尋系統要替你整理比較，它需要的是可讀、可對照、可更新的資料，而不是一頁頁很漂亮但資訊散落的文案頁。
第三段：回到組織內部，AI 的投資報酬率要靠流程與知識管理撐起來
如果只談外部行為改變，很多公司會把這件事丟給行銷或內容部門。這是最常見、也最危險的誤判：AI Overview 改變的不只有「客人怎麼找資訊」，它也會逼組織重新整理「我們怎麼生產與維護資訊」。
我在下半段用一個簡單的前提把大家拉回來：當內容生成、分發、回應外部討論這些工作開始被 AI 加速，組織最大的瓶頸會從「寫得快不快」變成「我們到底有沒有一致的資料與規則」。沒有的話，人就會變成補洞的那個人：AI 產出一版，大家逐句修正；修完一版，下一次又重新來過。看起來很忙，但效率其實沒有累積。
所以我把「知識管理」與「流程管理」放在同一張圖上談。要讓 AI 真的提升生產力，至少要補齊三件事：
第一，資料定義要一致。術語、格式、版本、更新時間，最好都有明確規範。AI 最怕的是同一個詞在不同部門代表不同意思，或同一件事在不同文件有不同說法。
第二，流程規則要清楚。哪些情境可以自動化、哪些一定要人工複核、例外怎麼處理，都要寫成規則。你不寫，AI 也會做，但它會用自己的方式猜。
第三，驗證機制要建立起來。不是只有「看起來沒問題」的主觀判斷，而是能用抽查、對照、稽核把一致性拉回來的制度。
課堂裡我用「文字修正系統」當例子：把常見的大陸用語、口播腔、宏大敘事，以及組織內部不希望出現的表述，做成一套可重複執行的修正規則，並參照國語辭典校對用字。重點不是那個工具本身，而是背後的管理態度：不要讓人一直當 AI 的補丁，而是把組織要的標準做成流程，讓 AI 每次產出都更接近標準。
這也會帶出新的職務需求。我最後要求大家設計出一個公司未來需要招聘一位工作與AI有關的人才，寫出其工作說明書，大家很快收斂出來：需要有人做 AI 的監督者，負責框架、規則與審核流程；也需要一致性把關者，特別是在內容型產業（例如劇本、漫畫、品牌文案）裡，確保風格與設定不會被 AI 逐步沖淡。這些角色的共同任務，其實是在處理 AI 的「不確定性」：把不確定變成可管理的變異。
最後，我把四小時工作坊收在一份很務實的行動清單上，讓各單位回去不會只剩一句「AI 很可怕」。大方向包括：檢視並更新中繼資料與內容更新時間、盤點目前 AI Overview 常引用的來源並處理外部舊資訊、電商端準備商品資料與平台的更深整合、建立 AI 產出審核與標準作業流程、以及把次世代消費者行為當成一個正式的研究題。
回頭看這次的設計，我更確定一件事：在 AI Overview 這種議題上，講技術很容易把人分層；用實作建立共同語言、再把討論拉回策略與流程，才有機會讓跨部門真的站在一起。
而且，最該被帶回管理層的問題其實相當基本：我們要不要把「內容」當成一種會被引用、會過期、需要維護的資產？我們要不要把「流程」當成 AI 可以遵循、可以驗證、可以持續改版的系統？如果答案是肯定的，那 AI Overview 不是一個行銷危機，它反而是一次逼著組織把知識與流程補齊的契機。
