生成式搜尋改造商業入口：從 SEO 排名到回答、推薦與交易

從人類點擊導向的網站路由，到 AI 回答、商業意圖、贊助展示與代理交易的多層經濟結構

英文題名： Generative Search Reconfigures Commercial Entrances: From SEO Rankings to Answers, Recommendations, and Transactions
研究系列：《AI 時代的網路資訊價值、注意力收斂與經濟世界域耦合》
系列篇號： 04 / 12
文件編號： EML-AIEC-2026-04
研究命題與原始經濟觀察： Neo.K
AI 協作整理與形式化： GPT-6（Aletheia）
機構： EveMissLab／一言諾科技有限公司
原稿日期： 2026-10-16（Asia/Taipei）
版本： v0.1
文件性質： 概念經濟學論文／平台中觀路由模型／研究假說／實證觀測規格
正本格式： Canonical UTF-8 Markdown；數學原始碼僅使用 $...$ 及 $$...$$
研究狀態： 理論機制與可反駁設計完成；未對全球搜尋市場完成獨立因果估計
直接前置： AIEC Paper 01–03；EWDT-02、05、06、07、12、13、18；既有「注意力不是生產域」與平台推薦研究
證據截至： 2026-10-16；本文區分已部署功能、官方公告之測試及尚未實現之情境

作者： Neo.K

摘要

傳統搜尋引擎的商業價值經常被描述成「人類提出查詢，平台排序並展示連結，使用者點擊原始網站，廣告主為曝光或點擊付費」。這一表示在大量網路市場問題上仍然有效，但當生成式搜尋能將不同來源的內容直接重組為答案，並逐步加入對話式比較、產品推薦、贊助展示及代理式結帳時，搜尋入口的功能已經不再局限於連結排序。資訊可能在平台內被消費，商業意圖可能在平台內被形成或識別，成交甚至可能沿不同於傳統原始網站點擊的路徑完成。由此，「原始網站點擊量」、「平台搜尋量」、「廣告主有效獲客量」與「平台營收」之間不再存在可直接預設的同比關係。

本文提出「商業入口多路由模型」（Commercial Entrance Multirouting, CEM），將搜尋相關活動表示為任務相對的有向事件圖。其最小路由包括：平台內資訊回答、原始來源參照與點擊、明確標示的贊助曝光與點擊、非贊助建議及比較、站外購買、平台內結帳、受委託 Agent 調用，以及延遲返回原始來源。這些路由可互相接續，而非八個互斥的單一市場；一個最終成交事件不能因跨越多條路由就被重複計為多筆新增最終需求。本研究特別區分有機搜尋、生成式回答、非贊助推薦及付費廣告；不預設廣告可直接決定模型的有機答案，也不將任何一次 AI 引用誤當成商業合作或支付事實。

本文建立三類相互獨立的結果空間：人類直接來源流量、平台端可貨幣化的商業互動，以及供給方實際完成的經濟成果。平台可藉由免費或低價 AI 使用增加查詢需求，並透過廣告、訂閱、交易分潤或服務收費回收成本；但交叉補貼的可持續性須受推論成本、檢索成本、廣告主增量收益、使用者信任、替代平台與交易完成率共同制約。付費使用者端價格接近零，不代表平台供給該查詢的成本為零。搜尋查詢增加，也不代表每次查詢的平均收入或平台利潤必然增加。

本文核對三類 2025–2026 年的互補證據。第一，Pew Research Center 2025 年瀏覽觀測發現，含 AI 摘要的搜尋直接點擊較少，但不同查詢條件無法僅由該觀測辨識純因果效應。第二，2026 年已有預註冊田野實驗在指定 Google 搜尋設定下估計 AI 搜尋功能對出版者流量的因果效果，但其研究範圍也不應被外推成所有市場的永久係數。第三，Alphabet 2026 年第二季財報顯示 Google Search & other 收入年增約 16.8%，而 Google 於 2026 年持續公告 AI Mode 贊助廣告、Direct Offers、AI Max 與 UCP 結帳方案；2026 年 10 月 15 日更公告提高 AI 搜尋中的原始來源連結與創作者辨識度。上述證據並不互相抵銷，而是顯示「搜尋平台財務表現」、「特定頁面流量」、「廣告產品設計」與「來源可見性」屬不同的觀測投影。

形式化部分提出任務—入口—路由—結果的狀態模型、點擊與交易轉化分離、平台收入與成本的條件性分解、使用者福利與網站流量分離，以及入口改造的異質性假說。本文提出十項可反駁假說、以查詢類型及產業區分的量測字典、隨機或準實驗研究設計、純示意反例與 2027–2028 年動態觀測規格。依既有《經濟世界域轉化論》（EWDT），搜尋平台是可改變微觀需求如何經中觀結構到達商品、服務和交易的「路由器」；AI 搜尋的世界域意義，不只在點擊率下降，而在於原本分離的資訊解答、商業判斷與交易執行，被重新組合為新的可達路徑。但真正的世界轉化，仍須以部署、採用、合法履行、持續需求與成果沉積判斷。

核心結論： 生成式搜尋既可能替代某些原始網站點擊，也可能創造新的查詢、比較、站外探索與成交活動；平台營收增長與來源流量損失可以同時成立，但不能由一方指標自動推斷另一方的因果狀態。「從 SEO 排名到回答、推薦與交易」是商業入口功能增厚的條件性轉化命題，而非傳統 SEO 已經死亡、免費 AI 沒有供給成本，或任何特定平台必然獨占未來市場的結論。

關鍵詞： 生成式搜尋、商業入口、SEO、GEO、AI Mode、AI Overviews、廣告、平台交叉補貼、點擊替代、轉換漏斗、代理商務、UCP、可觀測性、經濟世界域轉化

0. 研究定位、方法論與非主張

本篇回答的不是「Google 會不會被 AI 擊敗」，也不是「企業是否應立即將 SEO 預算全部改成 GEO」。本篇的研究問題更精確：

當搜尋平台開始直接生成答案、提供任務相對的建議，並逐步接入贊助展示與交易流程時，原本以連結排名和網頁點擊為中心的商業入口，如何分岔成不同的資訊、信任、廣告、交易與成本路由？

為避免從單一公司財報推導整個網路的未來，本篇所有陳述分為四種證據地位：

1. 可核對的外部事實［E#］： 公司財報、官方產品政策、正式公告及公開研究；資料日期和適用區域需保留。
2. 既有理論前置［I#］： EveMissLab 先前正式原稿；作為概念來源，不代表其所有假說都已由外部驗證。
3. 本文研究命題［P4-H#］： 提出可反駁的經濟機制、比較條件與可測量結果。
4. 純假設模型／數值演示［SIM］： 只證明若干情況在邏輯上相容，不是平台真實用戶、成本或利潤資料。

本文明確不主張：

• 所有搜尋查詢都會由 AI 直接解答，或所有產業的原始網站流量一定減少；
• SEO、關鍵字、自然連結或搜尋網站都已失去用途；
• AI 回答引用等於付費廣告，或廣告付費方可任意改寫非贊助的回答；
• 廣告全部依照某種單一的即時競價公式決定，或不同平台具有相同的廣告呈現規則；
• AI 搜尋能在缺乏本人授權、支付權限和法規條件時完成所有交易；
• 網站點擊下降必然代表商品銷售、使用者福利或平台收入下降；
• Google Search & other 的財務分類可以直接等同純 AI 搜尋廣告營收；
• Google 的收入成長即足以證明所有廣告主效益良好，或廣告收入成長主要來自防禦性加碼；
• 生成式服務的使用者零價格即等於平台推論、檢索、儲存和驗證零成本；
• Agent 調用、瀏覽、推薦、點擊和成交可以無損地當成五筆獨立最終交易；
• 不同產業、國家與時段可由一組固定點擊率、轉換率或單位收益係數描述；
• 平台官方的成效宣傳、獨立觀察研究或單一實驗能夠自行代表全部市場；
• 當時某市場指標未見衰退，即可宣告相關長期預測已錯；反過來，也不能以「未來會發生」永久豁免假說的檢驗。

本篇屬於新系列第二模組的入口論文。第五篇專門分析「廣告效益下降但企業反而加碼」的博弈；第六篇處理機器資訊付費與授權；第七至九篇處理多主體經濟類別與人機代理歸因。因此本文只建立這些後續研究可以共同使用的商業入口骨架。

1. 與前三篇的關係：網站訪客不是商業入口的完整計量

Paper 01 已提出：機器接觸量、人類來源識別、品牌認知與社會討論可以脫鉤［I0a］。Paper 02 已提出：機器取得、索引、檢索引用、可能訓練使用、下游功能使用及付款皆為不同事件［I0b］。Paper 03 則指出：數位供給可增加而直接注意力集中，且新需求與新入口可能在集中過程中形成［I0c］。

本篇把前三篇的內容轉到交易前的資訊入口。網站的流量報表通常只看得見進站者，搜尋平台的查詢報表只看得見特定產品內的搜尋或互動，商家的購買帳本則只記錄銷售與退貨。這三種資料本來就不是同一個完整事件帳本。生成式回答降低原始點擊必要性後，三者可能更加不一致。

例如使用者在 AI 中取得了產品規格比較，最後隔日直接開啟商家 App 購買。如果研究者只看搜尋來源點擊，可能誤以為這次需求不存在；如果研究者只看 AI 對話，也無法知道隔日是否真正購買。即使能連接兩筆紀錄，也還需要合法的識別與反事實設計，才能論證 AI 的增量影響。

因此本篇新增問題不是「是否被 AI 看見」，而是「誰控制從資訊需求到實際成果的路由，以及原本由哪些中介取得的經濟價值可能轉移到哪裡」。

2. 相關文獻、官方制度與 2025–2026 年經驗證據

2.1 人類搜尋並非只為點擊，零點擊也並非 AI 才有

傳統搜尋可包含導航、快速事實確認、地方資訊、企業比較、購物研究與複雜研究。部分任務原本就可能在搜尋結果頁完成，例如天氣、時間、簡短定義與營業資訊。因此「零點擊」不可一律定義為 AI 搶走原本一定發生的訪問。

Herbert Simon 的資訊與注意力稀缺論述［E1］提供搜尋入口的需求背景；搜尋平台的工作不只是展示更多資訊，而是減少搜尋、選擇和判斷成本。生成式介面可視為改變這些成本與任務完成方式的一類技術，而不是直接創造了所有搜尋效用。

2.2 Pew 的瀏覽資料：可觀察的相關性，不是全球因果常數

Pew Research Center 於 2025-07-22 公布對 900 位美國成人 2025 年 3 月瀏覽紀錄的分析。在其統計口徑中，出現 AI 摘要的 Google 搜尋後，點擊傳統搜尋結果的比例約為 8%；沒有 AI 摘要時約為 15%；在含 AI 摘要的搜尋中，點擊摘要內引用來源約為 1%［E2］。

這是重要的行為訊號，但實驗處理並非對所有查詢隨機分派 AI 摘要。出現 AI 摘要的查詢與未出現者，在意圖、字數、問題形式及主題上本就可能不同。故不能將 8% 與 15% 的差距直接解釋成所有查詢都被 AI 因果減少 7 個百分點點擊。

2.3 2026 年田野實驗：特定設計中的因果支持

Wang、Gleason、Bart、Wilson 與 Metaxa 於 2026 年公開預註冊田野實驗預印本（ $N=1{,}100$ ），比較 AI Overviews／AI Mode 的不同搜尋介面配置。作者報告移除相關 AI 功能可提高對出版者的點擊，而僅提供 AI Mode 的處理條件可能降低出版者點擊及使用體驗的部分指標［E3］。

此證據比單純的相關性比較更接近因果辨識，但仍須留意樣本、試驗介面、研究時期、平台功能版本與外部效度。本文不把該預印本稱為已完成廣泛同儕驗證的全球定律。

2.4 平台自述與獨立測量存在不同觀測邊界

Google 於 2025-08-06 主張，搜尋導向外部網站的整體自然點擊量大致穩定，且某種由其定義的「高品質點擊」有所提升［E4］。這是 Google 的官方說法，不提供同等完整的網站分布、各領域、查詢類型及獨立反事實資料，不能直接否定某些出版者受到負面影響的實驗或個案。

總體穩定可與局部下降並存。某類新聞網站失去一部分點擊，但其他類型的商品、地方服務或新發現需求得到更多點擊，兩者沒有邏輯矛盾。研究者應先要求對齊日期、母體、分母與點擊品質定義，再評估看似衝突的資料。

2.5 2026 年的產品進展：回答、連結、廣告、交易同步演進

截至本稿日期，可核對的官方公告已包括：

時間線揭示的不是「Google 已找到全部答案」，而是一個更重要的研究事實：搜尋入口的設計、可見性、廣告格式、交易路由與內容方治理，正在同時變動。 因此不能把 2025 年的點擊效果當成 2028 年介面的固定參數。

3. 最小分析本體：任務、入口、路由、行動與成果

3.1 分析單位必須從「一次搜尋」提高到「一項任務」

令使用者 $u$ 於時間 $t$ 具有需求任務：

其中 $g$ 是目標， $c$ 是任務情境和資源約束， $t_0$ 為任務開始時間， $H$ 是容許的觀測時間窗。這個任務可能產生一個查詢，也可能產生數次對話、跨平台比較或多日後的結算。不能預設一個 query、一個 impression、一個 click、一個 session 和一項最終需求是同一單位。

本文將「商業入口」暫定義為：

某個資訊介面或代理系統，能將人類或組織的初始需求導入後續資訊、推薦、選擇、聯絡、採購、支付或交付路徑的可操作入口。

入口未必是網站首頁，也未必要求人類點擊。它可能是搜尋結果頁、AI 回答、商品卡、地圖、商家 App、對話式廣告或受委託 Agent 的採購操作。

3.2 五個最小層次

因此，平台可以使 $Q$ 的某些部分更快地到達 $Y$，也可能只是把原本已存在的交易從一條路改導至另一條路。研究者須比較沒有此入口功能的反事實，才能確認增量效果。

3.3 類型角色不可混同

為避免將功能型 AI Agent 誤當法律人格，本文把角色分開：

• 需求者：實際需要資訊、商品或服務的人或組織；
• 介面提供者：提供搜尋、回答、廣告、推薦或商務介面的平台；
• 內容來源者：提供事實、研究、評測、規格、商品資料等資訊的主體；
• 交易供給者：能交付商品、服務或使用權的商家；
• 執行代理者：受委託完成搜尋或其他操作的 AI／Agent；
• 付款義務者：依法或依契約負擔費用的主體；
• 成果受益者：最後取得效用、收入或可持續資產的主體。

這些角色可以重疊。例如同一平台可同時提供 AI 搜尋、廣告與交易介面；同一商家既是原始資訊源，也是商品供給者；同一 Agent 的使用者既可能是受益者，也是支付者。第七至九篇會再把這些角色接入 9／16 類型矩陣，本文不在此提前裁定人工行動者的法律地位。

4. 商業入口多路由模型（CEM）

4.1 有向事件圖而非固定線性漏斗

設一項任務的可觀察事件圖為：

其中 $V_q$ 是在該任務中實際出現的網站、AI 介面、商店、付款服務、原始來源及相關操作狀態； $E_q$ 是帶時間順序的事件邊； $\Theta_q$ 是事件類型、權限與來源的標註。

一般線性搜尋漏斗可描述一部分路徑：

使用者需求 → 關鍵字搜尋 → 排名或廣告 → 點擊網站 → 採取行動

生成式搜尋則可能同時發生：

                           ┌→ 平台內直接取得答案 ───────→ 任務結束
使用者需求 → AI 搜尋入口 ───┼→ 原始來源連結 → 點擊 → 深入閱讀
                           ├→ 比較多個候選 → 新問題 → 再次檢索
                           ├→ 標示贊助的廣告 → 點擊 → 商家服務
                           ├→ 可用的交易介面 → 授權下單與支付
                           └→ 受委託 Agent → 多服務調用 → 交付

圖中的箭頭表示可發生的功能路由，非宣稱每一平台皆已實作全部路徑。一次任務也可能先閱讀非贊助答案，再觀看廣告，後來點擊原始來源，因此所有支路不能被預設為互斥。

4.2 八種候選路由事件

R0–R7 是事件類型，不是天然的八種商業模式或八個彼此獨立的收入來源。例如從 R3 經 R2 到 R5 可以是一個任務的多個步驟；對某個供給者而言，這未必形成三次需求。

4.3 可觀測多重路由與最終事件唯一性

令一個任務的觀測路徑集合為 $\mathcal P_q$，其中每條路徑 $p$ 都由若干事件組成。若交易事件有唯一交易識別 $id_y$，研究者應按交易識別去重：

不應以涉及的路由事件數量代替成交數量，也不應將同一筆商業需求經過多個廣告或來源的曝光全部計成彼此獨立的新增銷售。

這個最低規則，是未來第七至九篇處理 B2A、A2B、A2A 等多層活動時防止總體經濟重複計算的先決條件。

5. 搜尋的任務異質性：不是每次查詢都有相同的外連必要性

5.1 六類任務的第一代分類

這是分析分類，不是宣稱某類必然被 AI 取代。特定食譜可能涉及複雜的食品安全問題，特定商品比較也可能只需一句話；實際模型須依任務風險、所需資訊新鮮度及可驗證性再細分。

5.2 定義外部來源的任務相對必要性

令 $n_q\in[0,1]$ 表示任務 $q$ 在指定平台功能及時點下，必須離開當前介面才能以可接受品質、風險與合法性完成的程度。 $n_q$ 是待操作化研究量，不是某個模型能自行從文字估計的真實常數。

若 $n_q$ 較低，平台內回答可能替代更多原始連結點擊；若 $n_q$ 較高，原始來源、專業機構、付款與交易接口仍然重要。但這個關係不必然線性，因為介面也可能故意提高來源可見度，或使用者因信任不足而主動跳轉。

5.3 四種外連動機不可混用

深入取得：使用者需要完整資料、研究方法、原始表格。執行交易：必須在可交付平台付款或簽約。信任查證：需比較原始來源、證據、發布者身份。社群參與：想與作者、商家或其他使用者直接互動。

AI 搜尋可能降低其中某些動機的必要性，但也可能因提供摘要而提高其他動機的啟動率。原始網站的轉化率因此可能上升、下降或保持不變，不能由外連總量單獨決定。

6. 點擊替代與需求生成：一個任務的兩種反向力量

6.1 兩種主要機制

替代路徑（Substitution）：使用者原本會點進網站取得資料，現在直接從 AI 回答完成任務。這會降低對相應來源的直接訪問，但不能推論原始內容從未被取得或用於回答。

生成路徑（Expansion）：AI 降低提問、理解、比較與多輪搜尋的成本，使使用者提出原本不會提出的問題，甚至發現原本不會考慮的商品和服務。這可能增加總任務量及部分商業機會。

兩種力量可以同時存在，而且同一平台、同一個月內，可能在不同領域方向相反。

6.2 任務、點擊與交易的非等價條件

令 $N_{q,t}$ 為期間內任務數， $p_{c,t}$ 為任務平均產生至少一次相關外部點擊的機率， $m_{c,t}$ 為已點擊任務中外部點擊次數的條件平均。則任務相關外部點擊期望數可寫為：

這是定義性分解，不是獨立性假設；當各任務類型異質時需以分群加權。即使 AI 令 $N_{q,t}$ 增加，只要 $p_{c,t}m_{c,t}$ 下降幅度更大， $C_t$ 仍可能下降。

相反地，令 $p_{y,t}$ 為任務最後在指定時間窗內完成一筆有效交易的機率，則：

$Y_t$ 不必與 $C_t$ 同方向變化；部分交易可能由站外導購、原生結帳或其他晚期路徑完成。若將所有交易都假設一定先經相同網站點擊，便會把特定的歷史漏斗當成永恆制度。

6.3 交易替代與交易創造必須分辨

觀察到 AI 介面內完成一筆購買，不等於該筆購買由 AI 淨新增。若使用者本來就要買同一商品，AI 可能只是替代比較和結帳路徑；若 AI 幫助使用者找到原本不知道的低價替代品，也可能增加消費者福利但降低某一商家的收入；若原本因資訊摩擦而不購買，現在完成交易，才可能有新需求被實現。

這些情況都需要合適的反事實研究，不能從單筆交易的「最後接觸渠道」推得整體增量效應。

7. 有機結果、AI 回答、推薦與廣告必須保留制度邊界

7.1 四層不同的資訊呈現

1. 自然搜尋／有機結果：依搜尋平台索引及排序規則呈現的非付費連結。
2. 生成式回答及引用：AI 回答內容與其來源標註，可能呈現摘要與原始資料連結。
3. 非贊助的建議／比較：AI 根據使用者需求形成的候選方案，但不因列名就必然有付費關係。
4. 贊助廣告／交易優惠：廣告主依平台政策付費競逐展示或互動，應依適用制度清楚揭露其贊助性質。

這四層可能位於同一搜尋頁、同一段對話或同一購物體驗，但制度性區別仍然重要。把某個非贊助推薦直接稱作廣告，或把贊助廣告說成必然是模型自然判斷，都會使研究者錯誤衡量平台分配權和使用者信任。

7.2 Google 的 AI Mode 廣告測試不等於全面取消有機／贊助邊界

Google 於 2026-05-20 公告在 AI Mode 測試 Conversational Discovery Ads 與 Highlighted Answers，並在相關格式中保留「Sponsored」標示；Google 也介紹以 Gemini 生成產品解釋及 Direct Offers 的測試、擴展方向［E7］。這說明廣告可能從傳統連結廣告變得更情境化，但官方公告並不構成「所有 AI 比較答案已被出價直接控制」的證據。

廣告作為獨立產品的存在，也不代表其實際使用者理解度或辨識效果已被證明。未來研究應測量贊助標示是否被看見、如何影響使用者對比較資訊的信任，以及是否造成錯誤的來源歸因。

7.3 ChatGPT 的廣告邊界是另一種制度實例

OpenAI 於 2026 年開始在部分地區對 Free／Go 使用者測試廣告，並公開表示廣告與 ChatGPT 回答由不同系統處理、清楚標示且不影響回答內容；Plus、Pro、Business、Enterprise、Edu 層級沒有這類廣告［E12］。2026-05-05，OpenAI 亦公布廣告管理與 CPC 投放方案的擴展［E13］。

因此，研究若同時比較 Google AI Mode 和 ChatGPT，必須把廣告庫存位置、可投放人群、回答獨立性政策、計價制度與產品可用區域一併記錄，不可假裝存在跨平台共用的同一套「AI 會收錢替廣告主推薦」機制。

7.4 資訊獨立性與平台營利可以共存，但存在治理成本

即使平台設有贊助標示及有機／付費分離，廣告格式仍可能改變使用者的可見資訊集合、介面注意力與後續選擇。故應把「不影響有機回答」與「不影響使用者最終選擇」分開。後者會受廣告可見性、品牌、價格、用戶偏好和介面設計影響，不能由前者直接證成。

長期平台商業化的必要治理條件包括：清楚標示贊助、可追溯的商家身份、敏感領域安全限制、用戶自主控制、廣告資料與聊天隱私分離，以及對產品結果的真實增量測量。

8. 平台不是只賣廣告位置：搜尋產品的交叉補貼與成本配置

8.1 使用者價格、平台成本與廣告主價格是三種不同量

使用者免費提出 AI 問題，不等於平台免費完成該任務。平台可能承擔模型推論、檢索、網路、索引、快取、內容安全、驗證、支付風控、客服、研發與設備折舊等成本。不同任務使用不同模型、上下文長度及工具，成本不必相同。

令平台在期間 $t$ 的收入分類為：

令平台該業務相關成本為：

則簡化業務貢獻利潤為：

這裡各項收入必須先完成會計口徑去重，且成本不可任意把公司其他業務全部加在一起。式子是分析架構，並不是宣稱 Google 或 OpenAI 對外提供這些精確分項。若研究平台集團合併營收，更須防止內部轉帳與不同分部的重複計量。

8.2 最低交叉補貼命題

一部分人免費或低價使用 AI，平台仍可能透過其他人付費訂閱、廣告主購買曝光或交易收入取得整體回報。令使用者群體 $g$ 的平均貢獻為：

即使部分群體滿足 $\pi_g<0$，整體平台仍可能因其他群體正貢獻而維持營運。但這不能推出交叉補貼永遠可持續，因為競爭壓力可能壓低廣告價格、訂閱滲透率和交易抽成，而 AI 使用增長也可能提高總供給成本。

8.3 免費使用可增加資訊任務，卻不保證同量貨幣化

若 AI 的使用者邊際付費價格下降，使用者可能更頻繁提出低商業意圖、娛樂、學習及研究性問題。這些任務即使具有明確的使用者福利，也未必有可展示的合適廣告；若平台為了信任或風險而限制某些廣告，其貨幣化率亦不能預設固定。

令 $\mu(q)$ 表示任務 $q$ 的可貨幣化條件性程度，可由實際合格廣告、預期轉換、許可範圍與付費意願等構成。則單純擴大 $N_q$ 不足以保證：

同樣，廣告營收增加也不能證明每一筆新查詢都是有正毛利的查詢。

8.4 交叉補貼會帶來策略壓力與信任限制

平台有可能偏好商業意圖更強、可完成交易的任務，但過度推銷、錯誤的付費標示或低品質商品可能損害使用者信任，反過來降低平台保留率。故平台策略不只是單次收益最大化，也受長期留存、使用者福利及安全治理約束。這種權衡必須透過資料驗證，不能用簡單「平台必然想把所有答案商業化」作為公理。

9. 平台收入、廣告主收益與來源收益：三本帳不可互相取代

9.1 Google 2026 Q2：平台財報能證明的範圍

Alphabet 向 SEC 提交的 2026 年第二季業績附件記載，單位為百萬美元［E9］：

同一份 2026 年第二季 10-Q 記載，Google Search & other 的 paid clicks 同比增加 13%，平均 cost-per-click 增加約 3%；Google Network 廣告曝光次數同比減少 12%，每次曝光平均成本的對應指標增加 13%［E9b］。需注意該文件定義的 Search & other 不只 Google.com 搜尋廣告，也包含其他 Google 自有資產（例如 Maps、Gmail、Google Play 等）及搜尋分發合作流量；因此不能從該數字反推出「AI Mode 廣告營收」的獨立數額。

上述數據證明：在這個具體季度，Google 的相關廣告業務仍在成長。但它不能單獨決定：

• 有多少是傳統搜尋增加、AI 搜尋增加或不同廣告格式變動的因果結果；
• 有多少廣告主的邊際增量利潤增加、下降或不變；
• 有多少原始網站的自然點擊或廣告收入被替代；
• 哪些產業因流量轉移而形成新的長期經濟優勢。

Google 的 10-Q 對營收成長提供了查詢增加、廣告主支出及格式／展示改善等多因素說明［E9b］。這些因素相互作用，不應由研究者單憑總額指定一個唯一因果解釋。

9.2 三本帳

令：

三者是不同主體、不同口徑的變數。即使觀測到：

也不能單獨推出 $\Delta\Pi_{B,t}>0$ 或 $\Delta R_{S,t}>0$。平台可能在廣告主良好增長時增加收入，也可能在競爭加劇、某些廣告主利潤承壓時增加收入；同時來源供給者也可能因 AI 摘要而取得更少直接點擊。

這裡只是確立不同結果可能脫鉤的觀測邊界。哪些市場存在防禦性支出、競爭者退出與出價均衡，屬於 Paper 05 的正式研究，不應在缺乏廣告主資料時先宣布其已發生。

9.3 平台「看起來成功」不等於來源網路健康

平台的總體財務指標可以在部分供給者回流減少時改善，因為平台可能保留更多任務時間或轉換其他收入類別。相反地，來源方也可能因點擊更精準、直接會員增加、授權收入或特殊商品成交，而在自然搜尋點擊減少時仍提高總收益。

因此研究者至少應同時取得：平台收入與服務成本、來源直接回流與收益、商家合格成交與增量收益、使用者真實任務完成及長期信任。缺乏其中任一層，都不宜宣稱已掌握整個商業入口經濟的淨結果。

10. 「更多搜尋、較少點擊、更多成交」可以在數學上同時成立

10.1 第一個純示意反例

假設某一產業原本每期有 10 萬項資訊任務，任務平均至少產生一次相關來源點擊的機率為 60%，每項被點擊任務平均有 1 次來源點擊，則預期來源點擊 6 萬次。

引入 AI 入口後，每期任務成長到 16 萬，但任務的外連機率降為 30%，其他條件保持不變，則來源點擊只有 4.8 萬次。

此例中的任務、點擊和成交可以朝不同方向變化。最後兩列僅示範一種可能的商業結果，沒有證明 AI 使真實交易率增加。成交也可能下降、平均客單價降低或退貨上升；必須以反事實及履約資料判定。

10.2 第二個純示意反例：收入增長不代表利潤增長

假設平台舊期向商業客戶取得 500 個貨幣單位收入，承擔 300 個單位成本；新期取得 800 個收入，但因 AI 推論、索引及安全成本提高，成本成長至 700。

則：

平台收入上升 60%，簡化貢獻利潤卻減半。同樣可以構造相反例：若 AI 的單位成本下降更快、成交品質更佳，新期收入與利潤便可能一起增加。故「AI 擴張後營收強勁」並非對成本或經濟福利的完整描述。

10.3 第三個純示意反例：平台佣金與廣告可能替代

假設一筆購物原本透過商家站外廣告點擊完成，平台取得廣告費 $a$ ；新模式在平台內完成結帳，平台取得交易費 $\tau$。如果這一筆購物在兩個模式下都會發生，則平台收入可以由 $a$ 改成 $\tau$，但社會最終購買筆數不會因為收入科目改變而加一。

若平台同時收取廣告費和交易費，則需依法務與會計定義識別是否來自不同服務，並在研究福利與 GDP 時正確處理中介服務的增加與可能的轉移支付。交易路由增厚不自動意味新增等量實體商品。

11. 從搜尋結果到決策介面：為何介面位置開始具有不同經濟價值？

11.1 傳統搜尋頁的價值單位

在連結導向的市場中，搜尋結果排序可以降低使用者搜尋成本，廣告主則購買與特定查詢或受眾相關的商業接觸機會。這種機制並未消失；自然排名、廣告品質、落地頁體驗和用戶需求仍然重要。

但當使用者在生成式介面反覆追問「這個方案適不適合我」「三種商品差異在哪裡」「如果我的預算減少應如何選」時，入口所持有的資訊變成一段更長的任務情境，而不是只有當下一組關鍵字。

11.2 商業意圖的三個階段

本文暫將一項商品相關任務分為：

• 需求形成：使用者開始意識到問題，尚未確定要購買任何特定產品；
• 候選比較：商品、品牌、價格、品質與限制進入考慮集合；
• 行動接近：使用者準備預約、要求報價、試用、付款或下單。

同一個人可以在單次對話中來回跨越各階段；不能把這三階段當成必然單向的固定狀態機。平台可能在接近行動階段提供更具商業價值的廣告或服務，但也可能因未有合格商品、廣告主或用戶信任而選擇不展示。

11.3 商業接觸價值不是由「距離成交」單獨決定

高意圖查詢通常可能更接近可測量交易，但早期的品牌認知、需求教育和新市場建立亦可能具有較長期的價值。只以立即成交率排序所有資訊服務，可能系統性低估公共教育、學術研究、原創資訊和新品牌探索的意義。

因此，不能把「更高的廣告價格」直接說成「更高的社會資訊價值」。廣告主願意支付的金額取決於預期利潤與競爭，並不等於內容真實性、使用者福利或來源的學術價值。

11.4 從曝光位置到需求關聯

在生成式搜尋裡，某個贊助曝光可能與具體問答情境接近；某個非贊助來源引用則可能讓使用者查證原始文獻；而原生結帳接口可能減少跳出步驟。對於平台，這些都是可設計的入口；對於研究者，則是不同的選擇與信任通道，必須分別記錄。

Google 2026 年 AI Max、AI Mode 廣告及商務介面的公告，顯示平台正嘗試利用 AI 分析查詢與商品資料，提供更符合需求的廣告創意、匹配與操作流程［E7、E10］。不過，產品公告中的意圖比對能力，不能直接當作經過第三方驗證的跨產業增量收益。

12. Agentic Commerce：商業入口可能從推薦延伸到受委託執行

12.1 商品推薦不是交易

AI 說明三個商品的優缺點，仍只是資訊或候選比較。要使其轉化成實際商業行為，還可能需要確認庫存、定價、交期、配送、付款授權、退貨條款、商家身份及地方法規。

在普通購物中，使用者可能仍會親自完成這些環節；在合法受委託的 Agent 工作流中，部分步驟可能由 AI 操作。但具有技術操作能力不等於擁有相應的付款、同意或法律責任權限。

12.2 UCP 作為商務接口的早期例子

Google 於 2026-01-11 公告 UCP（Universal Commerce Protocol），旨在讓購物 Agent 與商家、付款方在商品發現至售後的環節使用較一致的協作語言［E5］。2026 年春季官方續有購物車及結帳相關更新［E5a］，5 月的 Direct Offers 公告則將 UCP 原生結帳與部分贊助優惠情境連接［E7］。

這些公告能證實技術與產品方向，不等於宣告全球所有商家、付款方式或司法管轄區都可使用，也不意味 Agent 自動取得超出授權的購買權。

12.3 交易中介的價值可能遷移

當比較、聯絡、付款或預訂的步驟被合併到同一入口，傳統廣告點擊、比價導流、聯盟佣金或商家落地頁的部分功能可能重新分配。市場的中介成本也可能降低，但平台的控制能力及新的手續費、授權與爭議解決成本可能增加。

因此不能預設「中介數量減少」必然代表「社會交易成本下降」；真正的分析應包含錯誤訂單、詐騙、客服、合約撤銷、跨境支付、資料濫用及使用者退出能力。

12.4 「AI 幫我買」的功能性分類與經濟法權

由個人委託 AI 在商店購買，在功能上可能出現 C2A、A2B 的互動，但若付款義務仍屬個人，法律上的交易可能繼續是 C2B。若企業委託採購 Agent，法律交易可能仍是 B2B。

本篇僅將 Agentic Commerce 視為商業入口可行路徑的變化；多主體計帳與法律責任，在第七至九篇正式處理。

13. 原始內容供給者的利益：可見性、流量、品質及議價地位的重新分離

13.1 來源被選入，不等於來源被記住

使用者可能看到一段 AI 答案、點開來源、確認內容後離開，而未記得作者或公司。也可能從未點開，卻藉由來源提供的可信任資訊解決任務。這正是 Paper 01 的雙重受眾落差，不應由搜尋轉化率推論來源在人類社會已形成知名度。

13.2 原始來源的四種可能結果

流量損失：一般整理內容被回答取代，廣告或導流收入下降。品質轉換：訪問者較少但目的更明確，訂閱、詢價或成交效率提高。來源地位增加：內容因原始性與可信度被 AI 持續引用，即使回流有限。授權與合作：特定機器資訊需求逐步透過協議產生直接收益。

這四類可以交疊，也不代表同等頻繁或同等可得。Paper 02 已經證明，機器取得、下游利用和付費之間不能直接畫上等號；本篇不將對資料授權的可能性寫成已完成的普遍現實。

13.3 2026-10-15 的 Google 改版，作為一個有意思的反向調節

Google 在 2026-10-15 宣布要使 AI Mode 與 AI Overviews 的內文來源連結更醒目，部分任務的官方網站連結更突出，擴展新聞連結輪播，並測試更明顯的創作者與出版者身份入口［E11］。

這是一個重要但有限的觀察：平台並非只能越來越把使用者關在回答裡，也可能因來源品質、信任、出版者關係或產品競爭而改善外連與來源識別。 但此公告本身尚不足以證明調整後的點擊率、內容供給者收益、品牌記憶或交易轉化一定改善。

13.4 平台依賴的中觀風險

對中小網站而言，若大部分訂閱者、首次接觸與直接收入都依賴單一搜尋入口，平台改版可能改變其有效市場範圍。這未必是特定平台惡意造成，也可能是使用者偏好、技術改進或商業需求變化的結果。

EWDT-13 已將平台定位為中觀路由器及潛在守門人［I2］。本篇將「搜尋—回答—比較—交易」的路由增厚視為該理論的一個具體應用，但不由此推斷所有網站必須退出平台或所有內容應免費提供。

14. 使用者福利、經濟收入與注意力必須分離

14.1 使用者未點擊，也可能取得更多成果

對同一任務，AI 若能減少查找十篇重複文章的時間，可能提高使用者福利，即使網站得到的直接點擊更少。相反地，錯誤回答、來源難以查證、贊助不透明或交易欺詐，也可能使使用者更快做出錯誤決策。故「速度更快」只是福利的一部分，不能單獨代表資訊品質、信任或社會淨益。

14.2 最小福利向量

本文不試圖把所有福利塞進一個普遍價值分數。建議對任務 $q$ 記錄：

其中依序表示時間節省、有效答案品質、來源信任、選擇集合、風險負擔與用戶成本。分量具有不同量綱，也可能彼此衝突；若要加權，必須明示研究者價值選擇與估計方法。

14.3 「原始網站變少」有兩種完全不同的經濟含義

第一種是功能替代：使用者以更低成本完成相同任務。第二種是供給衰退：原始研究、報導、評測等上游內容生產因收益不足而減少，長期可能降低 AI 可取得的高品質新資訊。

兩者可能先後發生，也可能互相抵消。評估 AI 搜尋經濟時，不能只看當下使用者節省時間，亦不能只看當下出版者廣告收入；還需要觀測上游供給在未來是否持續更新、品質是否受到激勵和基礎知識是否退化。

14.4 公共資訊與商業資訊的支付目標不同

學術研究、政府公共告示、急難資訊、公共教育資料與一般商品廣告，其提供目的和可接受的收費方式不相同。部分資訊的社會價值可能高於可立即由廣告主支付的金額；部分高出價商品也不等於社會品質最佳。

因此「讓 AI 免費服務更多人」與「讓原始資訊的持續生產獲得合理激勵」是兩個需要共同協調的目標，而非簡單二選一。具體授權市場留至第六篇。

15. 局部效果為何不能直接推到全球市場？

15.1 觀測差異、選擇效應與因果效果

令 $D_q=1$ 表示某任務使用生成式搜尋介面， $Y_q$ 為來源點擊或成交。一般觀測差異為：

但欲研究介面的因果效果，需比較相同任務在兩種潛在條件下的結果：

當 AI 摘要只出現在某些查詢類型，或使用 AI Mode 的人本來具有較高探索意圖時， $\Delta_{obs}$ 不必等於 $\tau$。因此 Pew 資料、Google 官方平台數據與隨機實驗，測量的是不同層級的資訊，不能直接以任何一方取代另一方。

15.2 干擾與動態反饋問題

即使隨機分派部分使用者是否看到 AI 回答，也可能存在跨個體干擾：平台廣告競價隨流量轉移改變，內容方調整 SEO 策略，商家改變商品價格，用戶和 Agent 交換資訊。此時控制組可能也受到處理組經濟行為的間接影響。

因此 A/B 測試可識別當下介面直接效果，但未必完整辨識廣告主和出版者在半年後的市場反應。更長期需使用分群、地區、平台與時段的差異化設計，追蹤先行與滯後反應。

15.3 平台間的可轉移性有限

Google 搜尋、獨立聊天助手、社群推薦、電商 App、專業工具代理及受委託採購系統，可能具有不同的資料權限、廣告標示、訂閱結構、場景限制與用戶群。相同的「AI 回答」在不同平台可能產生完全不同的商業路由。

研究者若要建立可比資料，必須記錄產品版本、地區、語言、付費層級、是否展示贊助、可用工具、內容存取許可及觀測時間窗，而不只是記錄「AI 搜尋：有／無」。

16. 十項可反駁假說：從入口功能變化走向可測量研究

以下每個假說都是有條件的經濟研究候選，不是宣告已取得相應的外部統計支持。研究時應預先指定樣本、處理條件、效果期間、重要混淆及拒絕規則。

P4-H1｜任務完成與原始點擊解耦假說

命題： 在可由 AI 高品質完成的一部分資訊任務中，AI 搜尋介面可降低原始網站點擊率，而不同比降低經充分核驗的任務完成率。

支持訊號： 同任務類型隨機測試中，來源點擊下降，但答案準確、操作完成與用戶滿意不惡化。反向證據： 點擊下降伴隨任務失敗顯著增加，或控制意圖後 AI 對點擊沒有影響。限制： 若原始來源失去維持內容更新的經濟能力，長期效果可能逆轉。

P4-H2｜需求生成抵消假說

命題： 對具比較、探索或多模態提問特性的任務，生成式介面可能引發原本不會出現的新增問題，因此總查詢增長與單任務外連下降可同時發生。

支持訊號： 隨機介面處理組在相同基礎需求下產生更多有效新問題，而非只把同一任務拆成更多輪。反向證據： 新增查詢皆為重試、錯誤修復或介面造成的無效互動，無新增任務成果。

P4-H3｜入口貨幣化與來源收益非同步假說

命題： 當平台有額外廣告或交易貨幣化方式時，平台的搜尋相關收入可能增加，而部分原始資訊提供者的直接回流收益下降。

支持訊號： 同期具有合理可比性的供給者面板出現此類分化，且替代因素被適當排除。反向證據： 在預先定義的產業、期間與完整收益口徑內，平台成長同時帶動所有相關供給者同向成長，或分化完全由非 AI 因素解釋。限制： 不預設平台增收必然導致供給方損失。

P4-H4｜入口增厚與商業轉化路徑替代假說

命題： 當平台內加入合格商品資訊、聯絡或結帳功能，部分成交可在更少外部網站點擊的情況下完成。

支持訊號： 隨機比較入口版本，成交率、完成時間與交付成功率的變動可在點擊減少時獨立測量。反向證據： 新功能只改變最後渠道歸因，卻未減少總操作成本或改善任何成果。

P4-H5｜產業與任務異質性假說

命題： AI 回答對來源點擊、轉換及商業價值的影響，受到原始內容稀缺性、信任需求、交易複雜度、資訊新鮮度及法規環境調節。

支持訊號： 在控制樣本差異後，不同任務群具有可再現的效果異質性。反向證據： 足夠代表性的跨任務實驗發現相同方向與相近幅度，且上述調節因子沒有解釋力。限制： 不把「任何結果不同」都無限歸咎於隱藏異質性。

P4-H6｜來源介面設計的反向回流假說

命題： 當原始來源連結更醒目且對任務有充分相關性時，部分資訊任務的合法來源回流與來源識別可能上升。

支持訊號： 對連結位置與標示的隨機處理提高相關來源的合格點擊、品牌辨識或深度閱讀。反向證據： 在研究功效足夠的實驗中完全未改善上述指標，甚至增加誤點及不信任。案例邊界： Google 2026-10-15 的 UI 公告［E11］是候選干預，不是已驗證結果。

P4-H7｜使用者免費價格與平台邊際成本不等價假說

命題： 使用者端免費的生成式搜尋仍具有非零且依任務不同的基礎設施成本；擴張免費查詢量未必同比提高貢獻利潤。

支持訊號： 成本資料顯示推論、檢索、驗證及支援成本的非零分布，且收入與成本增長可分離。反向證據： 經可靠成本會計發現特定簡單快取任務的邊際成本接近零；這會限制而不是推翻所有任務的命題。限制： 不宣稱成本不可能持續下降。

P4-H8｜增量交易與來源歸因偏差假說

命題： 當使用者跨 AI 對話、商店 App、實體店或多裝置完成購買時，單靠最終點擊來源會低估或誤分配部分入口的真實經濟作用。

支持訊號： 經同意的轉換研究或因果測試發現，最終點擊與實際增量效果的分布不同。反向證據： 在目標場景，最後點擊模型與隨機增量試驗長期高度一致。限制： 不以猜測的跨裝置關聯侵犯個人隱私。

P4-H9｜商業入口與來源品質的長期雙相假說

命題： AI 平台短期讓使用者更快取得答案，可能同時提高或削弱上游原創資訊供給者的長期生產誘因；方向取決於回流、收益、授權及其他需求。

支持訊號： 長期追蹤內容更新頻率、原創比例、驗證成本與收入發現有實際結構變化。反向證據： 在指定領域，資訊品質與原創供給並未隨相應商業路由改變而變化。限制： 供給變化還可能來自生成成本、景氣和平台政策，不可歸因一元化。

P4-H10｜平台收入短期成長不能單獨推定傳統搜尋的長期存續假說

命題： 同一期平台搜尋收入增加，與其部分歷史入口功能被生成式回答或代理交易取代，在邏輯及經驗上可相容；判斷長期方向須使用收益構成、替代率、毛利和交易份額的時間序列。

支持訊號： 平台在總收入上升時，其傳統連結導流或某些外部點擊依賴占比下降，並可辨認新的收入和任務路由。反向證據： 長期資料顯示 AI 介面未造成任何新增路由，全部新收入仍只依賴舊流程，或宣稱的路由替代在預先指定時間窗內未出現。限制： 不允許用無限等待替代可檢驗的預測期限。

17. 第一代實證研究設計：先辨識入口，再辨識市場後果

17.1 最小研究單位與樣本群

建議至少建立三組可比面板：

• 任務面板：以匿名或經授權的任務識別追蹤資訊需求、介面配置、任務成功與外連／商業動作；
• 來源面板：以內容發布者、頁面類型、文章版本及產業追蹤來源曝光、訪問、內容更新與收益；
• 商業面板：以商家、廣告活動、商品類別或其他合法且可聚合之單位追蹤成本、廣告增量、合格商機、成交與退貨。

三組面板可以因隱私限制而只在統計上配對，不必要求研究者取得所有使用者的跨平台身分。缺乏跨面板連結時，應明白報告不能識別的結果。

17.2 最小介面比較實驗

建議在合規且獲授權的研究環境，以相同查詢任務隨機呈現：

1. 傳統搜尋結果與來源連結；
2. AI 摘要加來源連結；
3. AI 回答加更醒目、附註來源背景的連結；
4. 在合理購物任務中，額外提供清楚標示的贊助項目或可選結帳流程。

每個實驗條件都必須控制答案準確度、來源品質與可用商品是否相近。若某條件因模型錯誤而失敗，不能把失敗全部歸因於「有沒有外連」。高風險決策不得以實驗為由降低必要的安全審查或授權要求。

17.3 核心結果變數不能只用 CTR

至少測量：任務完成率、時間成本、正確率、來源辨識、資訊可信度、相關點擊、廣告標示辨識、合格商機、實際成交、單位客戶獲取成本、退款率、使用者保留、原始來源收益、平台可歸因成本。

若有些指標無法取得，應列出缺失情形，而不是使用 CTR 直接替代成交或福利。

17.4 使用者分配隨機化與平台干擾

個體層隨機試驗適合初步辨識介面差異，但若廣告出價、商家庫存和內容方行為會受整體處理份額影響，研究者需考慮集群隨機化、地域比較、平台版本階段性開放或其他不違反服務條款的自然實驗。

在有明確季節性、政策變化及競爭平台行為的市場中，對照組也可能經過同一個宏觀需求衝擊。理論上應估計並揭露集群內相關性、時間趨勢與跨處理干擾，而不把觀測前後差異當作實驗效果。

17.5 觀測到支出、流量與成交時的反事實問題

若企業增加廣告預算後收入維持，可能是廣告有效，也可能是該企業本就較有競爭力、品牌需求上升或對手退出。實證應優先使用符合倫理、合法性的增量實驗或具嚴格識別條件的準實驗；平台回報的 ROAS 本身不等於廣告的增量淨利潤。

這裡為 Paper 05 預留完整的廣告博弈與增量效果分析，不在本篇硬套任意競價均衡。

18. 觀測資料字典與報告契約

18.1 最小欄位集

禁止在研究公開資料中包含可直接重新辨識使用者的登入憑證、個人聊天、精確地址或不必要的敏感購買內容。若資料需跨站點連結，應由具授權的資料控制者遵循適用的隱私與研究倫理規範進行，而不是透過非授權的追蹤繞過使用者意願。

18.2 八個建議衡量比率

以下分母必須顯式宣告，不能把「會話」「查詢」「任務」「使用者」彼此混用。

1. AI 介面任務使用率：有 AI 回答的任務數／同範圍合格任務數。
2. 任務相關外連率：至少一次相關外連的任務數／合格任務數。
3. 來源辨識率：可正確指出原始來源的受測任務數／完成測驗的任務數。
4. 有效成果率：依先定義門檻成功的任務數／合格任務數。
5. 廣告識別率：能辨別贊助與非贊助內容者比例。
6. 合格商機形成率：有效商機數／相關商業任務數。
7. 有效成交率：去重且完成履約的成交數／相關商業任務數。
8. 來源持續供給率：固定樣本來源在指定期間保持符合品質門檻的原創更新比例。

有些指標需要明示「觀測不到」：例如 AI 的內部訓練採納、未揭露的模型檢索權重或未取得許可的跨平台交易。缺少這些資料，不能以可得的點擊或引用數填補。

18.3 五種不能當成同義詞的收入

平台收到的廣告款、商家全部營業額、商家增量毛利、內容來源取得的授權收入、使用者節省時間的福利估值，皆具有不同量綱、會計目的及歸屬。即使都能換算為貨幣，不表示在宏觀加總上可無條件直接相加。

19. 2027–2028 年的動態觀測計畫

19.1 時間窗不是預設轉折點

2027、2028 年在本系列中是可持續更新的觀測窗口，而非必然發生搜尋業崩潰、Google 失去優勢或 Agent 經濟成熟的預言。產品開放地區、廣告市場制度及模型推論成本都可能比預期發展更快或更慢。

19.2 建議每季追蹤四層結果

19.3 建立事件與制度版本時間線

不只記錄某個季度財報，還要記錄 AI 搜尋更新的實際可用區域、是否仍為測試、贊助呈現規則、來源連結 UI、商家可用結帳協議、費用制度及法規變化。

例如同一平台在某年十月改進內文連結，之後某些新聞網站外連改善，研究者不能立即推論該改善完全由 UI 引起；但這是一個值得設定事件時間、抽樣市場和比較群的研究機會。

19.4 最低版本化程序

每季針對既有假說更新：

事先登錄假說與適用域
    → 保存資料來源、日期、平台版本
    → 區分官方宣稱／獨立觀察／隨機實驗
    → 計算任務、流量、商機、履約等不同指標
    → 測試替代解釋與樣本外效度
    → 保留支持、反對、不可判定三種結果
    → 更新下一季要收集的資料

更新不可隨意修改過去的預測條件以避免失敗。需要新假說時，應保留舊版及失效原因，建立可追溯版本，這也是與 EWDT 的歷史變量原則一致之處。

20. 與既有《經濟世界域轉化論》（EWDT）的正式接口

20.1 搜尋不是世界域本身，而是世界域內一種中觀路由

EWDT-01 已將經濟世界定義為含對象、關係、歷史、合法性、意圖、可行集合與觀測投影的動態結構［I1］。EWDT-13 則把平台視為能篩選、轉接、放大或阻斷微觀需求的中觀結構［I2］。

本篇的新增之處，是將搜尋入口的功能由「提供排序連結」展開為可生成回答、商業比較、贊助展示及條件性交易執行的多路由中觀接口。平台沒有取代所有經濟主體，它改變的是若干主體之間形成有效關係的方式與成本。

以 EWDT 的關係語法理解，可能出現：

但這不意味全世界所有的 $R_t$ 都同步改變。局部功能可先發生型別變化，再經市場競爭、供給者適應、企業預算和制度規範逐步傳遞到其他域。

20.2 EWDT-02：同一個點擊率可以對應不同世界

假設甲、乙兩個產業的外部搜尋點擊率都下降 20%。甲是因 AI 直接解決大量重複資訊需求，消費者節省時間、來源仍透過授權維持收入；乙則是平台缺乏來源標示、資訊品質下降、原創出版者退出。

兩者的單一點擊投影相同，關係、收益、長期內容供給和福利卻不同。這正是 EWDT-02「投影等價不保證世界等價」的具體案例［I3］。

因此研究者不能將「原始來源點擊率」或「平台廣告收入」提升成判斷整個資訊世界域健康與否的唯一變數。

20.3 EWDT-05、06：平台能力增加與依賴風險可同時上升

平台整合搜尋、推薦和交易，可能降低某些摩擦，提高任務完成率；但也可能使商家和內容提供者依賴更少數入口，或讓資料授權、排序規則及轉換歸因更難遷移。

這同時對應 EWDT-05 的「耦合不等於單向穩定」及 EWDT-06 的歷史路徑依賴［I4］。一個企業長期依賴原有 SEO 入口，其網頁、廣告活動、會員與品牌投資可形成真實的歷史資產和切換成本。新入口並不保證它能零成本退出舊渠道。

更複雜的企業防禦性加碼博弈，留給 Paper 05；本篇只保留路由變更及切換成本的前置結構。

20.4 EWDT-07、12：需要、選擇、授權與有效需求分離

AI 將某個商品放進答案，不代表使用者需要它；使用者需要它，不代表有支付能力；已完成比較，不代表該平台具有合法的付款授權。EWDT-07 區分需要、偏好、有效需求及可交付供給，EWDT-12 則將微觀主體的候選、可知、合法與可行選項分開［I5］。

因此，從 AI 回答到交易不能被寫成一個沒有守衛的直接函數。若某項任務需要特別許可、正確存貨、身份核驗或不可替代的人工判斷，路由就必須保留這些條件。

20.5 EWDT-18：新路由形成不等於完成世界域擴張

AI 平台推出一個漂亮的購物示範或可生成更長的答案，屬於候選功能與產品部署；是否真正增加市場可達性，需要看它能否長期被安全採用、能否交付可用結果、是否擴張某些主體真正可行的選擇，以及收益與成本是否被社會吸收［I6］。

因此：

此式只是對「介面新功能不必然推出經濟世界域擴張」的簡寫，不把 EWDT 的完整可行集合強行約化為單一可加總量。

20.6 本篇與「AI 可讀網站」及「注意力不是生產域」的關係

既有《從 Human-Centric Web 到 AI-Readable Web》指出，網站需要考慮機器讀取、來源版本、權利與資料格式［I7］；《注意力不是生產域》則指出流量曝光並不必然沉積成可控制的生產資產［I8］。本篇把兩者放到商業入口的同一分析面：機器更易取得內容，未必提高原始網站的真人流量；真人在 AI 介面完成任務，也未必建立對內容供給者的長期直接關係。

這不是否定傳統網站，而是指出資訊使用、品牌識別、可操作入口與經濟收益的結構變得更複雜。

21. 競爭解釋、失效條件與研究邊界

21.1 可以挑戰本文的外部機制

許多搜尋和廣告市場改變，不必由 AI 引發，例如：

• 行動裝置、App、短影音與社群平台本已改變人類的導航習慣；
• 搜尋平台很早就有精選摘要、地圖、知識面板、站內資訊呈現；
• 零售平台的商品卡、推薦與內購原本就在縮短交易漏斗；
• 網站內容重複、付費牆、廣告過量及 SEO 垃圾內容，也能導致原始訪問下降；
• 疫情後需求結構、通膨、利率、景氣及產業競爭可能改變廣告主預算；
• 反壟斷、隱私、著作權及資料存取政策可能獨立改變流量和成交；
• 平台官方指標的定義或報表方法改變，可造成不涉及真實經濟轉化的表面數值差異。

正式因果研究若無法排除這些因素，應保留「觀測相容，但因果未確認」的結論。

21.2 三個可能使本文假說大幅修正的未來結果

情境 A： 大量代表性實驗證明，AI 搜尋增加任務成功與來源合格回流，且不壓縮內容供給者收益。這會削弱任何一般化的「AI 回答會導致來源經濟壓縮」假說，但不推翻本篇的多路由分類。

情境 B： 生成式搜尋雖吸引使用者，卻因推論成本及廣告主支付意願不足而難以持續營利，促使平台重新增加付費搜尋、訂閱、API 或外部導流。這要求修正入口貨幣化與交叉補貼模型的參數。

情境 C： Agentic Commerce 的技術與制度整合進展緩慢，用戶仍偏好親自操作商家網站。這將使「交易接口內部化」長期停留在少數場景，而非普遍市場相變。

本篇不應在任何一種情境出現時，以「未來還會改變」搪塞。應依前述十項假說的適用域和時間窗實際修正主張。

21.3 目前無法由外部資料確定的內容

目前公開資料不足以精準拆解 Google AI Mode 對 Search & other 收入的獨立貢獻、不同平台 AI 問答的完全推論成本、全球所有內容方 AI 引用帶來的收益，以及跨平台 Agent 交易的真實滲透率。

若相關業者未開放資料，不應用看似精確的數字替代。外部研究可以使用明示假設的區間估計、自然實驗、使用者同意的面板與公開財報反推上界／下界，但必須報告不確定性與模型依賴。

22. 本篇留下的正式跨論文接口

本系列的下一階段，不能把本篇未解問題全部揉成另一篇籠統的「AI 改變網路」論文，而應保持下列依賴鏈：

這一接口使後續每篇能追蹤自己的增量貢獻，而不以越寫越大的統一論述掩蓋具體、可反駁的研究問題。

23. 結論：搜尋入口不只是連結入口，也正在成為可操作的經濟路由

本文從既有 AI 經濟系列的網站流量、機器資訊需求與人類注意力分離出發，提出一個更具體的經濟問題：當生成式搜尋將原本位於多個網站的資訊整理成平台內的回答，並依情境增加非贊助比較、清楚標示的商業廣告和可用的交易路由時，原始網站、搜尋平台、廣告主及消費者之間的收益和權利應如何分析？

本文提出的 CEM 將搜尋轉化成任務相對的多路由事件圖，區分一次資訊需求、一次 AI 回答、一次來源點擊、一次贊助曝光、一次平台內結帳及最後有效交付。這些事件可以互相接續，卻不能隨意相加成多筆新增交易。模型同時指出，平台可以因更多商業意圖或交叉補貼而擴張，但免費 AI 的使用者價格不等於零供給成本，平台查詢增加也不保證廣告收入或利潤同比增加。

已有外部研究表明，至少在部分搜尋情境下，AI 摘要與直接來源點擊減少有關，並有指定環境下的試驗支持因果效應；Google 的官方收入統計則表明相關平台業務在 2026 年第二季持續成長。兩者沒有必然衝突，因為它們衡量不同的經濟投影。2026 年的 AI Mode 贊助廣告測試、UCP 商務接口與 10 月 15 日更醒目的來源連結更新，進一步表明平台一面嘗試更深的任務完成與商業化，一面仍需要維持與原始網站和內容供給者的關係。

然而，本文沒有證實新廣告機制必然提高所有企業利潤，也沒有證實傳統 SEO 或原始網站會全面衰退。使用者需求可能被 AI 直接完成，也可能因 AI 的探索能力而增加；部分直接點擊可能被取代，部分高意圖點擊、商家成交和新入口也可能增長。具體方向必須在特定任務、產業、地區、平台版本及經濟時間窗中透過可靠資料檢驗。

因此，本篇的核心命題可以收束為：

生成式搜尋使資訊取得、來源回流、非贊助選擇、贊助曝光、代理操作與交易完成，不再必然遵循同一條以網頁點擊為中心的流程。新的商業入口不是舊搜尋的單向消亡，而可能是多條資訊與經濟路由的替代、互補、重定向與再組合。

對 EWDT 而言，這是一個中觀經濟路由轉化的具體研究案例，而非一條全球必然趨勢。路由是否使世界域真正擴張，要看它是否長期創造可驗證、可交付、可負擔、可持續的有效關係；只看新增的回答卡、點擊率或單季平台營收仍然不夠。

下一篇將把本篇已經釐清的「平台營收與廣告主收益分離」正式推進到企業競爭博弈：即使部分廣告增量效益降低，企業為何仍可能選擇防禦性增加投放，甚至趁競爭者退出而進攻市場份額。那將是 AIEC Paper 05 的研究任務，而非在本篇預先判定的事實。

附錄 A. 論文內部符號表與版本邊界

版本邊界： 已有《經濟世界域轉化論》原稿以 EWDT（Economic World-Domain Transformation Theory）標記；本次對話曾口述 EWOT。本文維持既有 canonical source 的 EWDT 編號，不擅自改名既有論文。AIEC 僅為本新系列的編輯識別碼，不表示新增一套取代 EWDT 的經濟本體論。

附錄 B. 最小數值情境的可重算式

本篇所有情境都屬純示意（SIM），如欲重算：

# Paper 04: synthetic demonstration only; NOT observed market data.
scenarios = [
    {"tasks": 100000, "external_click_prob": 0.60, "sale_prob": 0.04},
    {"tasks": 160000, "external_click_prob": 0.30, "sale_prob": 0.05},
]
for item in scenarios:
    expected_clicks = item["tasks"] * item["external_click_prob"]
    expected_sales = item["tasks"] * item["sale_prob"]
    print(int(expected_clicks), int(expected_sales))

profit_old = 500 - 300
profit_new = 800 - 700
print(profit_old, profit_new)

計算顯示：舊情境相關來源點擊 60,000、成交 4,000；新情境相關來源點擊 48,000、成交 8,000；舊簡化利潤 200、新簡化利潤 100。這些數字僅證明不同指標可以反向變化，並沒有估計 AI 真實導致多少點擊、銷售或利潤變動。

參考文獻與原始來源

外部學術、政府及官方產品文件

• ［E1］ Simon, H. A. (1971). Designing Organizations for an Information-Rich World. In Computers, Communications, and the Public Interest. Johns Hopkins Press. 參照原典：https://gwern.net/doc/design/1971-simon.pdf 。本文取其資訊與注意力區分，不視為注意力總量的機械固定定律。
• ［E2］ Chapekis, A., & Lieb, A.（2025-07-22）. Google Users Are Less Likely to Click on Links When an AI Summary Appears in the Results. Pew Research Center. https://www.pewresearch.org/short-reads/2025/07/22/google-users-are-less-likely-to-click-on-links-when-an-ai-summary-appears-in-the-results/ 。900 位美國成人 2025 年 3 月瀏覽資料，非對每筆查詢隨機分派 AI 摘要。
• ［E3］ Wang, S. T., Gleason, J., Bart, Y., Wilson, C., & Metaxa, D.（2026-08）. AI in Search Reduces Publisher Referrals Without Improving User Experience: Experimental Evidence. arXiv:2608.18352. https://arxiv.org/abs/2608.18352 。預註冊田野實驗（ $N=1{,}100$ ），本文按研究時點標記預印本地位及外部效度限制。
• ［E4］ Reid, L.（2025-08-06）. AI in Search Is Driving More Queries and Higher Quality Clicks. Google Search 官方部落格。https://blog.google/products-and-platforms/products/search/ai-search-driving-more-queries-higher-quality-clicks/ 。Google 的平台自述，非獨立全產業試驗結果。
• ［E5］ Srinivasan, V.（2026-01-11）. New Tech and Tools for Retailers to Succeed in an Agentic Shopping Era. Google Ads & Commerce. https://blog.google/products/ads-commerce/agentic-commerce-ai-tools-protocol-retailers-platforms/ 。UCP 官方宣布及跨系統商務意圖。
• ［E5a］ Gupta, A.（2026-03-19）. AI Shopping Gets Simpler with Universal Commerce Protocol Updates. Google Shopping. https://blog.google/products-and-platforms/products/shopping/ucp-updates/ 。UCP 新增可選能力及商家整合進度。
• ［E6］ Reid, E.（2026-05-19）. A New Era for AI Search. Google Search / Google I/O. https://blog.google/products-and-platforms/products/search/search-io-2026/ 。AI Mode 規模屬平台官方公告，不等於實際成交數量。
• ［E7］ Google Ads & Commerce（2026-05-20）. A New Generation of Ads for the AI Era of Search. https://blog.google/products/ads-commerce/google-marketing-live-search-ads/ 。AI Mode 廣告格式、Sponsored 標示、Direct Offers 及 UCP 結帳相關測試／擴展。
• ［E8］ Loew, M.（2026-06-03，後續更新）. New Opportunities, Control and Insights for Website Owners. Google Search. https://blog.google/products-and-platforms/products/search/new-controls-website-owners/ 。英國部分網站先行之新控制與觀測功能；不預設全球同步可得。
• ［E9］ Alphabet Inc.（2026-07-22）. Alphabet Announces Second Quarter 2026 Results. SEC Exhibit 99.1. https://www.sec.gov/Archives/edgar/data/1652044/000165204426000066/googexhibit991q22026.htm 。Search & other、Network、YouTube ads 分項；單位百萬美元。
• ［E9b］ Alphabet Inc.（2026-07）. Form 10-Q for the Quarter Ended June 30, 2026. SEC. https://www.sec.gov/Archives/edgar/data/1652044/000165204426000071/goog-20260630.htm 。paid clicks、CPC、impressions、cost-per-impression 的官方定義與季度變動，見 Google Services / Monetization Metrics。
• ［E10］ Ervin, B.（2026-09-23）. We're Bringing AI Brief to More Languages and Adding a New AI Max Reporting Feature. Google Ads & Commerce. https://blog.google/products/ads-commerce/ai-max-language-reporting-features/ 。官方公告之報表規劃與開放範圍需分辨。
• ［E11］ Budaraju, H.（2026-10-15）. More Ways to Connect with the Web from Search. Google Search. https://blog.google/products-and-platforms/products/search/updates-ai-mode-overviews-explore-web/ 。內文來源連結、官方網站區、新聞輪播與創作者入口更新；截至 2026-10-16，沒有足以推出所有網站收益改善的因果資料。
• ［E12］ OpenAI（2026-02，2026-08 更新）. Testing Ads in ChatGPT. https://openai.com/zh-Hant/index/testing-ads-in-chatgpt/ 。Free／Go 廣告測試、贊助標示與回答獨立性；其他訂閱層級廣告政策依官方資料為準。
• ［E13］ OpenAI（2026-05-05）. New Ways to Buy ChatGPT Ads. https://openai.com/index/new-ways-to-buy-chatgpt-ads/ 。擴大廣告管理能力及 CPC 出價方案；不表示不同 AI 平台的廣告規則相同。
• ［E14］ Google Search Central（截至 2026-10-16 查閱）. AI Features and Your Website. https://developers.google.com/search/docs/appearance/ai-features?hl=zh-TW 。Google AI 搜尋基本 SEO 建議、內容預覽控制與 Search Console 的統計口徑；此為會更新的官方文件，應保留查閱日期。
• ［E15］ Google Ads & Commerce（2026-09-10）. Drive Profitable Growth with New Data and Measurement Tools. https://blog.google/products/ads-commerce/data-strength-updates/ 。Google 對資料基礎、增量測試與測量工具的官方說明，不是第三方成效保證。

EveMissLab 既有論文與系列前置

• ［I0a］ Neo.K／EveMissLab（2026）. 機器可見，而人類未必認識：雙重受眾的資訊識別落差. AIEC Paper 01, EML-AIEC-2026-01. AI_Economic_Coupling_Paper01_Machine_Visibility_Human_Recognition_v0.1_2026-10-16.md。
• ［I0b］ Neo.K／EveMissLab（2026）. 從爬取到付費：AI 資訊需求的層級與 AIO／GEO 邊界. AIEC Paper 02, EML-AIEC-2026-02. AI_Economic_Coupling_Paper02_From_Crawling_to_Payment_AIO_GEO_Boundaries_v0.1_2026-10-16.md。
• ［I0c］ Neo.K／EveMissLab（2026）. 供給膨脹、注意力收斂與新入口生成：非泡沫型網路轉化. AIEC Paper 03, EML-AIEC-2026-03. AI_Economic_Coupling_Paper03_Supply_Expansion_Attention_Convergence_New_Entrances_v0.1_2026-10-16.md。
• ［I1］ Neo.K／EveMissLab（2026）. EWDT-01：經濟世界域轉化論總論. https://unboundedaxiom.org/p/lm-004439/ 。經濟世界的對象、關係、歷史、合法性與轉化。
• ［I2］ Neo.K／EveMissLab（2026）. EWDT-13：中觀耦合域. https://unboundedaxiom.org/p/lm-004420/ 。平台、基礎設施、金融與企業的中觀路由。
• ［I3］ Neo.K／EveMissLab（2026）. EWDT-02：經濟投影失真論. https://unboundedaxiom.org/p/lm-004440/ 。觀測等價不等於結構等價。
• ［I4］ Neo.K／EveMissLab（2026）. EWDT-05：經濟耦合論. https://unboundedaxiom.org/p/lm-004441/ ；EWDT-06：歷史耦合與路徑依賴. https://unboundedaxiom.org/p/lm-004432/ 。
• ［I5］ Neo.K／EveMissLab（2026）. EWDT-07：供需的重新定義. https://unboundedaxiom.org/p/lm-004422/ ；EWDT-12：微觀世界域. https://unboundedaxiom.org/p/lm-004429/ 。
• ［I6］ Neo.K／EveMissLab（2026）. EWDT-18：AI 泡沫與經濟世界域擴張. https://unboundedaxiom.org/p/lm-004409/ 。候選、驗證、部署、吸收及沉積的判準。
• ［I7］ Neo.K／EveMissLab（2026）. 從 Human-Centric Web 到 AI-Readable Web. https://unboundedaxiom.org/p/lm-001202/ 。機器讀取、來源追溯及網站權利結構。
• ［I8］ Neo.K／EveMissLab（2026）. 注意力不是生產域：流量分配權與存量生產能力的重新整合.。注意力及長期可控制的生產資產。

原稿結束。 本篇的產品、財務及實驗事實均標記來源和日期；推演中的候選機制、反證條件與模擬數值不構成平台或經濟體的實測結論。若正式研究獲得新的資料，須以保留版本歷史的方式修訂，不得修改已發表原始數據以配合敘事。