AI 搜尋嘅新漏洞：品牌用「Sloptimization」操縱推薦，連 Google 都忍唔住出手

你問一個 AI 助手邊個電商平台最好，佢好有信心咁講出一個贏家。你睇唔到嘅，係背後一場無聲嘅工程——呢種做法，而家俾人叫做 sloptimization。呢個係一場橫跨幾十年嘅遊戲嘅最新版本：創造啲可以「排上位」嘅內容。只不過，今次嘅目標唔單止係 Google，仲包括每個 AI 聊天機械人背後嗰套檢索系統。

呢場對話嘅核心，係一個簡單但好強大嘅技術：大量發布自我宣傳嘅排名懶人包（listicle）——例如「2026 年十大最適合中小企嘅電商平台」——專登設計到令 AI 嘅「檢索增強生成」（Retrieval-Augmented Generation，簡稱 RAG）系統，更大機會將佢哋抽取出嚟、分析、然後喺答案入面引用。根據《大西洋月刊》（The Atlantic）報導，Shopify 至少發布咗 60 篇呢類獨立嘅排名懶人包，經常將自己排喺第一名，而且不停鏈接返去自己嘅排名頁面 。

當有記者問 ChatGPT「設立網上商店最好嘅方法係乜」，個模型將 Shopify 排喺第一——而且附上引用，指向 Shopify 自己嘅頁面 。呢個就係 sloptimization 嘅實戰示範。

Sloptimization 點樣影響 AI 聊天機械人

「Sloptimization」係一個貶義詞，用嚟形容嗰啲為咗俾機器檢索、排名或者合成而設計嘅內容，而唔係真心為人類嘅用處而寫。維基詞典（Wiktionary）將「sloptimized」定義為用人工智能生成、純粹為咗吸引人類注意力、但完全唔理質素同實用性嘅內容 。喺 RAG 呢個語境之下，個定義更加尖銳：內容嘅目的唔係為咗幫到讀者，而係為咗俾 AI 系統更容易檢索、分割成區塊，然後引用。

RAG 嘅運作原理，係透過語義配對（semantic matching）去檢索相關資訊，然後將呢啲資訊餵俾一個大型語言模型（LLM）去生成最終嘅回應 。呢個流程通常包含多個控制點——例如重新組織問題用詞（query rephrasing）、結果重新排序（reranking）、設計提示詞（prompt design）、同埋選擇參考文獻——呢啲環節加埋一齊，決定咗邊啲資料會進入模型嘅「上下文窗口」（context window） 。一個品牌只要發布幾百篇結構清晰、自我參考嘅比較頁面，就可以增加自己嗰套論述喺商業相關問題上，被抽中入去嗰個窗口嘅機會。

有研究專門探討點樣為 RAG 聊天機械人組織內容，明確指出內容結構同呢啲系統點樣提供準確、合符語境嘅回應係息息相關嘅 。編號列表、比較表格、清晰嘅標題同簡潔嘅摘要，對檢索系統嚟講係更容易分割同重用嘅。呢個就令到結構嚴謹嘅懶人包——特別係將發布者自己排第一嗰啲——成為操縱 AI 推薦嘅天然工具。

雙重遊戲：傳統 SEO 再加 RAG 優化

呢樣嘢並唔係要取代 SEO，而係喺上面再加多一層。

一直以嚟，公司都會為咗搜尋排名而做優化。Google 自己嘅核心更新文件都建議網站擁有者，喺一次更新全面推出之後，要評估流量變化，比較更新前同更新後嘅表現 。呢個遊戲大家已經好熟悉。新嘅係，同一樣嘅內容而家可以同時為咗 Google 嘅搜尋結果同 RAG 聊天機械人嘅檢索而做優化——即係兩個有唔同弱點嘅曝光渠道。

Google 已經開始回應。喺 2025 年 12 月嘅核心更新之後——呢次更新由 2025 年 12 月 11 日橫跨到 2026 年 1 月 1 日——多個 SaaS 同 B2B 品牌嘅自然流量暴跌 30% 到 50%，主要集中在博客、指南同教學呢啲入面放咗自我宣傳懶人包嘅子文件夾 。估計全球有 40% 至 60% 嘅網站喺呢次更新入面，排名出現咗明顯變化，其中聯盟行銷網站（affiliate sites）受到嘅打擊最嚴重，負面影響比率高達 71% 。

根據搜尋引擎權威媒體 Search Engine Land 嘅報導，排名跌得最犀利嘅，係嗰啲發布者將自己排喺第一位嘅「最佳XXX」自我推銷頁面，呢個跡象顯示 Google 可能正對呢類排名式產品比較頁面施加更嚴格嘅信任信號 。與此同時，一啲冇用呢種自我參考懶人包策略嘅電商同零售品牌，反而成為咗同一更新之下嘅大贏家 。

點解誠信問題比 SEO 垃圾資訊更深層

傳統嘅 SEO 垃圾資訊係睇得到嘅。你可以喺搜尋結果見到競爭對手嘅頁面，比較佢哋嘅說法，判斷佢哋嘅來源。但係 AI 驅動嘅搜尋就剔走咗好多呢種透明度：

• RAG 嘅答案係合成出嚟嘅。 用戶只見到一個單一答案——而唔係嗰套檢索組合、嗰個重新排序嘅邏輯，或者嗰啲原始文件。至於聊天機械人會唔會顯示參考文獻，就要視乎具體嘅執行方法 。
• RAG 唔會評估資料來源嘅動機。 RAG 嘅流程重點放喺語義配對、提示詞設計同回應生成，而唔係內置咗一個機制去評估資料來源係咪有商業利益衝突。研究證實，當提示詞直接同模型預先訓練嘅理解有矛盾嘅時候，RAG 系統仍然有可能俾佢檢索到嘅資訊誤導 。
• 操縱行為變得更加難偵測。 傳統搜尋嘅時候，用戶可以掃視多個結果，然後去唔同網站比較。AI 輔助搜尋之下，用戶只見到聊天機械人最後嘅合成結果。如果俾 sloptimization 操縱咗嘅比較頁面主導咗檢索組合，咁合成出嚟嘅答案就可以睇落好有權威，但本質上只係宣傳。

誘因結構已經開始轉移。當品牌意識到結構化嘅比較頁面喺 RAG 檢索入面表現咁好，佢哋就有好大嘅誘因去生產更多呢類頁面——而唔一定係生產更好嘅頁面。而且，因為 AI 生成內容本身就係一個常用嘅工具，用嚟大規模生產呢類頁面，呢個回饋循環只會更加快。

消費者面對緊一個愈滾愈大嘅信任問題。如果用戶冇辦法分辨一個聊天機械人嘅首選推薦，究竟係反映緊產品嘅真實優點，定係品牌成功針對 AI 檢索做咗優化，咁 AI 輔助產品研究嘅核心價值——快速、值得信賴嘅資訊整合——喺佢都未完全確立之前，就已經被動搖。