健康類 AI Overview 的引用域，和自然前 10 只重疊 46.2%
Goodie 寫，健康類 Google 查詢的 AI Overview 所引用的網域，和自然搜尋前 10 名只重疊 46.2%。那是一篇 2026 年、美國、900 個健康相關查詢的同儕審查稽核，不是 Goodie 自己的監測面板，也不能外推到其他行業。排名還在，但排在前面不足以讓醫院被寫進回答。
目錄（10）
編譯自 Goodie · Mostafa ElBermawy · 2026-10-08 原文
完整來源聲明
來源聲明：本文根據 Mostafa ElBermawy（Goodie，2026-10-08）〈AEO for Healthcare: The 2026 Guide for Health Systems〉編譯為繁體中文，不是逐句翻譯。Pew、Copilot 研究和 Ahrefs 的對照另附原文。900 個查詢的稽核、OpenAI 的每週 2.3 億、骨科研究和 HHS 指南這次打不開，數字只保留 Goodie 的轉述，不附連結。原文：https://higoodie.com/blog/aeo-for-healthcare-guide。文中「編輯解讀」為本站觀點，不屬於原文。檢索日期：2026-10-17。
病人已經在用對話決定要不要就醫
Goodie 把流程寫成同一段對話：先問檢驗值嚴不嚴重、該看哪一科，再問附近誰看這個病、收不收某張保險。過去二十年，醫院搜尋把這些步驟做成不同頁面、各自去排。現在模型把步驟接在一起。他們定義的健康類答案引擎優化，是讓臨床經驗、醫師、地點和能不能約到，被 ChatGPT、Gemini、Perplexity、Claude，以及 AI Overviews、AI Mode 取出、核對並引用。GEO、LLM SEO 在這篇裡指的是同一件事。
數字要分開。OpenAI 在 2026 年 1 月推出 ChatGPT Health 時說，全球每週有超過 2.3 億人向 ChatGPT 問健康和保健問題。這則公告這次是 403，這裡不附連結。Pew Research Center 在 2026 年 6 月問了 3,488 名美國成人：34% 至少用 AI 聊天機器人做過一件健康相關的事；25% 用來判斷症狀原因；20% 用來理解檢驗報告；15% 用來決定要不要去看醫生1。15% 是「要不要就醫」，不是到院人次。
Microsoft AI 研究人員 2026 年發表在 Nature Health 的分析，看了 617,827 則與健康有關的 Copilot 對話。40.8% 是一般健康資訊；近五分之一是個人症狀或病情討論；這些個人問題裡大約七分之一問的是別人，不是使用者自己。症狀問題在傍晚和夜裡變多，也就是一般門診最難接觸的時段2。Goodie 的區分是：「什麼是高血壓」要的是說明；「我現在身上發生什麼」要的是推理。多數醫院網站是為前一個問題建的。
46.2% 只描述那 900 個健康查詢
那次稽核裡，AI Overview 出現在 87.7% 的查詢上，每則回答平均 8.9 個引用。被引用的網域和 Google 自然前 10 名的重疊是 46.2%，所以有一大塊引用落在排名報表外面。同一研究裡，YouTube 是健康回答的第二常見來源。這篇稽核的 DOI 這次是 403，這裡不附連結。87.7%、8.9 和 46.2% 是這 900 個美國健康查詢的結果，不是所有查詢，也不是你的科別。
Goodie 把兩種權威分開。臨床權威是來源在醫學上站不站得住。回答權威是它能不能乾淨地解決眼前這個問題。醫院可以臨床很強，仍把引用輸給一支更清楚的醫師影片，或對手寫得更好的決策頁。
他們自己的 AI Social Diet 另算：2026 年 1 月到 8 月，10 個 AI 入口共 1,856,259 次社群引用。社群內容占 AI 引用的比例從 4.9% 升到 7.2%，自有內容是 2.5% 到 2.8%，大約三倍這個差距是他們的比較方式，YouTube 仍是最大的社群來源。這組和 46.2% 不是同一次抽樣，不能加在一起。
Healthcare Providers AI Visibility Index 追的是 AI Mode、ChatGPT、Copilot、Perplexity 上 3.5 萬條健康提示、260 萬則 AI 回答。六個月排行榜前段是 Mayo Clinic 77.9、Teladoc Health 73.7、Cleveland Clinic 71.2。兩家遠距醫療 Teladoc 和 Amwell 排在 Johns Hopkins Medicine 和 Kaiser Permanente 前面。前四名以下很擠：進前 10 需要的分數 26.4，同時也是這個產業的中位數。這是 Goodie 的指數，不是那 900 個查詢的稽核。
六個問題裡，醫院多半只做了第一個
Goodie 要計畫回答的是病人的問題，不是科室架構：發生了什麼、嚴不嚴重、能做什麼、該誰治、去哪裡、我進得去嗎（收不收這張保險、這週有沒有號）。前三個是臨床資訊。後三個是找得到人、找得到地方、約得到，也是他們說病人從哪裡被爭取走的地方。多數體系把預算放在第一題。
他們要的資訊架構是機器讀得懂的一條鏈：病情、治療選擇、處置、專科、醫師、地點、保險、預約。心房顫動接到藥物或消融，再接到電生理、做這個的醫師、心律計畫、院區和預約。這條鏈幾乎沒有人完整露出來。
「什麼是心房顫動」已經被 Mayo、Cleveland Clinic 和 WebMD 這類頁占住。還開著的是決策：什麼時候考慮消融而不是藥物、乳房腫瘤切除和乳房切除怎麼選、乳房攝影異常之後會發生什麼、腹痛該掛急診還是緊急照護、胰臟癌診斷之後該問什麼。頁面要接得住下一個問題。檢驗值 190 的人接著會問是不是遺傳、要不要用藥、看哪一科、多快要行動。把這一串寫在同一頁、而且每一段能被單獨抽出的，給模型的材料比只定義名詞的頁多。
他們認為比再寫一篇定義更有用的兩件事：第一，醫院自己的結果數據，例如 5,200 例膝蓋置換之後的恢復。方法要寫期間、對象、樣本數和限制，出版商無法用既有網頁重做出這份數據。第二，醫師影片當成答案，而不是品牌形象。做消融的電生理醫師講「什麼時候心房顫動需要消融」，附上全文逐字稿，嵌在對應的臨床頁，並連到醫師頁。一支素材同時服務 YouTube、一般搜尋、AI 取出和病人信任。5,200 是他們舉的標題寫法，不是某家醫院公布的數字。
醫師頁要的是能核對的事實，不是形容詞
2026 年 International Journal of Medical Informatics 的研究看了 40,500 則請 ChatGPT 推薦骨科醫師的查詢。52.8% 的回答拒絕推薦任何人。有寫出名字、並被人工編碼的 1,000 則裡，只有 44.6% 的醫師名字是有效且能核對的。PubMed 這次沒有回到 200，這裡不附連結。研究有限制，Goodie 寫不要拉到每一個模型和每一個專科。它說明的是：模型常常沒有足夠把握就不敢推薦。
名錄本身也不乾淨。CMS 在 2016 到 2018 年複查 Medicare Advantage 的線上醫師名錄，依輪次，45% 到 55% 的地點至少有一項不準；最後一輪是 48.74%。這是 Goodie 的轉述。若網路上關於你的醫師的資料有一半是錯的，模型要嘛不答，要嘛答成別人。
要推薦一位醫師，模型得能確定：這個人在、在哪裡執業、專長是什麼、做不做這個處置、收不收這張保險、資料是不是現在的。頁面上要的是可取出的事實。認證、訓練、治療的病情、做的處置、論文和隸屬、地點、語言、參加的保險。重要醫師還要對上州執照、專科認證、學術頁、PubMed、ClinicalTrials.gov、保險名錄和評分站。舊地址、過期隸屬、專科用詞不一致、重複檔案，都會讓鏈斷掉。醫師離開時要把頁面轉址或下架。用 robots.txt 把個人頁擋掉，只會把答案交給一份過期的第三方名錄。
Goodie 把代理選醫院寫成一條要逐節取出的鏈。資訊那幾節多數體系還做得過去。發現那幾節常斷：醫師名錄被擋、保險頁被擋、第三方資料過期、沒有機器看得到的預約路徑。52.8% 的拒絕率被他們讀成鏈在形成推薦之前就斷了。代理不會告訴病人「這家的名錄被擋了」，它直接說另一家的名字。預約若之後能由程式完成，斷掉的就不再只是一次引用，而是一個病人。這段預約是他們對之後的判斷，不是已上線的功能。
20 家美國體系：多數是無意中讓代理讀得到
2026 年 8 月，Goodie 看了 20 家顯著的美國健康體系網站：robots.txt、網站地圖、針對爬蟲的規則，以及代理能否進入的信號。等級量的是技術上代理讀不讀得到，不是醫學權威，而且 robots 會改，不能把某一家的等級當成現況。一家等級差仍可能靠機構權威被大量引用。等級量的是這份權威有沒有變成機器讀得懂的形式。
20 家裡 11 家落在 B：讀得到，但是無意的。只有 2 家是 A，而且是把機器讀者當成真正的讀者才到的。多數檔案是多年前的 User-agent: * 加一串短的排除，AI 爬蟲繼承這份舊設定。缺口因此是無意的、具體的。
他們點名的例子：Kaiser Permanente 有地區、院区和醫師的網站地圖，卻在 robots.txt 擋北加州醫師名錄。MD Anderson 擋病人教育，也就是回答治療和下一步時會用到的那類內容。Mount Sinai 的實體架構在這批裡很乾淨，卻擋保險頁，模型找得到多發性硬化症的專家，仍答不出收不收你的保險。UPMC 對一般爬蟲擋健康圖書館，卻明確放行 Bingbot；在只有 Google 和 Bing 會讀的時候說得通，ChatGPT、Claude、Perplexity 直接來取時就不是。Houston Methodist 在 robots 裡單獨排除 150 條以上的醫師頁網址，有些應是已離職的人；藏起來會讓過期的第三方名錄變成最新的來源。UNC Health 用了 Cloudflare 的 Content-Signal（搜尋允許、AI 訓練不允許）並按名字擋訓練爬蟲，同一份檔案裡又有衝突的萬用 Disallow: /，實際行為取決於各爬蟲怎麼處理優先順序。要拿真實的代理去試，不要假設檔案等於作者的意圖。
強的一端：Mayo Clinic 為病情、醫師傳記、藥物、症狀、處置、影片和多語內容分開發布網站地圖。Cleveland Clinic 允許主要的 AI 爬蟲，網站地圖超過 4 萬筆且帶 lastmod，有 JSON-LD，並發布 llms.txt。臨床權威加上刻意讓機器讀得到，是他們說要打過的組合。
三層：搜尋讀得到（Google 能索引，幾乎都在）；AI 取得到（病情、醫師這類實體各自能被發現，領先的學術體系在這裡）；代理走得完（問題、病情、治療、醫師、地點、保險、預約都能走，而且搜尋、取出、訓練分開治理）。幾乎沒有人在第三層。
擋訓練，不要連取出一起擋；標記不是引用槓桿
OpenAI 把 OAI-SearchBot（ChatGPT 搜尋發現）、ChatGPT-User（使用者觸發的瀏覽）和 GPTBot（訓練）分開。Anthropic 是 Claude-SearchBot、Claude-User、ClaudeBot。醫院可以放行兩個 SearchBot，同時限制 GPTBot 和 ClaudeBot3。法務若要求不參與訓練，擋的是訓練用的名字。一條「擋住所有 AI」通常是為訓練寫的，會把醫師、地點和病情從病人看得到的回答裡拿掉。
robots.txt 按內容類別審：病情、處置、醫師、地點、保險對搜尋和取出開放；訓練是法務的決定；預約應用、站內搜尋和病人入口後面的東西維持關閉。目標是有意露出公開的醫療知識，交易和已登入的部分保持關閉。
標記不會直接帶來引用，不要把它賣成董事會上的槓桿。Ahrefs 2026 年追了 1,885 個加上 JSON-LD 的頁面，對上 4,000 個配對對照，在 ChatGPT 和 Google AI Mode 沒有看到有意義的引用提升，AI Overviews 還略降4。Google 2026 年的指南說，出現在 AI Overviews 或 AI Mode 不需要 llms.txt、特殊的 AI 檔案或特殊標記。Physician、MedicalOrganization、MedicalCondition、MedicalProcedure、VideoObject 仍值得做對，因為它幫助機器解讀，也服務一般搜尋。順序排在爬蟲進得來、實體準、決策內容之後。多數機構把這個順序倒過來了。1,885 和 4,000 是 Ahrefs 的對照，不是醫院樣本。
從「什麼是心房顫動」走到「誰在我附近看這個」，系統還要專科、地點、醫院隸屬、參加的保險、時間、遠距，以及是否需要轉介，並且網站、Google 商家檔案、保險名錄和第三方資料庫要一致。錯的地址，病情頁再好也補不回來。保險參加與否要放在病人和代理都讀得到的地方。推薦了卻不能行動，答案是不完整的；Goodie 寫模型越來越偏好能完成的答案。
健康內容在 Google 屬於 YMYL，醫學審閱、具名且有資格的作者、標了日期的證據有分量。測量不能碰 HIPAA：HHS 關於線上追蹤技術的指南在 2024 年 6 月被聯邦法院部分撤銷，仍影響醫院能在未登入頁面放什麼；受保護的健康資訊不該進提示詞監測或分析管道。HHS 那頁這次是 403，這裡不附連結。合規要在儀表板做出來之前就參與。法院部分撤銷是 Goodie 的說法，這次沒有另讀判決。
量的是整條路徑，不是一個 AI 分數
一個總分會把不同階段混在一起。分開看：內容有沒有進到回答（教育類引用率）、品牌被提到的比例、醫師有沒有被列成選項、服務線相對對手的推薦占比、描述是否正確、人從了解轉到選擇時你還在不在。
提示詞用病人的處境，不用關鍵詞。「紐約最好的心臟科」換 20 種說法說明不了什麼。一組要涵蓋症狀、檢驗判讀、分流、治療決定、選專科、找醫師、比較機構、第二意見，以及「哪家收我的保險」。跨模型重複跑。回答是機率性的，跑一次只是一則軼事。
不要只拿引薦流量當 AI。病人在 ChatGPT 看到醫院名字，再去 Google 你、然後預約，分析把功勞記在 Google。考慮是在 AI 裡形成的。就診和「你怎麼知道我們」的表單加上 AI 助手這個選項，和最後一次點擊分開存。製造考慮的渠道，和記下這次造訪的渠道，越來越不是同一個。
技術修復，例如打開被擋的醫師名錄或保險頁，可以在爬蟲再來時就出現。決策頁、醫師資料清理和賺來的媒體要疊幾個月。Goodie 沒有在這篇給出週數或月數的對照測試。
常見問題
- 46.2% 是不是所有健康查詢、或 Goodie 面板的數字？都不是。那是 Goodie 所引的 2026 年同儕審查稽核：美國 900 個健康相關 Google 查詢。AI Overview 出現在 87.7%，平均 8.9 個引用，引用域和自然前 10 重疊 46.2%。不能外推到其他行業，也不能和他們 260 萬則回答的指數混成一個分母。
- 34% 和 15% 是不是到院的人變少了？不是。Pew 在 2026 年 6 月問 3,488 名美國成人：34% 至少用 AI 聊天機器人做過一件健康相關的事，15% 用來決定要不要去看醫生。這是使用經驗，不是醫院的掛號量。每週 2.3 億是 OpenAI 對 ChatGPT 健康與保健問題的說法，分母是全球、每週。
- 醫院該不該擋住 GPTBot？法務若要求不參與訓練，擋 GPTBot 和 ClaudeBot。搜尋和取出用的 OAI-SearchBot、Claude-SearchBot 要分開留著。一次擋住所有 AI 使用者代理，會把醫師、地點和病情從回答裡拿掉。
- 加上醫師和病情的標記，就會被引用嗎？Ahrefs 對 1,885 個新加 JSON-LD 的頁面和 4,000 個對照，沒有看到 ChatGPT 或 AI Mode 的引用提升。標記仍幫助機器讀醫師、病情和處置，但排在爬蟲進得來、實體資料一致、決策內容之後。
- 怎麼讓 ChatGPT 推薦本院的醫師？讓每位醫師能被核對：專科、做的處置、地點、收的保險、認證，而且和執照、保險名錄、第三方清單一致。40,500 則骨科查詢裡 52.8% 拒絕推薦任何人；寫出名子的 1,000 則裡只有 44.6% 能核對。這是骨科、ChatGPT 的一次研究，不是所有專科。
編輯解讀
一句話重點：健康類 AI Overview 的引用域和自然前 10 只重疊 46.2%，而且只限那 900 個美國查詢。醫師被推薦，靠的是名錄、保險和頁面事實對得上，不是排名本身。
這對你的網站意味著什麼：
- robots.txt 按內容類別看：病情、醫師、地點、保險對取出開放；訓練爬蟲另案；入口和預約應用維持關閉。
- 醫師頁寫可核對的事實，離職的人轉址或下架，不要只在 robots.txt 裡把網址藏起來。
- 定義頁之外，補「何時選 A 而不是 B」以及保險、地點這段找得到人的內容。
- 引用率、被提到、醫師被推薦、描述是否正確分開記。就診表單加 AI 助手，不要只看 GA4 的引薦。
適用與不適用的情境：適用於美國健康體系檢查名錄、保險頁和爬蟲是否把「找醫師」這段弄斷。不適用於把 46.2%、77.9 或 20 家的等級寫成你的科別會被引用的機率。
需要注意的限制：Goodie 賣健康體系的 AI 可見度監測、提示詞研究和爬蟲分析。20 家的等級是 2026 年 8 月的 robots 與架構，不是醫學品質，而且檔案會改。52.8% 和 44.6% 是骨科、ChatGPT。CMS 的 45% 到 55% 是 2016 到 2018 年的 Medicare Advantage 名錄。HIPAA 指南被部分撤銷是文中的說法。5,200 例膝蓋置換是舉例用的標題，不是一項公開研究的結果。
延伸閱讀：
可沉澱規則 · 供站點自檢3 條
從本文提煉，可供人工對照或 AI 分析站點時作為依據。全部規則
健康類 AI Overview 引用域和 Google 自然前 10 的重疊是 46.2%，來自 2026 年美國 900 個健康查詢的同儕審查稽核。AI Overview 出現在 87.7%，平均 8.9 個引用。這不是 Goodie 260 萬則回答的指數，也不能外推到其他行業。
- 寫明 900 個美國健康查詢
- 沒有和 77.9、73.7 這類指數分混用
法務若要求不參與訓練，擋的是 GPTBot 和 ClaudeBot。OAI-SearchBot 和 Claude-SearchBot 是搜尋與取出，要分開留著。一次擋住所有 AI 使用者代理，會把醫師、地點和病情從回答裡拿掉。
- 訓練爬蟲和搜尋爬蟲分成不同群組
- 病情、醫師、地點、保險沒有被萬用 Disallow 蓋掉
ChatGPT 在 40,500 則骨科醫師推薦裡有 52.8% 拒絕推薦任何人；寫出名字的 1,000 則裡只有 44.6% 能核對。醫師頁要有專科、處置、地點、保險和認證，並和執照與保險名錄一致。這是骨科、ChatGPT 的一次研究。
- 離職醫師是轉址或下架，不是只在 robots.txt 隱藏
- 保險頁沒有被擋
名詞與資料來源
- 美國成人 34%、25%、20%、15% — Pew Research Center：〈From diagnoses to treatments: Why Americans use AI chatbots for health〉 https://www.pewresearch.org/science/2026/08/25/from-diagnoses-to-treatments-why-americans-use-ai-chatbots-for-health/（檢索日期：2026-10-17）
- 617,827 則 Copilot 健康對話 — Nature Health https://www.nature.com/articles/s44360-026-00117-x（檢索日期：2026-10-17）
- OAI-SearchBot、GPTBot、ChatGPT-User — OpenAI：〈Bots〉 https://developers.openai.com/api/docs/bots（檢索日期：2026-10-17）
- 1,885 頁 JSON-LD 對 4,000 對照 — Ahrefs：〈Schema markup and AI citations〉 https://ahrefs.com/blog/schema-ai-citations/（檢索日期：2026-10-17）
- Mostafa ElBermawy／Goodie：〈AEO for Healthcare: The 2026 Guide for Health Systems〉 https://higoodie.com/blog/aeo-for-healthcare-guide（刊登：2026-10-08；檢索：2026-10-17）