AI 推薦的三層:Understandability、Credibility、Deliverability
更新 2026-11-02
Kalicube 主張,AI 推薦專家時,實體身分是否清楚、主張是否有第三方 corroboration(互證),以及模型對推薦的信心,值得比單頁排名技巧更優先檢查1。它以 Jason Barnard 的 UCD 模型把工作分成三層,並引用 Authoritas 的假專家測試作旁證。但 Authoritas 並未測試 UCD 模型:其 11 名假專家、九個模型的樣本中,55 個按主題提問未出現假專家被推薦;另 11 個直接問名的問題中,研究報告模型合計 29.5% 的回答錯把假專家視為可信權威2。
目錄(8)
編譯自 Bernadeth Brusola · Kalicube〈AI Recommendation Has Three Layers. Here’s Which Experts are Working on Each.〉 · 2026-05-11 原文
完整來源聲明
來源聲明:本文根據 Kalicube〈AI Recommendation Has Three Layers. Here’s Which Experts are Working on Each.〉(Bernadeth Brusola,2026-05-11,Last Modified 2026-06-08)編譯整理,不是逐句翻譯。原文連結:https://kalicube.com/learning-spaces/faq-list/the-kalicube-process/ai-recommendation-has-three-layers-heres-which-experts-are-working-on-each。文中「編輯解讀」為本站觀點。
Kalicube 的 UCD 三層解釋框架
Kalicube 轉述 Search Engine Land 對 Rand Fishkin 研究的報導,並把 AI 推薦的一致性解讀為與實體清晰度、互證及信心有關;本站未獨立核驗該轉述的因果主張。AAO(Assistive Agent Optimization,輔助代理最佳化)則是 Kalicube 用來描述從「被找到」走向「被選中」的工作目標。
UCD 三層如下:
- Understandability(U,可理解性):AI 是否知道這個品牌或專家是誰?需要實體清晰、穩定的 Entity Home、結構化資料、乾淨架構與機器可讀訊號。
- Credibility(C,可信度):AI 是否相信其擅長所宣稱的事?需要 E-E-A-T、第三方互證、品質評估與可跨來源查證的聲譽證據。
- Deliverability(D,可交付性):AI 是否會對對的受眾主動推薦?需要主題權威、在模型會看的地方分布,以及在關鍵查詢上的一致存在。
Kalicube 把實務優先序寫成 Phase 1 建立可辨識的實體、Phase 2 補可核對的信任證據、Phase 3 檢查相關查詢中的推薦表現。這是該公司的解釋框架,不是已被 Authoritas 實驗證明的跨模型「機械順序」;被認出來也不保證被推薦。
各層對應的公開實務者(摘要)
原文以表格列出多位 SEO 實務者與主要 UCD 層(按字母序,許多人跨層)。以下保留 Kalicube 的歸類重點,非完整名單:
- U 或 U+D:Abner Molina(GEO/語意 SEO)、Aleyda Solis(技術與多語結構化)、Andrea Volpini(知識圖/語意)、Cindy Krum(實體優先索引)、Dixon Jones(實體 SEO/內部連結)、Jono Alderson(技術與效能)、Joost de Valk(WordPress 結構/主題權威)、Mark Williams-Cook(結構化資料/意圖)、Mike King(AI 搜尋策略/NLP)。
- C 或 C+D:Evan Bailyn(線上聲譽)、Kevin Indig(產品導向指標)、Lily Ray(E-E-A-T/AIO)、Marie Haynes(搜尋品質/信任)、Jason Barnard(實體/Brand SERP/NEEATT/AAO,橫跨 U+C+D)。
- D:Koray Tuğberk GÜBÜR(語意 SEO/主題地圖)、Ross Simmonds(內容分布/生成式能見度)。
表格用途是評估「誰在補 AI 真正吃的輸入」,不是 SEO 名人排行榜。
Authoritas 假專家測試的範圍
Authoritas 測試的是英國一宗假專家公關事件中的 11 個虛構人物,而非 Kalicube 的 U、C、D 三層。研究對九個模型各提 66 題:55 題按行業主題尋找專家,11 題直接詢問某個假專家。按主題的回答中,該樣本沒有假專家被推薦;直接問名時,原研究報告合計 29.5% 的回答錯誤承認其專業權威。這顯示兩種提問方式的結果不同,不能概括成「假專家不會被 AI 相信」。
Kalicube 以 Entity Home、個人簡介一致性與第三方互證來解釋這一觀察,可作為檢查清單;Authoritas 沒有逐項操縱這些因素,也沒有測試 UCD 的先後順序或改善效果,因此不能稱為對 UCD 的驗證。
為什麼有些大聲量 SEO 不在表上
Kalicube 指出:許多熟練 practitioner 仍在優化正在退場的系統——排名、捷徑、單頁 hack,而缺少實體理解與機器信心模型。表上的人更常回答:機器知道你是誰、是否可信、是否該推薦給從未聽過你的人。
如何使用這個框架
名單不 exhaustive,層級映射也不 rigid。評估顧問或 agency 時問三句:主要強化哪一 UCD 層?有何公開證據?公開作品是否經得起 AI 推薦機制檢驗?答案顯示對方是為抵達的系統做準備,還是仍在為離場的系統優化。
常見問題
- UCD 三層的順序可以跳過嗎?Kalicube 建議先釐清身分,再補互證,最後測試推薦;這可作工作優先序,但不是已證明所有模型都無法「跳層」的定律。
- AAO 和 AEO 有什麼差別?AEO 偏被找到與被引用;AAO(Jason Barnard 2025 提出)把目標推到輔助代理在對話中「選擇」你完成任務。
- 假專家研究說明了什麼?Authoritas 測試 11 名假專家與九個模型:55 個主題題中沒有假專家被推薦;11 個直接問名題中,原研究報告合計 29.5% 的回答錯把假專家當可信權威。研究未檢驗 Entity Home 或 UCD 三層的因果效果。
- 這份專家表要怎麼用?當評估透鏡看對方公開工作補哪一層,不要當排名或背書清單;許多人跨多層。
編輯解讀
一句話重點:可用 UCD 檢查身分、互證與推薦三類工作;把 Authoritas 的假專家結果當成有限樣本觀察,別當成三層模型已獲驗證。
這對你的網站意味著什麼:
- 選一個 canonical 關於頁或組織頁當 Entity Home,其餘 profile 連回同一套事實。
- 列出 5–10 個第三方來源是否重複同一主張,而不是只盯 Domain Rating。
- 用固定問題集測「被提及」與「被當權威推薦」是否一致。
適用與不適用的情境:適用個人品牌、B2B 專家與需要 AI 推薦的品類。不適用把 Kalicube 表格當成 hiring 唯一依據;UCD 來自 Kalicube 方法論,有商業利益。
需要注意的限制:Authoritas 樣本是 11 名假專家、九個模型,每模型 55 個主題題與 11 個直接問名題;29.5% 為原研究所報直接問名回答的合計錯誤率,不宜推及所有模型與題型,更不能用來證明 UCD 順序。專家映射為 Kalicube 主觀歸類。Search Engine Land 轉述未在本站另核原文。
延伸閱讀:
可複用規則2 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
Kalicube 的 UCD 將工作分為 U=身分可理解、C=可信互證、D=相關查詢中的推薦表現,可作自診框架。其 U→C→D 是廠商建議的優先序,不是 Authoritas 已驗證的跨模型機械規則;應按實際證據調整。
- U/C/D 各層證據
- Kalicube 方法論利益與證據邊界
Authoritas 測試 11 名假專家、九個模型,每模型 55 個主題題與 11 個直接問名題;主題題樣本中零假專家獲推薦,但原研究報告直接問名回答合計 29.5% 錯認其專業權威。研究未測 UCD、Entity Home 或三層先後順序。Kalicube 專家表是主觀映射,非排行榜或研究結果。
- Authoritas 兩種題型與 11 名假專家樣本
- 29.5% 僅為原研究所報直接問名回答合計錯誤率
- Kalicube 專家表的主觀性
名詞與資料來源
- UCD 框架、專家映射與 AAO 脈絡 — Kalicube:〈AI Recommendation Has Three Layers〉 https://kalicube.com/learning-spaces/faq-list/the-kalicube-process/ai-recommendation-has-three-layers-heres-which-experts-are-working-on-each(檢索日期:2026-10-14)
- 假專家與 AI 推薦 — Authoritas:〈Can you fake it til you make it in the age of AI search?〉 https://www.authoritas.com/blog/can-you-fake-it-til-you-make-it-in-the-age-of-ai-search(檢索日期:2026-10-14)