AI 是如何介紹你的診所的

定義

AI 代理型的候選選定

以患者的煩惱、希望、區域、價格帶、便利性等為起點，AI（ChatGPT / Claude / Gemini / Perplexity / Google AI Overviews 等）整理條件、建構醫師與診所的候選集合，並附上理由地一連串處理比較、篩選、行動支援的過程。其目標函數不是在搜尋結果中取得排名，而是「針對諮詢提示並說明候選」。

定義

說服材料

AI 在比較、摘要候選時能夠參照的、經過確認且一致的資訊。包含醫師資訊、各項施術的專業性、案例表述、評論、常見問題、併發症應對、價格帶、來自外部的介紹資訊等。所問的不僅是資訊是否存在，還包括醫院名稱、醫師姓名等表記是否一致、多個資訊來源之間是否沒有出入。

定義

候選集合

在特定查詢脈絡中，AI 向患者提示的醫師、診所之集合。不一定與價格帶、患者層、商圈的傳統定義一致，其構成會依煩惱、施術、區域、風險敏感度等的組合而變動。

1. AI 搜尋對策，不只是在 AI 的回答中出現名字

聽到「AI 搜尋對策」，許多人最先想到的，或許是自己診所的名字是否顯示在 ChatGPT、Claude、Gemini、Perplexity 的回答中這樣的觀點吧。

那個觀點作為出發點是正確的，但若僅以此掌握，就有可能誤讀 AI 搜尋所帶來的結構變化。

AI 搜尋並非只是把「搜尋結果清單的前 10 件」以另一種形式呈現。它正朝著以患者諮詢為起點，整理條件、蒐集候選的醫師與診所並附上理由地比較，最終一連串地進行到諮詢或預約之判斷支援的方向前進。

也就是說，AI 搜尋對策的論點不僅止於「在 AI 回答中出現名字」。它已擴展到「整備出一種狀態，讓 AI 在選擇候選的過程中，正確理解貴診所與負責醫師，並能附上理由地加以說明」。

2. 患者會把煩惱、條件、區域、價格帶一併向 AI 諮詢

實際的患者諮詢，正逐漸變得無法僅以診所名稱搜尋就完成。對 AI 而言，可以設想例如以下這樣的諮詢。

• 「就眼周的煩惱，在可通勤到 〇〇 區域的範圍內，哪些治療會成為候選」
• 「在這個區域，重視自然完成度時會成為候選的醫師是誰」
• 「恢復期短、價格與實績取得平衡的候選在哪裡」
• 「連失敗或併發症應對都考慮進去的話，該確認哪些地方」

這些諮詢並非單一關鍵字，而是 煩惱 × 條件 × 區域 × 價格帶 × 安全性 的複合脈絡。AI 會分解那個脈絡，試圖整理對應的施術、診療領域、候選的醫療機構與醫師。

3. AI 會附上理由地比較醫師與診所

AI 提示候選時的特徵，在於它不是「只是並列」，而是「附上理由地說明」。

例如，若包含「重視自然完成度」這樣的條件，就可觀察到 AI 組合案例的傾向、醫師個人的發言或論文、評論中的提及，並為每個候選附上簡短說明的行為。

此時，是否有 AI 能用來組織說明文的材料，會大幅改變作為候選的說服力。材料匱乏時，AI 傾向於不勉強生成說明，而是優先選擇其他候選。

另外，AI 判斷資訊可信度時的觀點，與 Google 的搜尋品質評估指南（Search Quality Evaluator Guidelines）所示的 E-E-A-T（經驗、專業性、權威性、可信度）框架相近。資訊是否可確認、內容是否一致，往往受到重視。雖然存在 AI 搜尋特有的調整，但在醫療領域，這個觀點被觀察到特別強烈地發揮作用。

這裡重要的是，在「被 AI 選中」之前，先整備出「貴診所的資訊已正確傳達給 AI」的狀態。資訊未被正確傳達的候選，要不是根本不進入比較的對象，就是被當作難以說明的候選來處理。

4. 在美容醫療中，醫師個人的資訊變得重要

作為美容醫療領域特有的論點，可以舉出 不僅是診所單位，醫師個人也會被指名、比較、列入候選 這一點。

患者在選擇施術時，會參照負責醫師的經驗、案例的傾向、專業領域、所屬學會、應對風格、社群媒體上的發言等。AI 在回應患者諮詢的過程中，也有將醫師個人列入候選的情形。

此時 AI 試圖參照的，例如是以下這樣的資訊。

• 醫師的經歷、資格、所屬學會、專科醫師資格
• 所負責的施術領域，以及在該領域的經驗年數
• 官方網站的醫師簡介、外部媒體的介紹、學會官方頁面等的相互參照
• 評論、案例投稿網站上對醫師個人的提及

若這些沒有作為同一位醫師的資訊被一致地整理，AI 就會在「這家診所有多位醫師任職」「不清楚由誰負責」的狀態下處理，也就難以將該醫師個人列入候選。

5. AI 所參照的「說服材料」是什麼

至此所觸及的「AI 為了附上理由地說明候選而參照的材料」，本媒體稱之為 說服材料。

說服材料大致可以整理為以下類別。

• 醫師資訊 — 經歷、資格、專業領域、所屬學會、應對風格
• 各項施術的專業性 — 施術領域 × 經驗年數 × 案例傾向的組合
• 案例表述 — 在滿足醫療廣告指南限定解除要件的前提下對案例的說明
• 評論 — Google Business Profile、評論網站、社群媒體上的提及
• 常見問題 — 是否以整理好的形式公開了設想中的患者疑問及其回答
• 併發症應對 — 副作用或併發症發生時的應對體制、合作醫療機構、後續追蹤
• 價格帶 — 所提示的收費體系及其透明度
• 來自外部的介紹資訊 — 來自學會官方、醫師等資格確認、公共資料庫、主要媒體刊登等的相互參照（含 sameAs）

備齊這些本身並非目的。創造出一種狀態，讓它們各自互不矛盾，並被 AI 認識為同一位醫師、同一家診所的資訊，才是論點所在。

6. 如何整理醫師資訊、案例、評論、常見問題、併發症應對

以下舉出在實際整理說服材料時的幾個觀點。

1. 統一實體的表記

醫師姓名、診所名稱、施術名稱，需要在官方網站、評論、社群媒體、外部媒體上表記一致。若有簡稱、舊稱、表記不一，就會成為 AI 無法將其當作同一家醫院、同一位醫師來處理的原因。

2. 以官方網站為中心

醫師個人頁面、施術頁面、常見問題、併發症應對的頁面等，在官方網站一側加以結構化之後，形成從外部資訊（評論、社群媒體、媒體報導）被參照的形式。使用 Person、MedicalBusiness、MedicalProcedure、FAQPage 等結構化資料，可以更容易地向 AI 傳達這是誰、屬於哪家診所、是關於什麼的資訊。

3. 明示併發症應對與後續追蹤的記述

在具有風險的施術領域，併發症發生時的應對體制可能成為候選選定中的判斷材料。將後續追蹤及合作醫療機構的有無，以患者與 AI 皆可參照的形式記述下來是理想的。

4. 保持評論回覆與社群媒體發言與官方資訊的一致性

若官方網站上所寫的專業領域或應對方針，與社群媒體或評論回覆中的發言大幅背離，AI 在彙整資訊時就可能對如何處理感到猶豫。作為具一致性的一連串資訊來源來運營，是重要的。

5. 在醫療廣告指南的範圍內表述

讓增加說服材料變成目的本身、進而增加逾越指南的表述，是本末倒置。在滿足限定解除要件的前提下，朝著增加可驗證的、以事實為基礎的記述的方向整理。

7. 在「被選中」之前，需要「被正確掌握」

根據至此的整理，AI 搜尋對策中應先解答的問題，不是「該怎麼被選中」，而是，

AI 目前是如何理解貴診所與負責醫師的

若持續處於未被正確理解，或理解內容有重大缺漏、錯誤的狀態，那麼即使採取「為了被選中」的施策，其效果也會因前提的偏差而被抵消。

首先應觀察的，例如是以下這樣的項目。

• 貴診所的名稱、所在地、診療領域，是否在多個查詢脈絡中被一致地處理
• 負責醫師的經歷、專業領域，是否作為醫師個人被認識
• 在主要施術的比較脈絡中，是進入候選集合，還是未進入
• 若未進入，是在哪個條件下被排除的

這些難以用排名指標捕捉，以觀察為基礎（含手動確認）的驗證為主。

8. 醫療機構 AI 搜尋實驗室所驗證的事

本媒體以醫療機構為對象，從以下觀點持續觀察 AI 搜尋。

• 在 ChatGPT / Claude / Gemini / Perplexity / Google AI Overviews 等中，貴診所、競爭對手、指名關鍵字被處理的方式
• 在哪個比較脈絡中、與誰並列於同一候選集合（AI 上的競爭組合）
• 比較時 AI 所參照的說服材料之構成
• 醫師個人在哪個條件下進入、被排除於候選
• 因模型、Web 搜尋選項、對話流程而產生的回答波動

這些並非以保證顯示排名或刊登為目的，而是以 掌握現況與整理改善論點 為目的。

本文是整理其出發點思想的支柱文章。具體的觀察手法與觀察結果，將作為另篇文章及驗證記錄陸續公開。