為什麼不該只問 AI 一次，就決定貴診所的 AI 搜尋對策

定義

回答揺らぎ

即使向 AI 投出同一段提問文字，每次生成時表達方式、候選排序、引用來源也會有微妙不同的現象。主要因素是大型語言模型機率性的生成過程，以及伴隨 Web 搜尋的模式中即時取得結果的變動。在 LLMO 的觀察中，處理的是「將浮動納入考量後的傾向」。

定義

Web検索有無

AI 在生成回答時，是即時參照外部的 Web 搜尋結果，還是僅基於內部的訓練資料，兩者之間的差異。開啟 Web 搜尋時，引用來源 URL 可觀察且最新資訊較易被反映；未開啟 Web 搜尋時，則以訓練截止時點為止的知識為主。由於兩者呈現不同種類的行為，在觀察時有必要加以區分處理。

定義

会話フロー

患者並非對 AI 只提一個問題，而是一邊反覆諮詢一邊縮小候選的一連串對話。可假設會有像「煩惱 → 治療・施術 → 地區 → 醫師的實績 → 評論 → 價格帶 → 就診便利性」這樣多輪的諮詢。LLMO 的觀察對象，不僅包含單次查詢，也包含在這個對話流程之中被處理的方式。

定義

会話内残存率

某醫療機構或醫師在對話流程初期被列為候選後，隨著諮詢推進而持續留存為候選的比率。本媒體將其用作一項指標，觀察的不僅是單次的列入候選，也包含在患者縮小條件的過程中「最終候選中留下多少」。

1. AI 搜尋結果並非固定的搜尋排名

若把「AI 搜尋對策」視為傳統 SEO 的延伸，最先浮現腦海的便是「提升排名」「讓其顯示於上位」這樣的想法。然而，AI 搜尋的回答中，排名本身的意涵已經產生了質變。

AI 搜尋的回答，必須不是當作排名這種固定值，而是當作在多個條件下觀察到的 回答傾向 來處理。Google 搜尋的結果頁（至少在短期內）會回傳相對穩定的排名。相對地，AI 搜尋的回答則是 即使是同樣的問題，每次生成時表達方式與候選排序也會改變，這才是常態。

此處所說的「條件」，例如有以下這些。

• 使用了哪個 AI 服務（ChatGPT / Claude / Gemini / Perplexity / Google AI Overviews / Microsoft Copilot 等）
• 該服務內的哪個模型（GPT 系 / Claude / Gemini / Sonar 等，可選擇的與預設的）
• 是否啟用了 Web 搜尋
• 提問文字的表達
• 在此之前的對話歷程
• 投出的時段，以及該時點 Web 上存在的資訊

即使這些全部相同，最後仍會殘留機率性生成的變異。

2. 依模型不同，回答會改變

各 AI 服務在內部會分別運用多個模型。在回答風格、引用來源的選取方式、候選集合的建構方式上，各模型之間存在可觀察的差異。

• ChatGPT — 行為會依模型選擇與有無使用 Web 搜尋而改變。在指名性高的專有名詞的處理方式上有其特徵。
• Perplexity — 以伴隨引用來源 URL 的回答為前提，傾向於相對嚴格地處理外部的資訊來源。
• Google AI Overviews — 由於回傳以 Google 搜尋索引為底的摘要，SEO 資產的累積較易被反映到回答中。在 YMYL 領域，也會觀察到出現本身受到抑制的場面。
• Microsoft Copilot — 以 Bing 搜尋為基礎，在業務場景中被參照的情況較多。

在醫療機構 LLMO 的觀察中，較為務實的做法不是只用一個服務來判斷，而是比較多個模型的回答傾向。

3. 有無 Web 搜尋，依據資訊會改變

各 AI 服務在某些情況下，可以切換即時搜尋 Web 來組建回答的模式，以及僅從訓練資料生成回答的模式。兩者呈現不同種類的行為。

• 有 Web 搜尋 — 依查詢取得 Web 上的頁面，並將其作為依據一邊引用一邊構成回答。引用來源 URL 常被明示，最新的評論・SNS 貼文・官方網站更新較易被反映。
• 無 Web 搜尋 — 基於訓練截止時點為止的知識生成回答。最新的營運資訊・活動・評論較不易被反映，但當品牌或醫師個人的認知被織入訓練資料時，有時會觀察到穩定的提及。

在醫療機構 LLMO 的觀察中，將兩種模式分別記錄很重要。因為即使判斷「有開 Web 搜尋就出現了，所以放心」，在別的使用者的設定下可能是沒開 Web 搜尋，而提示了不同的候選。

4. 即使在相同條件下，回答仍有浮動

即使把服務・模型・有無 Web 搜尋・提問文字・對話歷程全部固定，當你對同一個 AI 重新投出同樣的問題時，表達方式、候選的順序，有時甚至候選本身都可能改變。這就是本媒體所說的 回答浮動。

這並非 AI 的錯誤，而是源於大型語言模型的生成過程本質上是機率性的。在伴隨 Web 搜尋的模式中，搜尋結果的取得時機與排名側的細微變化，也會對浮動有所貢獻。

在實務上的含意很單純。

• 若以 n=1 的觀察下結論，被雜訊牽著走的可能性很高
• 需要將數次試行中觀察到的傾向，在納入浮動考量後加以解讀
• 每次試行都務必記錄「日期時間・模型・有無 Web 搜尋・提問文字・對話歷程」

5. 單次的「貴診所出現／未出現」調查為何危險

在踏實了上述之後，「現在 AI 說出了貴診所的名字並作了回答」「現在搜尋了但貴診所沒出現」這類單次調查，存在幾個陷阱。

• 偽陽性的風險 — 只不過剛好出現了一次，就判斷「LLMO 已經成功」
• 偽陰性的風險 — 只不過剛好落選了一次，就判斷「貴診所完全不會被顯示」
• 條件不一致 — 忽略了觀察者所用的模型、Web 搜尋設定、對話歷程，可能與實際患者的使用狀況不同
• 提問文字的偏差 — 觀察者越是製作意識到自家診所的提問文字，就越會成為自家診所容易出現的問題
• 缺乏比較對象 — 若只看貴診所是否出現，就無法掌握在相同條件下是否也有別的診所一起出現（競合同席率）

單次調查作為出發點是有效的，但僅憑它來判斷風險會很高。

6. 在醫療機構，於患者諮詢流程中的驗證很重要

患者使用 AI 時，並不會只以單次的關鍵字搜尋作結。實際觀察到的諮詢，會經過例如以下的對話流程。

1. 「我很在意眼周的鬆弛。有哪些治療會成為候選？」
2. 「我想先從恢復期短的來考慮。」
3. 「在〇〇地區可通勤的範圍內，哪些地方會成為候選？」
4. 「若重視自然的成果，哪位醫師會成為候選？」
5. 「價格帶大約多少？併發症應對是怎麼安排的？」
6. 「若最終要縮小到 2〜3 間，會是哪些？」

在這個流程的每個階段，AI 把誰列入候選、在哪些條件下將其排除，才是醫療機構這一方真正的論點。會觀察到諸如第 1 題出現但第 5 題落選、或第 1 題落選但從第 3 題起進入候選這樣的模式。本媒體將這種「在對話中持續留存為候選的比率」稱為 會話內殘存率。

單次調查無法掌握這個會話內殘存率。將觀察以對話流程為單位來設計，是醫療機構 LLMO 的實務驗證中不可或缺的視角。

7. 在美容診所，醫師個人・施術・評論・症例會被比較

以美容診所・自費診療診所而言，AI 在對話流程中試圖參照的資訊，不僅是機構名稱，還橫跨以下這類的資訊來源。

• 醫師個人 — 經歷・專門領域・症例傾向・應對風格・在 SNS 上的發言
• 各施術的專業性 — 施術類別 × 經驗年數 × 症例數的組合
• 評論 — Google Business Profile、評論專門網站、SNS 上的提及
• 症例表現 — 踏實醫療廣告指南的限定解除要件後的症例說明
• 併發症應對 — 併發症發生時的應對體制・合作醫療機構・後續追蹤
• 價格帶 — 所提示的收費體系與其透明度
• 外部的參照資訊 — 學會官方、醫師等資格確認、媒體刊載等的相互參照

AI 重點參照的資訊來源，會依對話的階段而改變。例如在被問到「自然的成果」的場面，症例與評論會被大量參照。在被問到「併發症應對」的場面，官方網站的後續追蹤記述與外部的醫師資格確認則較易浮上前面。會觀察到這樣的傾向。

8. 醫療機構 AI 搜尋實驗室要驗證的事

本媒體以醫療機構為對象，從以下觀點持續觀察 AI 搜尋。

• 多個 AI 服務與模型的回答傾向（模型差）
• 有 Web 搜尋與無 Web 搜尋在依據資訊・候選集合上的差異
• 相同條件下回答浮動的幅度
• 接近患者諮詢的對話流程中的會話內殘存率
• 各局面中 AI 看似正在參照的材料（醫師・施術・評論・症例・併發症應對・價格帶・外部的參照資訊）

這些是為了超越單次的「出現／未出現」，將其當作傾向來解讀。觀察對象增加得越多，浮動就越會被平均化。其結果是，貴診所或負責醫師「在哪個條件下列入候選、在哪個條件下落選」會變得更容易看見。

本媒體及諮詢選單，並非以固定結果或控制顯示為目的。它處理的是為了整理資訊使 AI 能正確理解、並在浮動之中增加比較時被參照的材料，所進行的觀察與改善論點的整理。