AI搜尋正在殺死新聞業！報告揭「1年蒸發6億次點擊」：打不過AI就加入？媒體如何自救？|數位時代 BusinessNext

**重點一 **：AI 搜尋功能如 Google 的「AI 概覽」大幅降低新聞網站的點擊率，一年內自然搜尋流量從23億次降至17億次以下，嚴重衝擊新聞出版業。

**重點二 **：儘管來自 ChatGPT 的新聞推薦流量年增25倍，達到2500萬次，但此成長遠不足以彌補因搜尋引擎變革所造成的巨大流量損失。

**重點三 **：部分媒體如路透社從 AI 推薦中獲益較多，而與 OpenAI 有法律訴訟的《紐約時報》則獲益較少，凸顯 AI 對不同媒體影響的差異化。

根據數位市場情報公司 Similarweb 的最新報告，人工智慧 (AI) 的崛起正全面改寫新聞出版業的生態規則。自 Google 於2024年5月推出「AI 概覽」(AI Overviews) 功能後，使用者愈發習慣直接從 AI 或 AI 驅動的搜尋結果中獲取資訊，導致新聞網站的自然搜尋流量面臨雪崩式下滑。

報告指出，自 2024 年 5 月 Google 推出 AI Overviews 以來，零點擊搜尋 (Zero-Click Searches) 新聞搜尋的比例從 56% 穩步上升至近 69%。同期，新聞發布商的自然流量從超過 23 億次的高峰，下降至不足 17 億次，對整個產業的營運模式構成嚴峻挑戰。

AI推薦流量激增212％，但沒什麼幫助

從數據上來看，ChatGPT的使用者增長有多高？據報告，在2023年1月～2025年5月期間，App 月活躍使用者過去六個月的年增率達116%，而網頁版訪客過去六個月的年增率為52%。

更重要的是，在2024年1月～2025年5月期間，ChatGPT中的新聞相關提示 (Prompts）增長了 212%，同時，ChatGPT 轉介至新聞網站的流量也呈現爆炸性成長，從去年同期的不足100萬次，飆升25倍至超過2500萬次。 但這數千萬次的成長，與新聞業因整體自然搜尋流量銳減而損失的約6億流量相比，無異於杯水車薪。

而使用者喜歡在ChatGPT上查哪些新聞呢？報告比較了2025年 1-5 月與2024年同期的年增率(YoY) ，以及2025年至今 (YTD) 的增長，政治新聞年增率為600%、今年至今增長約 155%，是 2025年的爆發性主題。

其次，則為通膨新聞，年增約 250%、今年至今增長約 140%；再來則是經濟新聞，年增約250%、今年至今增長約120%。

誰是零點擊搜尋的受益者？

值得注意的是，不同新聞媒體從 AI 推薦中獲得的效益存在顯著差異。路透社 (Reuters) 的年增長率達到8.9%，《紐約郵報》(NY Post) 與《商業內幕》(Business Insider) 也分別有7.1%和6.5%的增長。

與此同時，正因指控 OpenAI 未經授權抓取其內容而提起訴訟的《紐約時報》(The New York Times)，雖然仍在 ChatGPT 推薦流量前十名之列，但其增長率僅為3.1%，顯示出媒體與 AI 公司之間的合作與法律關係，可能直接影響其在 AI 平台上的能見度。

報告揭露了哪些洞察？

洞察一：「傳統搜尋」正轉向「AI 問答」

使用者正從傳統的 Google 搜尋轉向如 ChatGPT 等工具，以尋求對複雜問題更快速、更具上下文的答案。這點從 ChatGPT 上新聞相關查詢的爆炸性增長（+212%）與 Google 搜尋的衰退（-5%）之間的鮮明對比中得到了證實。

洞察二：「零點擊搜尋」成為新常態

隨著 Google 的 AI Overviews 和 ChatGPT 等工具直接在結果頁面提供答案，使用者無需點擊進入新聞網站。這導致了「零點擊搜尋」的比例大幅上升，直接造成新聞出版商自然流量的下降。對新聞機構而言，這意味著長期以來依賴搜尋引擎優化 (SEO) 來獲取流量的策略不再足夠。

洞察三：新聞從「即時」轉向「深度」

雖然對股票、金融等即時資訊的查詢仍然佔據主導地位，但增長最快的查詢類別是政治、通膨、經濟和氣候等深度議題。這表明使用者正利用生成式 AI 進行更具意圖性、解釋性的資訊探索，而不僅僅是追蹤突發事件。白話來說，誰更能掌握讀者可能產生的問題並率先回答，就愈可能被AI引用。

洞察四：打不過AI就加入？恐要快點抉擇

報告揭示了新聞生態系統中存在的「戰略分歧」。一些媒體（如路透社）從 ChatGPT 獲得了大量推薦流量，而另一些媒體（如紐約時報）則因限制 AI 抓取其內容而流量代表性不足，還有一些媒體（如CNN）則完全缺席於推薦名單中。這表明，出版商需要做出關鍵的戰略抉擇：是要與 AI 工具合作以換取流量，還是限制其存取並探索其他價值模式。

AI海嘯第一排！媒體有哪些可能的自救方案？

面對生存危機，新聞出版業者正積極尋求對策。Google 近期推出名為 Offerwall 的服務，允許出版商嘗試廣告以外的多元變現模式。

Google推「Offerwall」：要使用者付費

其核心概念是提供一道「彈性付費牆」或「內容解鎖牆」，將內容的存取權交還給使用者選擇。當使用者造訪一個設置了Offerwall的網站時，他們不再是只能被動接受付費訂閱或離開的單一選項，

Offerwall整合於Google Ad Manager中，出版商可以自行設定觸發條件，例如當使用者閱讀一定數量的文章後，系統便會跳出Offerwall頁面。在此頁面上，媒體可以提供以下幾種選項，讓使用者自由選擇以換取內容存取權：

1.觀看獎勵式廣告：這是最核心且直接的營利方式。使用者可以選擇觀看一段短影片廣告，來換取一段時間內（例如24小時）的網站內容無限瀏覽權。對媒體而言，這創造了新的廣告版位，且由於使用者是主動選擇觀看，其廣告參與度和價值可能更高。

2.參與簡短問卷調查：媒體可以與市場調查公司合作，提供簡短的問卷讓使用者填寫。完成後即可解鎖內容。這不僅能為媒體帶來額外收入，也能蒐集到寶貴的使用者輪廓數據。

3.小額付費：透過與第三方支付平台（如Supertab）的合作，Offerwall也支援小額付費解鎖。使用者可以支付一筆小費用，換取單篇文章或特定時間內的閱讀權限，為不願長期訂閱的讀者提供了更具彈性的選擇。

Cloudflare推「pay per crawl」機制：要AI爬蟲付費

除此之外，近期Cloudflare 推出的 pay per crawl 機制，讓媒體和內容擁有者可以針對 AI 爬蟲（如大型語言模型的資料抓取）設定收費，從而實現內容變現。這個機制的運作方式如下：

1.設定收費規則：媒體可以在 Cloudflare 上設定每次爬取的固定價格。當 AI 爬蟲想要存取網站內容時，必須支付這個費用。

2.控制存取權限：媒體可選擇允許、收費或完全封鎖特定爬蟲。例如，對部分合作夥伴免費開放，對其他 AI 爬蟲則收費或拒絕存取。

自動化收費流程：當 AI 爬蟲發出請求時，若未支付，系統會回應 HTTP 402 Payment Required 並告知價格。爬蟲若同意支付，則可取得內容，並由 Cloudflare 記錄並結算費用。

4.收益分配：Cloudflare 會統計所有付費存取事件，向爬蟲營運方收費，並將收益分配給內容擁有者。

延伸閱讀：6萬次爬蟲只換來1次點擊！AI搜尋促成「流量大斷崖」：Google如何改寫搜尋行規？
你的AI寫文案沒「人味」？研究揭7大AI寫作缺陷：愛老梗、廢話多…該如何訓練AI寫作力？

資料來源：Similarweb、Cloudflare、Google、TechChurch

責任編輯：李先泰

當資料不能離開企業，運算就得靠近：AI 先改寫儲存架構

AI 帶來的第一個變化，不只是運算能力提高，而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊，QNAP 身為資料安全的守護者，長期發展的是地端網路儲存設備（NAS），並擴展至 25GbE、100GbE 高速網路交換器產品線，提供完整的儲存與高速網路基礎架構。威聯通科技（QNAP）總經理劉文義解釋，當資料因合規要求或敏感度不能上雲，就必須留在靠近使用者與應用的地方；運算需求一旦增加，承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資，金融與保險業受到合規與法規限制，部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言，問題並不是雲端好不好用，而是一開始就沒有把核心資料全面上雲的選項。

真正讓更多企業回頭計算的，則是長期成本。劉文義指出，資料上傳雲端可能免費，下載卻會按流量收費；當企業把一年、兩年、三年的費用加總回推，可能會發現，購買一台同等容量的 NAS，還能使用 7-10 年。資料規模愈大、存取愈頻繁，總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載；地端則較適合高頻存取、對延遲敏感，或不能離開企業邊界的資料。企業真正要回答的，是每一類資料與任務應該放在哪裡。

依 QNAP 觀察，客戶過去關心的是需要幾 TB、幾 PB，或備份速度有多快；現在更常問的是，機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起，把公司發展定調在 AI 與高速網路的融合，試圖讓 NAS 從資料保存的位置，進一步成為資料被調用的位置。

當資料量持續擴大，搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例，當照片累積到 10 萬、20 萬張，要找出其中幾張特定畫面，已不可能只靠人工翻找。此時，能理解內容、接受自然語言指令的 AI 工具，會從加分功能逐漸變成必要條件。

從資料治理到地端推論：AI NAS 如何進入企業工作流？

AI NAS 不是「多了 AI 功能的 NAS」，而是 NAS 在企業工作流裡換了位置。
依 QNAP 觀察，目前客戶大致分布在一條導入光譜上。人數最多的一群，仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關，卻決定後續系統能不能找到正確資料、辨識版本，並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成（RAG）知識庫。RAG 並不是重新訓練一個模型，而是在模型回答前，先從企業的 SOP、合約、法規或技術文件中取回相關內容，再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用，協助企業建立私有知識庫；而走在最前面的少數企業，則已經嘗試地端推論與 AI Agent。

模型的選擇權，QNAP 刻意留給客戶。知識庫背後採用哪一個模型，可由企業依需求決定，不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定（MCP）相關能力，讓管理者透過自然語言查詢狀態、調整設定，並讓 NAS 成為 AI Agent 可調用的資料節點。

不過，劉文義沒有把這條路說得太容易。他坦言，目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用，可能需要約 300 到 800 TOPS，甚至 1,000 TOPS，因此多數方案會以 NVIDIA 顯示卡補足算力；一張卡約需新台幣 10 萬至 12 萬元，一張算不完，就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍，並不是大部分中小企業都能接受。」除了硬體，使用者還需要 AI 應用的 Know-how、程式背景與開發資源，這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中，一類是採用含有 iGPU 與專屬 NPU 的處理器平台，以一百多 TOPS 的範圍，可順暢使用 AI 應用程式；另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡，處理更大的運算量。

同時 QNAP 也在軟體端也持續開發，目標是讓 NAS 裡的資料更有效率地被 AI 工具調用，讓資料成為有價值的知識。

從規格走到現場：能源公司如何導入私有 LLM？

本地 AI 實際落地部署會是什麼模樣？劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫，但很快遇到兩個瓶頸：一是員工查詢時明顯出現卡頓；二是專利、技術與合約都高度敏感，高層不願上傳至公有雲，擔心機密資料會有外洩的疑慮。

後來，該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX，搭配顯示卡與全快閃 SSD，在地端部署私有大型語言模型，把數十年來封存的靜態檔案交給 AI 調用，進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間，核心機密也能留在企業內部。

這個案例說明，若任務範圍明確，有些應用不必動用雲端大型模型，地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同，導入前仍需要概念驗證（POC）與技術人員評估。

而且，資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值，是讓資料邊界與控制權回到企業手上；相對地，安全責任也會更直接地回到企業。

哪些企業現在該做，哪些再等？先看重複性與三個條件

能不能導入地端 AI，不只由產業標籤決定，也要看工作是否重複，以及場景能不能被清楚定義。劉文義觀察，第一批走進來的，除了受法規限制的醫療、金融與保險業，也包括利用地端 AI 加速資料處理的科技業，以及會計、律師等有大量重複文書工作的專業服務業，因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有　10　台、20　台機器，每台處理與儲存資料的 Protocol 都不同，需要相對應的儲存裝置；生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料，AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多，或重複性動作越多的產業，越容易透過導入 AI 提高工作效率。」反過來說，較傳統、人力密集，或仍高度依賴人工判斷的製造業，短期內未必能快速導入地端 AI。

依 QNAP 提供的資料，企業也可用「高頻、大量、敏感」三個條件做第一輪判斷：資料是否被頻繁調用？規模是否大到雲端傳輸與長期費用開始變得明顯？內容是否涉及個資、法規、智慧財產或商業機密？三個條件愈集中，地端部署愈值得評估；三者都不成立時，使用雲端 API 往往更簡單，也可能更划算。

可以先等的企業，大致也有三種。第一，資料仍分散、版本混亂、權限不清，急著上 AI 只會把混亂放大，先完成集中與治理，效率就可能先提升。第二，找不到一個具體且反覆發生的業務痛點，只因為「別人都在做」而採購，設備很可能變成昂貴的展示品。第三，使用量仍小、需求偶發，現階段雲端的彈性反而更有優勢。

因此，POC 不應只驗證「模型答不答得出來」，還要回答三個問題：資料由誰負責，誰可以存取？導入後能節省多少查找時間、傳輸成本或人工作業？正式上線後，誰負責資料、模型與資安維運？只有當效益與責任都能被量化，才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房，動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太，其中歐洲占比將近一半，而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證，並滿足 GDPR、HIPAA 等資料保護與法規遵循需求；累積至今，已售出約數百萬台裝置，協助企業打造智慧、安全的儲存方案。

至於普及時間點，劉文義提出一個明確的價格與效能交會點：地端應用若要順暢運作，運算量可能至少要達到 300 至 600 TOPS，甚至 800 TOPS，同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

「AI NAS 不是多了 AI 功能，而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言，地端算力成本高昂，QNAP 透過「算力分級」與開放模型架構，助企業逐步建構私有 RAG 知識庫與 AI 團隊。

圖／數位時代

「預測約兩、三年後，應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點，就會是 AI 落地最蓬勃發展的時候。」在此之前，企業真正能先做的，不是搶著買最大的模型或最昂貴的顯示卡，而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色：原油再多，沒有整理、提煉與配送的過程，也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力，而是誰的資料先準備好被調用。模型會持續更換，但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備，而是在資料必須留在企業內時，讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日（五）舉行，現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控，並安排 Live Demo，適合 IT 管理者、系統整合商與企業決策者參加。

活動地點：新板希爾頓酒店｜如意 AB 廳

活動時間：09:20–16:00

地址：新北市板橋區民權路 88 號 2F

立即報名：https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查，填問券抽好禮，倒數計時：https://www.surveycake.com/s/q4abw