簡介： AI批次產稿不等於讀者已看過。如何分清人工選題和自動發現，並公平比較公開後兩週的成績？
102篇原稿乘上12種語言，就是1,224個語言版本。 彷彿編輯部一夜之間增殖，但完成原稿、存進GitHub、正式上線與取得點擊，是四個階段。
102篇如何計算
某次製作案例包含AI服務23篇、軟體更新與故障23篇、迷因21篇、粉絲疑問21篇、遊戲攻略14篇，共102個主題。12語言等於1,224個版本，但不能因此聲稱1,224頁都已公開或收錄；同篇文章的修訂也不能重複計數。
是誰找到題材？
如果人先在X發現熱門狗狗迷因，再讓AI寫作，選題仍是人工。AI自行發現話題並選擇主題，才是自動發掘。把過往人工挑出的熱門文章算進昨天才啟動的自動系統，成績單就先失真了。
從真正公開當天開始計時
每篇文章需連結原文ID、選題來源、寫作方法、語言、網址及首次確認上線的時刻。GitHub存檔日與真正公開日可能不同，各語言的上線時間也可能有差。應以每個語言版本公開後7、14、28天比較。
PV不是全部
站長自己測試也可能算進PV。搜尋曝光、點擊、收錄狀態和流量來源應分開看。以真正公開的文章數作為分母，比較至少獲得一次搜尋點擊的比例、超過10PV的比例、中位數與流量是否集中在少數爆款。前兩週為零也可能只是搜尋引擎尚未發現。
先測量，再開新題材
每天新增不同類型，反而更難知道哪種方法有效。先追蹤現有流程，再看兩週後的結果。工廠厲害的是產稿速度，網站要證明的是文章真的對讀者有用。 別只看輸送帶有多快，要看出口交付了什麼。
參考： Google內容指引及刊登日期指引。數量是製作案例，不是正式上線統計。
