AI 答案里的品牌位置不是一个可以稳定读取的名次，而是一个必须用重复采样才能估出来的概率。本文给出六项核心指标的算法、采样量判据与可落地的 90 天测量方案。
做生成式引擎优化（GEO）的人几乎都会遇到同一个场景：某天在 ChatGPT 里问"做企业知识库的公司有哪些值得关注的"，自己的公司名出现了；过几天再问同样的话，名字不见了。有人据此断定"AI 是随机的，做 GEO 没有意义"。
这个结论是错的，但产生这个结论的疑问是对的。AI 答案里的品牌位置不是一个可以稳定读取的名次，而是一个必须用重复采样才能估出来的概率。 SparkToro 与 Gumshoe 在 2026 年 1 月发布的一项研究给出了量级：600 名志愿者把 12 个提示词送进 ChatGPT、Claude 与 Google 的 AI 功能，累计跑了 2,961 次，结果是同一个提示词跑两次、返回同一份品牌名单的概率低于 1/100，两次顺序完全一致的概率约为 1/1,000。同一研究里，志愿者为同一意图各自写出的提示词，平均语义相似度只有 0.081。
这两个数字合起来说明了两件事。一次截图不是测量，它是从一个概率分布里抽出的一个点；而提示词本身也是被测对象的一部分，换一批问法，测到的就是另一件事。
要真正把 GEO 做下去，必须先解决"怎么测"这个前置问题。这也是本文与本站已发布内容的关系所在：GEO 与 SEO 的区别讲的是目标函数的差异（SEO 争排名、GEO 争被采纳），为什么 AI 搜不到你的公司讲的是内容与抓取层面的四个断点排查，AI 搜索时代的内容策略讲的是内容怎么组织才能被摘取。本文只处理一件事：这些改造做完之后，怎么知道有效、效果有多大、下一轮该改哪里。 这也是生成式引擎优化（GEO）服务中与内容改造同等重要的一环。
---
上面提到的 SparkToro 研究是这一类问题里被引用最多的测量工作。它的设计是让 600 名志愿者各自分别跑 12 个提示词，每个提示词在每个平台上重复 60 到 100 次，总计 2,961 次运行。两项结论值得反复引用：同一提示词两次返回相同品牌名单的机会低于 1/100；要求顺序也一致，机会约为 1/1,000。
同一研究还给出了一个容易被忽略的补充：在一个约 1,000 次耳机类回答的样本中，Bose、Sony、Sennheiser 与 Apple 出现在 55% 到 97% 的回答里。被考虑的候选集是稳定的，名单内部的顺序却不是。 这条区分很关键——它意味着"进入候选名单"是一个可测量的信号，"排在第几位"不是。
AirOps 的观测与此一致：约 30% 的品牌能在相邻两次回答中保持可见，连续五次运行里只有约 20% 能保持。用一次结果去判断"我被引用了"或"我被挤掉了"，测的其实是采样噪声。
Promptwatch 对 GPT-5.3 推送过程的追踪显示，ChatGPT 每次回答的平均引用数在一夜之间下降约 27%，且一个月后仍未恢复。这意味着 9 月建立的基线，到了 10 月已经不能直接和 9 月的数字并列比较——变化可能来自模型更新，而不是来自你的内容改动。
如果不做版本标记，这类漂移会直接污染判断：数字掉了，你会以为是内容过时了去返工；数字涨了，你会以为是某次发布起了作用，实际上只是模型换代把引用池换了一批。两种误判都很贵。
同一时刻、同一提示词，API 轮询与界面抓取会得到不同的引用计数。提示词监控产品的采样方法、提示词库与采样位置都是需要被审阅的参数，不是一个可以直接采信的黑箱数字。厂商自己给出的建议是：不要只看它给出的分数，要看背后跑了多少提示词、重跑了多少轮、能否查看原始答案。
---
"AI 可见度"如果只用一个数字表达，几乎必然失真。至少要拆成下面六项，各自回答不同的问题。
| 指标 | 计算方式 | 回答的问题 | 典型陷阱 |
|---|---|---|---|
| 提及率 | 点名你品牌的有效回答数 ÷ 有效回答总数 | 我有没有进入候选名单 | 与"被引用"混为一谈 |
| 引用率 | 链接到你域名并给出 URL 的回答数 ÷ 有效回答总数 | 我有没有被当作信源 | 幽灵引用被算成胜利 |
| 份额声量 | 你获得的合格提及数 ÷ 全部被追踪品牌的提及数 | 相对竞品我处在什么位置 | 竞品名单每季度会变 |
| 提示词覆盖 | 至少出现过一次合格提及的提示词簇数 ÷ 目标提示词簇数 | 我在哪些话题上是空白 | 用宽泛提示词虚增分母 |
| 来源份额 | 某域名被引用次数 ÷ 抽取到的全部引用次数 | 哪些信源在塑造答案 | 只看自家站点，忽略站外 |
| 准确率 | 描述正确的提及数 ÷ 全部提及数 | AI 把我讲对了吗 | 分母被少量错误提及拉偏 |
MarketScale 的《State of GEO 2026》报告追踪了 5 个引擎、11,941 个提示词、160 个项目、共计 461,281 条 AI 回答（统计区间 2026 年 7 月 7 日至 10 月 5 日），结果是：只有 26.4% 的 AI 回答会点名任何一个被追踪的品牌。各引擎的品牌提及率与引用率如下。
| 引擎 | 品牌提及率 | 引用率 | 提及减引用 |
|---|---|---|---|
| ChatGPT | 33.3% | 12.8% | 20.5 个百分点 |
| Gemini | 28% | 13.6% | 14.4 个百分点 |
| AI Overviews | 26.5% | 18.9% | 7.6 个百分点 |
| AI Mode | 24.3% | 18.6% | 5.7 个百分点 |
| Perplexity | 20.1% | 21.5% | -1.4 个百分点 |
值得注意的是 Perplexity 是样本中唯一引用率高于提及率的引擎——它的产品形态本身就以来源链接为中心。这也说明，用"提及"或"引用"其中任意一个当通用指标，都会在不同引擎上得出方向相反的结论。
Kevin Indig 提出了 "ghost citation"（幽灵引用）这个说法，指页面被当作来源链接，但品牌名从未出现在用户实际读到的答案文本里。据 Growth Memo 的数据，幽灵引用率约为 61.7%；Semrush 的独立分析得到几乎一致的 62%。Writesonic 对约 1,600 万次品牌出现的研究发现，约 40% 的引用没有点名来源品牌，Perplexity 尤其明显，其被引出现中有 52% 丢了品牌名。Semrush 的数据集里，medium.com 被引用了 16 次，被点名 0 次。
这个数字的实际含义是：如果把"引用"和"提及"合成一个指标报出来，你的真实可见度会被高估 40% 到 60%。更麻烦的是幽灵引用容易被当成机会——页面确实进了来源池，只是 AI 没有把功劳归给你的品牌。该不该继续投入，取决于这个问题的答案，而它只能靠"提及"这一项单独回答。
Capston 的《AI Visibility Report 2026》覆盖 1,240 个品牌、12 个行业、4 个引擎、24,800 个提示词（2026 年 1 月至 4 月），其中一项发现是 78% 的品牌在 AI 回答中存在事实错误——地址写错、员工人数过时、创始人张冠李戴、产品线陈旧。同一份报告还记录了更正后效果的量级：带 FAQ 结构化数据的页面引用量平均提升约 90%（在 312 个客户页面上测试）；90 天内更新过的页面被引用概率约为旧页面的 2.4 倍；对比类内容（"X vs Y""某品类该选谁"）被引用的概率约为功能介绍页的 2.8 倍。
这些数字来自第三方工具的样本，不等于任何一家企业自身的实测值，但方向一致：被正确描述比被错误描述更值得争取，这也是JSON-LD 结构化数据与llms.txt 写法值得单独做的原因——它们解决的正是"事实能不能被机器取到"的问题。
---
采样量没有普适答案，但有可操作的判据。
SparkToro 在那项研究里的建议是：跨数十到数百个提示词、多次运行后计算"可见度百分比"，是一个站得住脚的指标。 研究者本人的补充观察是，提示词的选择是 AI 追踪里"一个巨大的洞"——可见度数字的质量不会好于它背后的提示词质量。
Sielinski 在 2026 年 7 月发布的一篇预印本，研究了 Gemini、SearchGPT 与 Perplexity 上 30 组平台与主题组合的名次稳定性，结论是"没有任何固定的采集预算能跨场景成立"。稳定的话题需要更少运行，波动的话题需要更多。
落到实操层面，两条判据可以同时用：
关于"要跑多少次才算够"，可以给一个量级参考。假设真实出现率在 30% 这个量级，在 95% 置信水平下：想要误差控制在正负 10 个百分点，大约需要 81 次运行；正负 5 个百分点，约 323 次；正负 3 个百分点，约 897 次。这是每条提示词的量级。
| 想要的误差幅度 | 每条提示词所需运行次数（约） | 适用判断 |
|---|---|---|
| ±10 个百分点 | 81 | 只需判断"在不在候选名单" |
| ±5 个百分点 | 323 | 需要区分竞品位置 |
| ±3 个百分点 | 897 | 适合做对外披露的正式报告 |
再补一条现实约束：拿 20 条提示词想做到 5 个百分点的精度，单个引擎单轮大约需要 6,500 次调用。而月度环比是两个独立比例之差，误差约为单次测量误差的 1.4 倍——按每条提示词 81 次运行计算，月度变化要跨过大约 14 个百分点才算真实变动，而不是仪表盘上随手一指的 2 到 3 个点。把这张表放在团队面前，比任何"我们的可见度提升了"都更能避免误判。
---
SparkToro 研究里那个 0.081 的语义相似度，是本文最应该被记住的操作性数字。它意味着：不同人用不同措辞表达同一个需求，在模型看来几乎是两个问题。 换句话说，一套自己编的提示词，测的是"我的措辞在 AI 里表现如何"，不是"我的客户在 AI 里能不能找到我"。
构造提示词集有四条可执行规则。
用买家原话，不用内部黑话。 素材来源包括销售与售前的真实提问、招标与需求单里的措辞、客户访谈里反复出现的问题、站内搜索词、以及客服工单的高频主题。内部常用的产品代号与专业术语，几乎不进真实提问。
分成四类并且分开统计。 品类问题（"中小企业适合什么 CRM"）、比较问题（"A 和 B 哪个更适合 50 人团队"）、问题型问题（"知识库问答准确率上不去怎么办"）、品牌问题（"科芃科技是做什么的"）。四类的竞争格局完全不同，混在一起算一个总数会掩盖结构。品牌问题通常提及率高，容易让人误以为整体不错。
同一个意图写多个措辞。 这是对 0.081 那个数字的直接回应。一个意图配三到五种问法，测的是这个意图的整体，而不是某一句问话。
冻结版本并写进报告。 提示词集一旦改动，前后两期的数字就不可比。给提示词集编版本号，在每次报告里注明，与软件研发里做版本管理的道理完全一致。
---
合并成一个"AI 可见度总分"是最常见也最有害的做法。理由不是数据不够，而是不同引擎的采样与呈现机制差异极大。
AthenaHQ 的《State of AI Search 2026》基于跨 8 个主要大模型的数百万条模型回答，给出一个很直观的对比：Grok 平均每次回应引用约 27 个不同域名，而 Gemini 只引用约 5 个。 在这种差异下，合并统计等于把结构信息扔掉。
Semrush 在 2026 年 6 月的一项研究进一步指出，同一批提示词下，ChatGPT 在最低推理模式与高推理模式之间共享的引用域名只有 25.6%。该研究只覆盖一个引擎和 20 条客户旅程，但已经足以说明"模式"必须和引擎一起被记录，否则数据不可比。
更根本的问题是跨引擎的一致性本身就不高。Visionary 的《AI Search Visibility Tracker 2026》跑了 8,400 个提示词、覆盖 14 个行业、匹配 240 个客户账户的搜索数据，其中一项发现是：四个引擎在头部词上对"该引用哪个品牌"的判断只有 34% 的时候是一致的。 这意味着"在某个引擎上被引用了"不能推广成"在 AI 里被引用了"。
各引擎的呈现机制与用户群也不同，采样自然不同。Statcounter 2026 年 8 月的全球统计显示，ChatGPT 占 79.4%、Gemini 10.9%、Perplexity 4.31%、Copilot 2.79%、Claude 2.57%。按"客户实际在用哪个"来分配采样权重，比按"哪个引擎数据好看"要合理得多。
引用来源的分布同样随问题类型变化。Machine Relations 在 2026 年 10 月 20 日发布的索引（mri_score_v2.1+2026-10-20+bf82d9d98978）中，把 2026 年 5 月 10 日至 10 月 20 日间 ChatGPT、Claude、Gemini、Google AI Mode、Google AI Overviews 与 Perplexity 上的 28,201 次回答运行做了分类，在"AI 可见度与 GEO 工具推荐"这一类问题下，来源排序是 SeRanking.com（23.28%）、Otterly.ai（21.12%）、Reddit（19.83%）、YouTube（18.10%）、Therankmasters.com（16.81%）。而在"该不该买"这类问题下，Reddit 与 Hubspot.com 排到前面。同一批内容，在不同问题类型下的来源结构完全不同，这一项对内容规划的直接价值是：改写选题比改写格式更可能改变来源份额。
---
自建提示词面板是必要的，但不该是唯一的。三个平台原生提供的数据源能补上自己看不到的部分。
Google Analytics 4 自 2026 年 5 月 13 日起，在默认渠道组中新增了 AI Assistant 渠道，medium 标记为 ai-assistant，Google 列举的来源包括 ChatGPT、Gemini、Deepseek、Copilot 与 Grok。查法是报表 → 获客 → 流量获取，把主要维度设为会话默认渠道组。
三条限制必须同时知道：该渠道只从启用日之后开始统计，历史数据不会被重新归类；它依赖 AI 工具传递 referrer，移动端应用常常剥掉，于是部分访问落进直接访问；Google 认可的来源清单是其自行维护的，名单之外的助手仍归在 Referral。另外一个常被忽略的点：该渠道明确排除了 Google 自己的 AI Overviews 与 AI Mode，因为那些点击在到达形式上就是普通搜索点击，计入自然搜索。
如果要把名单之外的助手补上，可以建一个自定义渠道组，用会话来源正则匹配 chatgpt.com、chat.openai.com、perplexity.ai、gemini.google.com、claude.ai、copilot.microsoft.com，并把这个渠道排在 Referral 之前——流量会归入第一条命中的渠道规则。正则要写窄一点，含"ai"的宽匹配会把邮件服务商一起抓进来。
Google 于 2026 年 6 月 3 日上线、并在 8 月 31 日向全部站点铺开该报告，覆盖 AI Overviews 与 AI Mode，展示链接的曝光数据，可按页面、国家、设备与日期拆分。
它的限制比能力更需要记住：只有曝光，没有点击、点击率、平均位置，也没有查询词维度；AI Overviews 与 AI Mode 合并成一个数字，无法拆分；数据从 2026 年 5 月 18 日起，不回填；站点若启用了生成式 AI 的退出控制则不显示数据；数据是初步值，可能在数小时内变动。另外这些曝光同时也计在主 Web 搜索报告里，两边不能相加。
即便如此，它仍是覆盖面积最大的那个 AI 入口的唯一一方数据。
该报告自 2026 年 2 月起公开预览，提供总引用数、平均被引用页面数、grounding 查询样本与按页面的引用分布。微软对其口径有明确说明：这些数字反映的是页面被引用的频次，不代表页面重要性、排名或位置。
三个来源合起来能拼出的图景是：GA4 告诉你有多少人从 AI 点进来了，Search Console 与 Bing 告诉你有多少次曝光，但它们都不告诉你 AI 在答案里把你讲成了什么样。答案层的可见度只能靠提示词采样获取，这是自建面板不可替代的原因。
至于 AI 爬虫本身读了你多少页面，那是另一个维度的问题，可以在AI 爬虫要不要拦那篇里讨论的服务器日志视角看。
---
这是 AI 可见度测量里最容易自欺的一层。
第一，AI 引荐流量是下限，不是总量。 相当比例的 AI 引荐访问不带 referrer，落在直接访问里。不同平台与不同打开方式下这个比例差异很大，公开资料给出的常见区间在 35% 到 70% 之间，ChatGPT 移动应用与复制链接打开的情况尤其明显。把 GA4 的 AI Assistant 渠道当作 AI 影响的总量，会系统性低估。
第二，真正的转化往往不经过 referrer。 用户在答案里看到品牌名，一周后直接搜品牌名进来，来源是自然搜索；或者直接输入网址，来源是直接访问。这两次访问在数据里都没有 AI 痕迹。所以可见度是先行指标，流量与线索是滞后指标，用后者去验证前者会长期看不到效果。
第三，品牌搜索量是被低估的连接点。 Visionary 的 8,400 个提示词研究中有一项发现值得单独记：品牌赢得一次 AI 引用后，随后 30 天内的品牌搜索量提升 23%。另一项是，一次 AI 引用平均能维持 41 天才开始漂移。这两条合起来说明，一次成功的引用既有即时的品牌搜索拉动，也会影响后续一个多月的基线。
在背景上，零点击已经不是趋势判断而是既有事实。SparkToro 的点击流数据显示，2026 年前四个月美国 Google 搜索有 68.01% 以无点击结束，2024 年同期是 60.45%。Seer Interactive 追踪 53 个品牌、547 万次查询、24.3 亿次曝光（2025 年 1 月至 2026 年 2 月）测得，有 AI Overview 的查询自然点击率为 0.61%，没有的是 1.62%，压缩约 61%。Ahrefs 对比 2023 年 12 月与 2025 年 12 月的 30 万个关键词，测得首位内容点击减少 58%。一项 2026 年 4 月发表的随机对照实验（作者分别来自印度商学院与卡内基梅隆大学海因茨学院）发现，展示 AI Overview 使站外自然点击减少 39.8%、无点击搜索增加 34.5%，而赞助结果点击基本持平。
这里有一个反直觉但可操作的对冲：同一个 Seer Interactive 的数据显示，被 AI Overview 引用的品牌，自然点击高出 35%、付费点击高出 91%。 也就是说，零点击不是放弃搜索流量的理由，而是把目标从"抢答案下面的蓝色链接"改成"进到答案里面"的理由。这也解释了为什么本文花这么大篇幅在测量上——能进答案的品牌，和进不去的品牌，在同一份零点击数据里的处境完全不同。
第四，补一个自己控制的信号。 在每个"您从哪里了解到我们"的字段里加一个选项："AI 助手（如 ChatGPT、Gemini、Perplexity 等）"。一年下来，这句话给出的图景往往比任何仪表盘都干净。实施时参考交付流程里的环节划分，把它并进现有的表单埋点即可。
---
上面这些方法不是纸上谈兵，2026 年 10 月中下旬的三组新数据把它们各自的边界又往前推了一格。
Machine Relations 在 2026 年 10 月 20 日发布的索引中记录了一条对测量方法最要命的数据：同一个问题重跑一次，只共享 46.1% 的引用量。 换句话说，即使提示词、平台、日期全部固定，被引用的信源池也会在两次运行之间大幅换血。
同一份索引还给出了一个让"只改自己网站"策略失效的结构性事实。在 14 个 B2B 类别的 62 个已发布板块、11,220 次运行、68,540 次引用中，企业自有站点至少被引用 71.3 次/每百次运行，第三方来源至少 114.4 次/每百次运行，且 69.6% 的引用落在未分类域名上。 消费类目则完全反过来：编辑出版类内容至少 79.0 次/每百次运行，自有站点只有 12.9 次。把 24 个类别混在一起平均，会把这个差异抹平。
同类的分层现象在品牌体量上也存在。Ranqo 2026 年的研究（arXiv:2606.20065）分析 10 万次以上提示词回答、覆盖 100 多个品牌，得到一个三段式梯度：全球知名家庭品牌出现在 73% 的相关 AI 回答中，已建立的中型与区域品牌为 44%，而细分与小众品牌只有 11%。小品牌在 AI 里被看见的比例本就低，因此小品牌的可见度波动会更大，这是采样偏差与结构性劣势叠加的结果，不能全部归因于执行质量。
GeoBuddy 在 2026 年 10 月 19 日与 20 日公开的一组自查数据，样本是 2,697 次真实品牌检查（其公开工具的免费检查记录，自选样本，偏向软件与数字产品行业）：59.8% 的品牌对 AI 完全不可见，从未被 ChatGPT、Claude、Gemini 或 Perplexity 提到过；平均可见度得分为 14.6%；在可见的品牌里，只有 50.5% 是引擎的首要推荐，其余只是备选。按引擎拆分的最近 1,522 条提示词样本，提及率为 Perplexity 9.1%、Gemini 8.6%、Claude 7.2%、ChatGPT 7.2%。
行业差异也很明显：网页设计与开发类 78.1% 不可见，开发者工具与开源类 77.1%，设计与创意工具类 76.9%，护肤美妆类 74.9%。这组数字的用途是校准预期——不可见是当前市场的默认状态，不是做得不够好。 另外一组同源数据显示，在最近 600 次检查的 7,730 条 AI 回答里，27% 的回答至少引用了一个来源，被引最多的第三方域名是 reddit.com、youtube.com 与 linkedin.com。
Chen 与 Koudas 于 2026 年 10 月 10 日发布的预印本（arXiv:2610.15033）做了一件此前很少有人做的事：在同一个网站内部比较页面，从而剔除了域名权重这个混淆项。样本是 90 天内的 158,099 条回答与 468,037 次引用。
结论分成两层。引擎自身的检索解释了"哪些页面被引用"32% 的差异，而所有页面属性合计只解释 2.8%——差了 12 倍。100% 被引用的页面，此前都先被引擎的检索返回过。
在通过全部五项稳健性检验的内容变量里，只有"问题匹配"幸存：标题回响用户实际输入的词，引用率提升 14.1%；页面中与提问贴合度较高的那一段回响同样的词，提升 15.5%。
这组数据的操作性含义非常清楚，操作顺序比操作技巧更重要：先解决"能不能被检索到"（抓取权限、口径一致、实体清晰），再解决"被检索到之后哪一段会被摘出去"（问题匹配、结构化、可被引用的段落）。在引擎从未检索到的页面上反复打磨结构化数据与排版，返回的是零。
同期的另外两份独立观测指向同一方向。Babel42 在 2026 年 10 月 12 日对 6 个行业 660 次搜索的研究发现，只有 11.3% 的 AI Overview 与前一天引用了完全相同的站点，45.7% 的被引站点不在该次搜索的自然结果前 10 名内。Elementera 在 2026 年 7 至 8 月对 1,051 次 AI Overview 的抓取则显示，商业类回答的引用中位数约为 6 个网站，在出现 Overview 的 SaaS 搜索中有 69% 引用了 YouTube，而在两天内抽查三次的 118 次搜索中，只有 14 次三次都返回了同一组被引站点。
基线是移动靶，测量必须是常态动作而不是季度动作。 这三组数据共同指向同一个判断。
---
下面这套方案不依赖任何商业工具，用 GA4、Search Console、Bing Webmaster Tools 加一个表格就能跑起来。落地时可以对照工程与质量保障里的思路来做。
先定四件事，再动手跑。指标定义：明确采用上文六项指标，并写清每项的分子分母。有效回答的定义：报错、空回答、明显截断的样本剔除并单独计数。竞品名单：确定追踪哪 4 到 6 个竞品，每季度复核一次，因为名单变了份额声量的分母就变了。提示词集：按第四节的四类规则构造 20 到 50 条，每条意图配三到五种措辞，给提示词集编版本号。
同时做一次基线跑：每条提示词在每个目标引擎上跑 5 次。此时不追求精度，追求把流程跑通、把字段记全。
按月做全量、按周对高价值决策类提示词做抽检。每条运行都记录下面这些字段，字段缺一项，这次运行就不算数。
| 字段 | 记录内容 | 为什么必须记 |
|---|---|---|
| 提示词 ID 与版本 | 编号与提示词集版本号 | 保证前后两期可比 |
| 提示词原文 | 输入的完整文本 | 措辞变化会改变答案 |
| 引擎与模式 | 平台、推理档位、是否触发搜索 | 同引擎不同模式结果差异明显 |
| 日期与轮次 | 测试时间、第几轮 | 判断是否落在模型更新窗口内 |
| 是否提及 | 是/否 + 出现位置 | 提及率的基础字段 |
| 是否引用 | 是/否 + 被引 URL | 引用率与幽灵引用的判据 |
| 被引域名列表 | 按出现顺序 | 定位真正的信源 |
| 竞品名单 | 同轮出现的品牌 | 份额声量的分子与分母 |
| 描述准确性 | 正确/错误 + 错误内容 | 准确率分母，也是待修正项清单 |
| 完整答案文本 | 原文留存 | 事后复核与申诉的唯一凭据 |
三个容易漏的字段：模式（推理档位与是否联网）、时间（精确到能判断模型更新窗口）、完整答案文本。少了任何一个，月度对比就会把平台变化误判成自己的变化。
这一阶段要回答"改了什么、动了多少"。做法是：把期间的内容改动按时间标注到时间线上，对齐每次采样轮次，看指标变化与改动的先后关系。
需要提前接受的是，这种对照能显示"可见度在改动之后发生了变化"，但不能证明唯一因果——平台更新、竞品发布、季节性因素都在同时动。诚实的报告写法是给出前后两期的数字、列出期间做了什么、并把其他可能因素一并写上。这种写法比一个归因到自己的百分比更经得起追问，也是数字化项目验收标准那套思路在内容工作上的对应形式。
同时把 GA4 的 AI Assistant 渠道、Search Console 的生成式 AI 报告、Bing 的 AI Performance 三份数据叠在同一时间线上看：可见度是先行指标，曝光与回流是滞后指标，两者的时间差本身就是有信息量的。
一份能用的月度报告包含六项内容：本次的平台、采样地区与语言、提示词数量与运行轮次；加权与未加权的可见度指标各一份，以及权重定义；变化最大的三个提示词簇，附原始答案；获得与失去的来源域名清单；描述不准确或存在负面表述的条目；以及下一轮的内容、技术与信源动作与责任人。
如果对外披露，指标口径、样本量、置信区间与测试时间必须同时给出。这不是形式要求——GEO 与 SEO 的区别里说过，衡量方式变了，可比性就变了；同一个指标名在不同口径下意味着不同的东西。
---
本文引用的数据来自多个不同类型的来源，可信度层级不同，需要分开看待。
平台与官方文档部分（GA4 的 AI Assistant 渠道定义与生效日期、Search Console 生成式 AI 表现报告的指标范围与铺开时间、Bing Webmaster Tools AI Performance 的口径说明、Statcounter 的引擎份额统计）以官方文档与官方发布为准，但其描述的是数据本身，不代表本文的独立验证。
同行评议与预印本研究（USENIX Security 2025 的幻觉包名测量、arXiv:2606.20065 的 Ranqo 品牌梯度研究、arXiv:2610.15033 的站内对比研究、SparkToro 与 Gumshoe 的一致性研究、Sielinski 的名次稳定性预印本）方法与样本在原文中有完整披露，可信度较高，但样本多为特定平台与特定时间窗的结果，不等于任何一家企业的实测值。
第三方工具与监测平台的自有数据（MarketScale 的 State of GEO 2026、Capston 的 AI Visibility Report 2026、Visionary 的 8,400 提示词跟踪、Refine 的 17,691 次运行、GeoBuddy 的 2,697 次品牌检查、Machine Relations Index、AthenaHQ 的 State of AI Search 2026、Writesonic 与 Growth Memo 关于幽灵引用的分析、Seer Interactive 与 Ahrefs 的点击研究、Babel42 与 Elementera 的引用波动观测）来自各平台的采样，其提示词集、采样位置与判定规则由平台自行定义，样本也普遍偏向主动使用该工具的群体。这类数据用于校准预期与判断量级是合适的，直接当作自家基线则不可靠——这一点在上一节讨论引用来源分布时已经体现：连 Geobuddy 自己的报告都明确写了它不是随机样本。
本文未独立复现上述任何一项测量。文中出现的所有百分比、次数与样本量，都应回到各自的原始来源核对后再用于决策。
关于科芃科技的口径，与本站其他文章保持一致：广州科芃科技有限公司（简称科芃科技）是一家位于广州市天河区的软件与人工智能应用开发企业，成立于 2024 年 8 月，主营人工智能应用开发、AIGC 内容生成、软件研发与生成式引擎优化（GEO）服务。本文的讨论范围限于可见度测量的方法层面，不涉及任何具体客户名称、项目数据或未公开的细节。测量方案中涉及的具体执行方式，欢迎在常见问题或联系方式中进一步交流。
一次截图不算测量。SparkToro 与 Gumshoe 2026 年 1 月的研究让 600 名志愿者把 12 个提示词送进 ChatGPT、Claude 与 Google 的 AI 功能跑了 2,961 次，结果是同一提示词两次返回相同品牌名单的概率低于 1/100，顺序完全一致的概率约为 1/1,000。原因是生成式模型逐 token 采样，且检索环节的查询拆分、检索时点与来源入选阈值都不确定。所以正确做法是固定提示词集、固定引擎与模式、跨多天重复运行，用「提及率」这类概率型指标替代「排名第几」这类名次型指标。
提及率统计的是有多少比例的回答点了你的品牌名，引用率统计的是有多少比例的回答链接了你的域名并给出 URL。两者之间存在系统性缺口：MarketScale 的 State of GEO 2026 报告显示，ChatGPT 的品牌提及率 33.3%、引用率 12.8%，相差 20.5 个百分点。更关键的是幽灵引用——页面被当作来源链接，但品牌名从未出现在答案正文里，据 Growth Memo 数据这一比例约 61.7%，Semrush 的独立分析得到约 62%。如果把两者合并成一个指标报出，真实可见度会被高估 40% 到 60%，而「是否该继续投入」这个问题只能靠提及率单独回答。
没有跨场景通用的固定答案。Sielinski 2026 年 7 月的预印本在研究了 30 组平台与主题组合后明确指出，没有任何固定采集预算能跨场景成立。可操作的判据是边际收敛：持续加跑，直到新增加的一批运行不再明显改变总体百分比。量级上，若真实出现率在 30% 附近，95% 置信水平下想要正负 10 个百分点的误差约需每条提示词 81 次运行，正负 5 个百分点约 323 次，正负 3 个百分点约 897 次。需要注意月度环比是两个独立比例之差，误差约为单次的 1.4 倍，所以月度数字要跨过约 14 个百分点才算真实变动，而不是仪表盘上随手一指的 2 到 3 个点。
需要，因为三份数据各自都答不了「AI 在答案里把我讲成了什么样」。GA4 的 AI Assistant 默认渠道组自 2026 年 5 月 13 日起提供 AI 引荐访问，但只统计带 referrer 的访问（应用端常被剥离），且明确排除 Google 自己的 AI Overviews 与 AI Mode。Search Console 的生成式 AI 表现报告自 2026 年 6 月 3 日上线、8 月底全球铺开，只有曝光，没有点击、点击率、位置与查询词维度，且数据从 2026 年 5 月 18 日起不回填。Bing Webmaster Tools 的 AI Performance 报告提供引用数，但微软自己说明它反映的是被引用频次，不代表页面重要性、排名或位置。答案层的可见度只能靠提示词采样获取。
因为回流信号会大量丢失。相当比例的 AI 引荐访问不带 referrer，落在直接访问里，公开资料给出的常见区间是 35% 到 70%，ChatGPT 移动应用与复制链接打开的情况尤其明显。更常见的情况是转化根本不经过 referrer：用户在答案里看到品牌名，一周后直接搜品牌名进来，来源是自然搜索；或者直接输入网址，来源是直接访问。所以可见度是先行指标，流量与线索是滞后指标，用后者验证前者会长期看不到效果。可行的补充有两个：把 GA4 的直接访问流量按落地页拆开看异常，以及在「您从哪里了解到我们」这类字段里加一个 AI 助手选项——后者往往比任何仪表盘都干净。
可以分三段走。第 1 到 2 周定口径并冻结提示词：写清六项指标（提及率、引用率、份额声量、提示词覆盖、来源份额、准确率）的分子分母、定义有效回答、确定 4 到 6 个竞品、构造 20 到 50 条按四类分组的提示词并给提示词集编版本号。第 3 到 8 周周期采样，按月全量、按周抽检高价值决策类提示词，每次记录引擎与模式、日期轮次、是否提及、是否引用、被引域名、竞品、描述准确性与完整答案原文。第 9 到 12 周归因验证，把内容改动标注到时间线，与 GA4、Search Console、Bing 三份数据叠在一起看，并如实说明平台更新与竞品发布等并行因素。