一、先承认一件事：AI 提及率天生是个统计量

同一句问题，同一个模型，连着问五遍，你会拿到五份并不完全一样的答案。

这不是模型不稳定，是它的工作方式决定的：生成式引擎的输出是概率采样，不是数据库检索。数据库查询有唯一解，采样只有分布。你问「某某行业哪家做得好」，模型每次从候选里抽出来的组合都可能不同，这次提了你，下次漏掉你，属于正常表现。

所以「AI 提及率」和民意调查是一类东西：它是对一个分布的一次估计，必须带上样本量和波动范围才有意义。民调机构报支持率会写「n=1200，误差 ±3%」，我们报 AI 提及率的时候，往往什么都不写，只报一个整数。

我见过太多团队在这上面判断失误。常见的一幕是：内部测 10 个问题，命中了 4 个，写成「提及率 40%」；下个月中了 3 个，写成「30%」。两个数字之间的落差完全落在随机波动里，但管理层会当成业绩下滑，然后开始找人的责任。

光尘阁自己在钟祥、沙洋做过一轮 10 家企业的实测，更能说明测量的分量：传统搜索引擎里，10 家企业的信息全部查得到；换成 AI 问答，能被真正认出主营业务的只有 1 家，另有 2 个文旅 IP（明显陵、蟠龙菜）被稳定提及。同一批对象，两套口径，差出一个数量级。要是当初只测 3 家、每家问 1 遍，这个结论根本立不住。

二、四个偏差：你测出来的数字，可能一个都不真

在讨论买什么工具之前，先把测量本身的问题理清楚。AI 可见度的采样，有四个逃不掉的偏差。

问法偏差。 问题怎么问，答案就怎么偏。「某某行业哪家好」这种开放式问法，模型最省事的做法是给通用建议、列几个大牌，中小品牌压根进不了场。换成比较式问法，比如「A 和 B 二选一，你更推荐哪个」，模型被迫做相对判断，反而更容易把候选实体拉出来逐条对比。这个方向有公开研究支撑：论文《Large Language Models are Effective Text Rankers with Pairwise Ranking Prompting》（Qin 等，EMNLP 2024 Findings，arXiv 2306.17563）的结论是，把排序任务改写成二选一的相对偏好判断，20B 参数的中等模型能打赢更大的模型。搬到 AI 搜索里同样成立，成对比较的提问方式，榨出来的信息量比开放式提问高一个量级。

另外一条同样可追溯的结论来自普林斯顿等机构在 KDD 2024 发表的《Generative Engine Optimization》论文：在内容里加入引文、统计数字和权威表述，能明显抬高它在生成式答案里的可见度，评测口径下的提升幅度可达三成以上。这条结论还有个更实用的用法，溯源式提问会顺带暴露模型引的是哪一类信源，而信源结构的差别，往往就是可见度差距的真实来源。

模型漂移。 模型在换版本，检索库在换覆盖范围，同一个问题这个月和上个月的答案基础就不是同一个东西。跨月对比时不记录模型版本、不记录提问日期，那条环比曲线基本没有解释力。

样本量不足。 n=1 得出的百分比不叫百分比。10 个问题里中 3 个还是 4 个，这点差异在统计上站不住，但进了汇报就变成「环比下滑 10 个百分点」。

观察者偏差。 自己数自己的提及，最容易把「被提到」算成「被推荐」。AI 说「A 和 B 都有相关业务」，这是中性提及；它补一句「其中 A 在某某领域口碑较好」，才算正向描述。两个口径混在一个数字里算，结果一定虚高，而且虚高的部分正好是你最想看的那部分。

三、最小基线法 20×3×5：企业自己就能跑的一套采样规范

四个偏差没法消除，只能靠固定规范把它们压到可接受范围。最小基线法就干这件事：用 20 条问题、3 个平台、每条重复 5 轮，产出一个可以跨月对比的数字。

20 条问题，四类各 5 条。

  • 认识类：先问行业，再问品牌。看模型会不会在没有提示的情况下主动提到你。
  • 比较类：把主要竞品和你两两配对，做二选一，这是最有效的一类，也最容易被跳过。
  • 场景类：带上地理、价格、规模的约束，比如「某市 200 人规模的某某服务商」。县域和本地生意，价值主要在这里。
  • 风险类：问「这个行业有什么坑」「哪类供应商不靠谱」。测的是你会不会被卷进负面语境。

有一条硬约束：题面里出现自家品牌名的比例，不超过四分之一。超了，测出来的就不是 AI 对你的认知，而是模型对一串字符的复读能力。

出题的手感，可以用三条对照来调。开放式问法换成带约束的问法：「这个行业谁做得好」换成「武汉做工业设备 GEO 服务，预算 20 万以内，选谁」。单问一家换成成对比较：「A 和 B 选哪个」。泛问换成溯源问：「你们推荐 A 的依据是什么」。第三条最有意思，模型被迫把理由摊开，你就能看到它引的是你的官网、某条行业报道，还是一份三年前的聚合页。它引谁，你后面就该往谁那里放东西。

3 个平台，分开报数。

挑三个：用户真正在用的那个、一个带联网检索的、一个纯生成的。三个平台的口径必须分开报，不要合并成一个平均值。合并会把最差的那个平台藏起来，而最差的那个平台，往往才是你真正的短板所在。

5 轮，记命中轮次。

每条问题在同一平台重复 5 次，记录「命中轮次 ÷ 5」。1/5 和 5/5 不是同一件事：前者是偶然撞上，后者是稳定认知。只报百分比会把这层差异抹平。

最后只算两个数，加一个内部指标。

提及率 ＝ 命中轮次 ÷ 总轮次；正向率 ＝ 正向描述次数 ÷ 命中次数。这两条对外报。内部再加一条口径一致率，也就是问题集连续三个月不变的比例，它衡量的是你自己有没有在偷偷换尺子。

四、基线三表：让复测变成流程，而不是一次兴致

规范要落地，得有三张表。

表一，问题集表。 字段：编号、类别、题面、适用平台、是否含品牌名、预期类型。定稿后锁版本，改动走变更记录。

表二，复测记录表。 字段：日期、平台、模型版本、题号、第几轮、是否提及、出现位次、是否正向。这张表是原始数据，不许只留汇总。

表三，变动归因表。 字段：本期变动值、是否超过波动阈值、同期做了什么内容动作、结论。结论栏只有两个选项：内容动作导致，或随机波动。逼着自己写这一栏，能挡掉后面一半的无效复盘。

五、边界与成本：别把测量做成第二个项目

别手工做全量。 20 题 × 3 平台 × 5 轮是 300 次问答，一个人手工跑不现实，也不可持续。可以脚本派发问题、批量留存答案，但判读这一步（这段算不算提及、算不算正向）要人工定规则后复核。让模型给自己打分不可靠，它对自己引用过谁这件事，记得并不比你清楚。

小团队别月月全量。 季度跑完整基线，月度只跑 5 条轻量题看趋势。测量频率高过内容动作频率，本身就是资源错配。

设一个波动阈值。 5 个百分点以内的变化按噪声处理，不进汇报、不问责。指标不稳，组织的动作一定会变形。

警惕用测量代替行动。 如果连续三个季度基线平稳、内容动作接近零，那不是测量问题，是执行问题。这时候该停的是报表，不是讨论。

认清方法的边界。 这套基线只回答「你有没有被 AI 看见」，回答不了「被看见之后有没有人来」。后一个问题要去业务侧找答案：留资量、咨询来源里的「AI 说你们家」占比、成交前的信息触点。把两个问题混在一个指标里，最后既管不好测量，也管不好生意。

第一个月的落地节奏，可以这样排。 第一周出题，20 条定稿锁版；第二周挑三个平台试跑 5 条，校准判读规则，把「什么算提及、什么算正向」写成一句话规则；第三周全量跑一次，出第一份基线报告；第四周不测，只做内容动作。第二个月起进入「月度轻量 + 季度全量」的常态。这套节奏的意义是把测量压进流程，让它变成一件不需要开会决定的事。

这套方法不是纸上推演出来的。它是光尘阁在县域企业和本地品牌的 AI 可见度项目里逐步收敛的结果，作者谈光尘长期做这一块：先给客户建问题集和基线表，再谈内容怎么改。顺序反过来，改完之后连自己有没有变好都说不清。

光尘阁观点

第一，AI 提及率是统计量，不是事实。 一个没写样本量、平台、轮次、日期的提及率，等于没写。

第二，测量先于优化。 一套稳定的 20 题基线，比一份漂亮的优化方案更能说明问题。基线建起来之前，所有优化都是在黑箱里加动作。

第三，别拿 3 个百分点的波动邀功，也别拿它问责。 数字不稳的时候，先修尺子，再修内容。尺子不准，越努力越偏。

第四，GEO 最贵的成本，是用错误的数字做了半年的正确决策。 测量规范花不了多少钱，省下来的是整个团队的时间和判断力。

让每个品牌，在AI搜索里有一席之地。

光尘阁 · 2026年10月