一、先交代实验：同一句话，连问三次

找我咨询的人里，问得最多的一类问题长这样：服务商月报显示三个月提及率涨了 8 个点，要不要加预算。我通常反问一句：这 8 个点，是同一个问题、同一个平台、同一时段测出来的吗？多数人答不上来。答不上来就别急着加钱，先看数是怎么来的。

2026 年 10 月 28 日晚上 21 点 50 分，我在 deepseek-chat（默认 temperature 1.0，不开联网）里，把同一句话连问了三次，每次间隔两秒：

「我们是湖北一家做工业配件的制造企业，想做AI搜索优化（GEO），第一步应该先做什么？」

三次返回：806 字、865 字、1558 字。最长的那次比最短的多 93%。

光比字数不够，我又算了一次文本重合度。方法是 3 字切片做 Jaccard，纯字面，不看意思。三份答案两两重合 9.2%、4.8%、5.0%，平均 6.3%。

然后我换了个问法再问一次：「工厂老板想做GEO，让AI在回答里提到我们，从哪儿下手最划算？」这次跟前三份的重合度是 5.2%、4.4%、3.3%，平均 4.3%。

只看数字，会得出一个很唬人的结论：AI 每次说的都不一样，压根没法测。

可我把四份答案逐条对着看完，看到的是反过来的东西。

二、判断没错，表达全乱

四次回答，第一条建议全是同一件事：先做一轮 AI 可见性盘点。列客户常问的问题，去主流平台逐个问，记录 AI 有没有提到你、提得对不对。第二条建议也高度一致：把官网的产品参数、资质、案例做成结构化页面。

真正在飘的是另外几样：

  • 推荐你去哪些平台：第一次是「DeepSeek、豆包、Kimi、通义、文心，加阿里巴巴、慧聪」，第二次变成「DeepSeek、豆包、Kimi、文心，加百度、百科」，第三次是「豆包、Kimi、通义、千问、文心」。换问法那次，多出了 ChatGPT、知乎、1688。
  • 篇幅：从 806 字到 1558 字。
  • 步骤怎么拆：三步、四步、分模块，每次不一样。

一句话：结论层稳，表达层乱。

我把这件事定性成一个模型，叫 AI 答案的两层结构。

层 里面装什么 漂不漂 该多久看一次
判断层 你是谁、算不算候选、被描述成什么角色（厂家、供应商、替代品） 慢，几个月才动一次 季度
表达层 字数、平台清单、案例、比喻、信源推荐、措辞 同一小时内就能变 只看描述，不做考核

多数企业的 GEO 月报，卡在下面那层。

你去翻自己的报表，如果有这么一栏「本月 AI 回答中提及我方的次数」，它测的是表达层的密度。这个数字本月涨了、下月跌了，大概率跟团队干了什么没关系。它跟模型的采样温度有关，跟平台当天抓了哪几个网页有关，跟用户那句话怎么问有关。

举个具体的：同一道题，八月的答案能读 806 字，十月能读 1558 字。如果你的月报统计口径是「提及次数」或「提及字数」，这个变化会被读成一条漂亮的上行曲线，而实际上模型只是那天话多。

三、它为什么会漂：四个来源

搞清楚机制，才知道哪些漂是必然的，哪些是能修的。

一是采样随机。 大模型每次输出都是从概率分布里抽一次。同一个问题，抽样点不一样，措辞和篇幅就不一样。我这次把 temperature 留在默认的 1.0，属于正常用户的真实条件；调到 0 会更稳，但那就不是你客户实际看到的 AI 了。测客户看到的东西，别去测一条被调过参数的理想曲线。

二是检索内容在变。 现在主流 AI 回答里大量带检索环节，它每次抓到的网页可能不同。昨天抓到你官网的旧版产品页，今天抓到一条三年前的论坛帖，答案的走向就会变。这跟你的内容有没有更新是两件事。

三是模型在静默迭代。 平台升级不会提前通知你。同一个问题去年问和今年问，语气、结构、推荐偏好都可能换了。这是为什么报表上必须记模型版本和日期，也是为什么拿跨季度的截图对比，本身就不成立。

四是问法在变。 我换一句问法（从「第一步应该先做什么」换成「从哪儿下手最划算」），答案的篇幅和推荐清单就明显不同。客户每天的真实问法千差万别，你固定一套问法去测，测的是你选的切口，不是市场全貌。这不是缺陷，是测量的前提条件：你要承认自己只测了一个切口，别把切口当全景。

四条里，第一条和第三条你改不了，只能承认；第二条和第四条你能控制，靠固定题集和固定问法。测量这件事的本质，就是把不能控的部分圈起来，叫噪声，然后只对能控的部分负责。

四、噪声地板：为什么 5 个点以内不算涨

做测量的都懂一条底线：任何测量都有噪声，噪声带里的变化不叫变化。温度计本身有一度误差，你拿它报出 0.5 度的升温，那是自欺。

AI 可见度更难，因为测量仪器本身是概率机器。同一句话问三次，字数差 93%，你告诉我要信哪一次？

所以我给这件事配了个操作定义，叫噪声地板。

怎么定：三同复测法。

同题、同模型、同时段，三道锁缺一不可。同一套 20 道题，记录你用的平台和模型版本，在同一天里（最好同一小时）每道题连问 3 次，取中位数，记下极差。20 道题的平均极差，就是你的噪声地板。

怎么判：三档。

本月与基线的差 判定 动作
在噪声地板以内 噪声 不动，不解释，不写进月报结论
出一倍地板以内 存疑 标记观察，下月复测同题
超过两倍地板 位移 才允许做归因，才允许报功

假设你测出来地板是 8 个点（这只是举例，你得自己测）。那么客户跟我说的「涨了 8 个点」，正好落在噪声带上沿，等于没涨。而服务商很可能是真心觉得涨了，他测了两次，第二次是高值。

这件事的后果不只是数字难看。你把噪声当业绩，就会继续为产生噪声的动作付费；等你哪天换一家重新测，基线对不上，前面三个月的投入全部化成扯皮。

跑一次基线要多久。 20 道题、2 个平台、每题 3 问，一共 120 次提问，一个人一个下午能跑完。别一上来铺五个平台，先做你客户最常用的那两个。表格列这几项就够：题号、平台、模型版本、提问时间、提问原文、有没有提到你、排在第几位、AI 给你的角色描述、它引用了哪个链接、三问之间的极差。跑完这一遍，你手里第一次有了一个可复现的数，后面所有讨论才有共同的起点。

五、把月报改成能信的，三个动作

动作一：题集冻结，模型打标。

题集定下来就冻住，一年不动，中间要改就另起一版。每次测量记下平台、模型名、日期。模型换代那天，在报表上画一条竖线，线前的数据与线后不可比。

现实里最常见的翻车就是拿三月的截图和八月的截图比，中间模型换了两代，题集也换了，还硬要得出一个「涨了」的结论。这在逻辑上叫不可比。

动作二：三问取中位，报区间不报单点。

「提及率 62%，区间 55 到 68」比「提及率 62%」诚实得多。谁主动给你区间，谁大概真在做测量。谁只给你一个孤零零的点位，还配一条平滑上升的折线，你要多问一句：这条折线每根柱子是怎么测的。

动作三：分两本账。

判断账按季度看，只记三件事：AI 认不认你是谁、你在候选集里排第几、它给你的角色描述对不对。这层变化极慢，但一旦变化，就是结构性变化，比十个点的噪声值钱得多。

表达账按月记录，只做描述不做考核。它的正当用途只有一个：发现明显错误（型号写错、地址写错、把你说成另一家）并立即修。发现错误跟考核团队，是两回事。

再加一条方向性的提醒：别拿 AI 自己的解释当证据。你问它「刚才为什么推荐我」，它会给你一套听起来特别合理的理由。那套理由是现场编的，不是它的检索路径。要验证，去看它回答里引了哪个链接、哪篇文章、哪条工商信息。信源是硬的，解释是软的。

六、为什么非得较这个真

第一，你拿什么当尺子，团队就往哪儿发力。

如果 KPI 是每周的提及率涨跌，团队的动作必然指向短期能动数字的事：批量铺稿、堆关键词、找人换头像冒充专家、把同一篇文发满二十个平台。这些动作在噪声带里看着很有效，三个月后留下一地被 AI 判定为复制件的内容。反过来，只认季度判断层的位移，团队只能往长周期使劲：改官网结构、补真实资质、拿第三方报道。白 GEO 和黑 GEO 的分岔口不在手段上，在你拿什么当尺子。

第二，这是行业能不能被信任的问题。

GEO 现在最大的麻烦不是做不好，是没法证明做了。服务商递一张截图，客户不信；客户自己测一次，数字对不上，更不信。僵局只有一个解法：把测量方法摊开，把噪声地板写进合同。

我见过最实在的一条合同条款长这样：每季度 20 道固定题、3 个平台、每题 3 问取中位，季度对比只认超出噪声地板的部分。这话没法吹牛，但它可复现。敢签的人，基本不会跑。

光尘阁观点

一，AI 可见度能测，但单次测量不算测量。 一小时的漂移比三个月的战略变化还大，任何单点数据都不配当结论，包括那份让你很开心的数据。

二，判断层和表达层必须分账。 分不开这两层，你的月报永远在测一件事：模型今天心情好不好。分开了，你才看得见真正的战场——AI 把你放进候选集了吗，给你的是什么角色。

三，噪声地板本身就是筛子。 愿意跟你坐下来把地板定清楚的服务商，通常不会骗你；不敢定的，多半靠截图吃饭。选服务商这件事，问一句「你的噪声地板是多少、怎么测的」，比看十页案例有用。

让每个品牌，在AI搜索里有一席之地。

光尘阁 · 2026年10月