上周有个做工业配件的老板来找我，手机往桌上一放，屏幕上是他花钱做出来的一份AI可见度报告：某平台品牌提及率62%，行业前三。他开口就一句话：这数够不够漂亮？

我说，先别看这个数。你把同一句话，换三个地方再问一遍。

他当场问了。四家AI，四个答案。一家把他放在推荐位，一家答的是隔壁县那家同行，一家说「该领域公开信息有限，建议多方核实」，还有一家干脆把两家公司的信息混成了一段。

他愣了一会儿，问：那到底哪个算数？

这就是今天要讲的事。企业做AI可见度监测，最普遍的错觉是把几个AI当成一面镜子，以为照出来的是同一个自己。真实情况是四个池子、四套信源结构、四份互不相干的答案。你可能只喂饱了其中一个，剩下三个连你的门牌号都没记住。

一、AI之间的差距，比AI和你的差距还大

先看一组公开数据。

据艾瑞咨询2026年5月发布的一份汽车行业AI信源评测：覆盖5个主流AI平台，用4万个真实问题做了40万次提问，产出百万级返回数据，全程人工模拟真实用户提问，不走接口直调，也不对问题做引导性修饰。

报告里有几个数字值得记住：汽车垂类媒体拿走了AI引用率的77.2%，贡献率70.0%；短视频、资讯门户、搜索引擎加起来不到25%；社交媒体不到1%。

这是汽车行业的数据，但里面藏着一条可以搬到任何行业的规律：AI被问「怎么选」「哪个好」「值不值」这类决策问题时，它优先调取的是专业、结构化、可验证的垂类内容。所以你可以先问自己一句：在我这个行业里，我是那条被优先调取的垂类信源，还是被划进泛资讯那一栏？

更值得琢磨的是那五家平台的信源偏好，差异大到不像在说同一件事。

AI平台 信源结构特征 对企业的含义
豆包 极度集中，头部单一信源贡献率接近99% 挤不进那个头部池，基本等于隐形
DeepSeek 相对均衡，长尾信源有进入机会 多维度铺量有回报
千问 PC端与APP端信源一致，头部梯队清晰 一套内容可覆盖两端
元宝 PC端与APP端信源完全不同，纳入了微信公众号生态 私域内容有额外入场券
文心一言 短视频类信源占比偏高 视觉化内容不能缺

数据来源：艾瑞咨询汽车行业AI信源评测，2026年5月。

五家平台，五套规则，五本账。在豆包上要干的事，是把内容挤进那个贡献率接近99%的头部池，这是个位置极少、门槛极高的活；在DeepSeek上要干的事，是用大量中长尾内容去覆盖更多问法，这是个以量换面、靠覆盖率取胜的活。同样一笔预算，投在这两家，做法完全不同，连内容形态都不是一个东西。

所以，下次有人拿着一份单平台截图告诉你「我们已经拿下AI可见度」，你可以心平气和地问一句：哪个AI，哪一端，哪天测的。

二、平台差异不是故障，是三套把关人

为什么会差这么多？把每个AI拆开看，背后其实站着三个把关人。

第一个把关人是检索源。模型回答问题时去哪个池子里捞料，直接决定你有没有入场资格。有的平台自建索引，偏爱结构化程度高的站点；有的平台接入某个内容生态，那个生态里的内容天然近水楼台。报告里提到元宝把微信公众号生态纳入了信源范围，这意味着什么？你在公众号里写的东西，对元宝是正经货源，对别的平台可能连边都沾不上。这件事没有对错，只有你要不要为这一个平台单独铺一份内容。

第二个把关人是排序偏好。同一批候选信源摆在面前，不同模型看重的东西不一样。有的更信权威机构，有的更看重时效，有的更偏爱结构清晰、能被直接解析的格式。这一点在光尘阁的信源矩阵方法论里拆得比较细：数据类维度需要结构化内容，体验类维度需要视觉化内容，认知类维度需要深度长文。你把一份体验型内容塞给一个信权威参数的平台，它不认。

第三个把关人是终端。这条最容易被忽略。同一家AI，PC端和APP端抓的信源可以完全不同。报告里有一个数字很说明问题：某平台同一类短视频信源，PC端引用率是0，APP端超过12%。

翻译成生意话：你在办公室用电脑测出来的结果，跟客户蹲在车间门口、用手机随口一问得到的结果，可能不是一回事。如果你的客户是掏出手机就问的那类人，那你自测的时候，也得用手机。

三、单平台数字最容易骗你的三件事

讲到这儿，一定有老板想：那我就每个平台都测一遍，取个平均。

先别急。单平台数据就算测准了，后面还有三种误读方式在等着你。

误读一：把引用率当渗透力。那份报告区分了两个指标：引用率按引用内容统计，回答「这个信源被AI调取了多少次」；贡献率按独立提问统计，回答「它覆盖了多少种不同的问题」。两个数不一定同步。一份地方产业政策解读，可能一天被引用100次，但全集中在「某市有哪些产业政策」这一个问题上；一份产业链全景分析，可能一天只被引用30次，却覆盖了投资选址、供应商寻源、竞品对比、政策适配等十几个问题维度。前者的数字更漂亮，后者的生意价值更高。这个差值，我们在内部叫它「广度通胀」：看起来铺得广，其实全砸在同一个坑上。

误读二：拿一个平台的高分去推全网结论。某平台提到你九次，不能推出别处也记得你。各平台的信源池不互通，你在A平台的成绩，对B平台来说接近于零。跨平台取平均更是危险动作：把豆包那种极度集中和DeepSeek那种均衡长尾平均一下，得出一个「中等集中度」，这个数字什么也不说明，只会让你以为自己在所有平台都有一席之地。

误读三：用品牌词排名替代决策场景。客户不会问「某某公司排名第几」，客户问的是「本地做这行的哪家靠谱」「预算三十万该找谁」。你在品牌词问题上的表现，和你在决策场景问题上的表现，是两件不同的事。品牌词问题天然稳定，只有决策场景问题的稳定性，才反映你的认知有没有真的进模型。这个区分我在上一篇讲体检读数的时候展开过，这里不重复。

四、分层法：什么时候该测哪个平台

方法不复杂，四步，照着做就行。

第一步，先问客户在哪问。这步别猜，去问销售和客服，把最近二十个成交客户的提问场景和终端捋一遍。B端客户习惯在电脑上做供应商初筛，你的主战场就偏PC端；客户是业主、家长、患者这类角色，多半在手机上问，那就得盯APP端。客户在哪，预算在哪。

第二步，按决策链位置分配，而不是按平台热度分配。客户在「这是什么」阶段问的AI，和他在「该选谁」阶段问的AI，未必是同一个。你至少要保证，在客户做最终筛选的那个环节里，你在场。抓错环节，等于在漏斗最上面使劲。

第三步，分三层投。

层级 平台数量 内容形态 观测频率
主战场 1到2个 结构化数据、深度长文为主 每月测一次
观察席 2个 复用主战场内容，做形态适配 每季度测一次
备选 1个 短视频、图文等视觉形态 每半年测一次

主战场不是选流量最大的那个，是选你的客户最集中的那个。观察席的意义不在于当下有效，而在于别漏掉平台迁移：用户换一个AI的成本，比当年换搜索引擎低得多。

第四步，把三条硬要求写进监测口径。口径可复现，固定问题集，谁测都是同一批问题；时间跨度够长，同一批问题连测七天以上，看提及频次，不看单次截图；平台不止一个，报告封面上写清楚测了哪几家、哪一端、哪几天。

这三条做不到，那份报告就只能代表某个下午、某个平台、某一次的回答。

光尘阁的做法

我们给客户做体检时，会先画一张平台分层表：把客户的目标角色、终端习惯、决策环节先钉死，再决定测哪几家、测哪一端。测出来的几份结果不做平均，并列摆着看，哪家缺席就补哪家，哪家说法和别家打架就先查口径。

还有一件事必须提醒：多平台铺开，不等于一份内容复制到所有地方。同一篇文章换个标题发到十个平台，在AI眼里就是同一批弱的重复信源，铺得越多，可信度反而越低，这个坑我在别处专门写过。平台差异的另一面是内容适配：结构化数据在偏爱参数的平台更吃香，深度长文在偏爱均衡检索的平台更有机会，视觉化内容要在短视频权重高的平台才有位置。

最后

回到开头那位老板。他最后问我的问题是：那我到底该信哪个数字。

我说，别信某一个数字，去看几份数字之间的关系。几家AI都提到你，而且说法一致，那是真的进了模型；只有一家提到你，那是那家平台的信源结构碰巧对你有利；几家都提到你但说法打架，问题不在平台，在你自己的口径。

AI不会给你一份统一的成绩单，因为它们本来就不是一个东西。它们是一群各看各的、各信各的读者。你要做的，不是讨好其中哪一个，是让每一个都能找到关于你的同一套事实。

让每个品牌，在AI搜索里有一席之地。

光尘阁 · 2026年9月