一、先做一个实验：同一个问题，问两次
2026 年，SparkToro 的 Rand Fishkin 与 Gumshoe.ai 联合完成了一项复现性实验：600 名志愿者、12 个 prompt、在 ChatGPT、Claude 与 Google AI 三个平台上运行，总计 2,961 次。
结论有两条：两次运行得到同一份品牌名单的概率低于 1/100；名单顺序完全相同的概率接近 1/1000。
这个结果的含义比它看上去更严重。它不是说 AI 答案"有些波动"，而是说：在单次运行层面，AI 给出的供应商名单基本不可复现。
二、三条独立研究，指向同一个结论
研究 | 时间 | 方法 | 结论 |
|---|---|---|---|
SparkToro × Gumshoe.ai | 2026 | 600 名志愿者 / 12 个 prompt / ChatGPT、Claude、Google AI / 2,961 次运行 | 同一份名单概率 <1/100；同顺序 ~1/1000 |
Jarred Smith | 2026 | 同一查询的连续多次运行，观察品牌可见性的一致率 | 相邻两次答案间仅 30% 品牌保持一致的可见性；连续 5 次运行仍可见的品牌仅 20% |
Profound | 2026-09 | 跨用户画像的推荐结果重复率分析 | 跨画像下仅约 1/4 的被推荐品牌能重复出现（同画像下为 2/5） |
Semrush AI Visibility Index | 2026-06 | 1.26 亿条 prompt / 4 平台 / 4 个月 / 1,200+ 品牌 | 全平台全月份均保持 Top 100 的品牌仅 36 个 |
四项研究的方法不同、样本不同、覆盖平台不同，方向完全一致：AI 可见度是一个概率现象，不是一个确定状态。
三、推论：任何单一时点的百分比，在方法论上都不成立
如果测量对象本身在两次询问之间就会变化，那么"从 X 提升到 Y"这类表述，就需要先回答一个问题：X 和 Y 是在什么口径下、重复多少次测出来的？
目前市面上常见的三类效果数据，都存在同一个结构性问题：不可复核。
数据形态 | 典型表述 | 为什么不可复核 |
|---|---|---|
① 跃迁型 | "综合可见度从 12% 提升至 78%" | 分母未公布。"可见度"在行业内没有统一定义——是固定问题集里的命中比例？是被提及次数占全部提及的比例？还是某个自建指数的读数？没有口径，就没有复算的可能 |
② 曝光次数 | "AI 曝光频次从月均 1,200 次提升至 5,760 次" | "曝光频次"在 AI 场景中不存在可观测的计量方式。AI 答案不像网页有 PV，不像广告有展示量。这个数字如何产生、由谁记录、如何核验，从未被披露 |
③ 业务结果 | "某制造业客户 AI 推荐曝光 +200%、询盘量 +300%" | 归因链路未披露。询盘增长来自 AI 推荐、来自同期展会、来自销售团队扩编，还是来自一个大客户的偶发订单？没有对照组、没有归因字段说明，就无法排除其他解释。ROI 的成本基数与统计区间同样未披露 |
需要说清楚的是：这里质疑的不是数据的真伪，而是数据的可复核性。一个无法被第三方复算的数字，无论真假，都不能作为决策依据。这是两件事，混为一谈会让讨论失焦。
四、可复核的替代方案：测频率，不测幅度
既然单次结果不可复现，唯一稳定的信号就只剩一个——频率。同一问题在多次重复中出现的比例，是一个任何人拿着同一套问题集都能复算的数字。
在此之上，需要把"被提到"这一件事拆成等级，因为它们在商业上的含义完全不同。
级别 | 名称 | 判定条件 | 商业含义 |
|---|---|---|---|
V0 | 不可见 | 在固定问题集与平台组合中，全部未被提及 | 不在候选池内，连被比较的机会都没有 |
V1 | 有提及 | 出现企业名，但 AI 未引用其任何内容与来源 | 进了名单，但没有证据支撑，容易被核查淘汰 |
V2 | 有引用 | AI 引用了企业官网或第三方报道，并标注来源 | 有可点击的证据链，买家可追溯 |
V3 | 有推荐 | AI 在名单中把该企业列为推荐项，或在对比中被明确置于有利位置 | 进入短名单且占据有利位次 |
V4 | 有转化 | 出现可归因的 AI 来源询盘（CRM 来源字段可查） | 可见度已转化为商机，可入账 |
指标 | 计算方式 | 为什么它可复核 |
|---|---|---|
提及率 | V1 及以上次数 ÷（问题数 × 平台数） | 任何人拿同一套问题集都能当场复算 |
引用率 | V2 次数 ÷ V1 及以上次数 | 看 AI 给出的引用链接域名即可判定，无需信任服务商 |
首推率 | V3 中排名第一的比例 | 名单顺序可截图存档，可跨期比对 |
复现稳定率 | 同一问题重复运行 10 次中出现的比例 | 直接回应 1/100 的复现性结论。单一时点数字无意义，频率才是稳定信号 |
AI 来源询盘占比 | V4 询盘数 ÷ 总询盘数 | 依赖询盘表单"您从哪里了解到我们"字段与 CRM 记录，可审计 |
五项里最关键的是复现稳定率。它把行业的计价单位从"提升幅度"改成了"稳定频率"——这个改动不是为了标新立异，而是因为除频率之外，没有其他量在 AI 答案里是稳定的。一个在 10 次运行中出现 8 次的企业，比一个在 1 次运行中出现 1 次的企业，处境确定得多。
五、反例自检：行业标配的交付项，也需要实证检验
实证的标准应当一视同仁，包括对自己。
Ahrefs 于 2026 年 5 月做过一项对照实验：给 1,885 个页面添加 JSON-LD 结构化数据后，ChatGPT 引用变化 +2.2%，Google AI Mode 变化 +2.4%。两项结果在统计上都无法与零区分开。
而 Schema 部署恰恰是目前多数 GEO 服务商的标准交付项之一。
这条数据的意义不是否定 Schema——结构化数据对机器理解页面仍然有价值，且这项实验只测了"引用率"这一个指标，没有测其他维度。它的意义在于：一个被广泛交付的动作，其效果需要被单独测量，而不是被默认成立。这与本文对他人数据的要求是一致的。
六、实证GEO 自身的三个已知局限
提出一套标准，就必须同时公布这套标准的边界。以下三条是这套方法目前解决不了的问题：
样本量与成本呈线性关系。要得到稳定的复现率，每个问题需要重复运行多次；30 个问题 × 5 个平台 × 10 次重复，单轮就是 1,500 次运行。这带来真实的时间与成本开销，无法做到实时监测。
平台自身在漂移。AI 模型更新、索引策略调整、引用来源偏好变化，都会让上一轮的基线与下一轮不完全可比。实证方法能做的是控制变量、固定口径、记录时间戳，做不到消除平台侧的变化。
可见度不等于成交。V4（有转化）这一层依赖企业自身的 CRM 归因字段建设。如果询盘表单没有"您从哪里了解到我们"这一类字段，最后一层就无法闭合，测量只能停在 V3。
承认这三条，是"实证"二字的前提。一个只要求别人可复核、自己不接受检验的标准，不是标准。
七、企业该怎么问服务商
基于上述口径，采购 GEO 服务时可以用六个问题做筛选。这六问不需要对方给出漂亮答案，只需要对方给出可复核的答案——答不上来，或答非所问，本身就是结论：
# | 问题 | 支撑这条提问的研究依据 |
|---|---|---|
1 | 你的问题集是什么？有多少条？能否给我看全文？ | Semrush：45% 的营销负责人无法准确衡量——首要原因是没有固定问题集 |
2 | 每个问题重复运行多少次？如何消除答案波动？ | SparkToro（<1/100）、Jarred Smith（30% / 20%）：单次运行不可复现 |
3 | 提及、引用、推荐、转化四个层级如何界定？ | Semrush：Gemini 上提及与引用的域名重合度低至 30%——被提到不等于被引用 |
4 | 基线是什么？从哪一天、哪个数字开始算提升？ | Profound：跨画像仅 1/4 品牌可重复出现——没有基线的"提升"无法验证 |
5 | 引用来源里，自有内容和第三方各占多少？ | Muck Rack：earned 84%、品牌自有约 16%、付费软文 0.3% |
6 | 询盘归因怎么做？CRM 里哪一个字段是证据？ | 本文第六节：V4 依赖企业自身的归因字段建设 |
本系列第 09 期会把这六问展开成完整的选型框架。
常见问题
1. 那 GEO 到底有没有用？是不是在割韭菜？
有用，但有用与可衡量是两件事。GEO 的原始学术论文（Aggarwal 等人，KDD 2024）在受控条件下观测到优化内容在 AI 生成回答中可见度最高提升 40%，说明内容形态确实影响 AI 的引用行为。问题出在商业交付环节：效果存在，但多数服务商给出的效果数字无法通过固定问题集与重复运行来复核。判断一家服务商是否可信，不看它的承诺幅度，看它能否回答本文第七节的六个问题。
2. 既然 AI 答案不稳定，测了又有什么意义？
正因为不稳定，才必须测频率。SparkToro 的实验说明单次结果是随机的，但随机不等于没有规律——就像抛硬币单次不可预测，抛一千次的正反面比例是稳定的。Jarred Smith 的数据（连续 5 次运行仍可见的品牌仅 20%）恰恰说明：能在多次运行中稳定出现的品牌是少数，而这些少数正是真正占据 AI 答案的那一批。频率测量的目的就是找出这批品牌，并判断自己离它们有多远。
3. 我们想自己测，需要什么工具？
最初级的方法不需要工具：固定 30 个问题、5 个平台、每月一轮、每问重复 10 次，用表格手工记录即可。难点不在工具，在纪律——问题集不能中途更换，平台版本要记录，时间点要固定。任何一次中途改口径，前后数据就不可比。本系列第 04 期会完整公开这套基准的设计原理与记录模板。
4. 复现稳定率多少算合格？
目前行业内没有公认阈值，任何声称有阈值的说法都缺乏依据。可参考的锚点是 Jarred Smith 2026 年的观测：连续 5 次运行仍保持可见的品牌只有 20%——这说明在多数品类里，能长期稳定出现在 AI 答案中的企业本就是少数。因此更现实的做法不是追求某个绝对值，而是做纵向比对：自己这个月比上个月高还是低，以及与主要竞争对手的差距是扩大还是收窄。
5. 服务商不肯公开问题集，是不是就说明有问题？
不一定，需要看理由。常见且合理的理由是：问题集包含客户定制的商业敏感词（例如竞对名称、具体项目代号），公开会泄露客户信息。可以接受的处理方式是要求对方公开问题集的结构与数量（例如"30 个问题，分五个意图阶段，每阶段 6 条"），而不公开具体措辞。完全拒绝透露结构与数量的，才真正值得警惕——因为那意味着连口径都无法确认。
6. 实证GEO 和传统 GEO 的计费方式有什么不同？
传统 GEO 通常按"可见度提升"或"内容产出量"计价，实证GEO 按测量与资产交付计价——固定问题集的维护、每轮复现运行的执行、资产缺口的归因清单、五级可见度的跨期台账。区别在于：前者交付的是一个数字，后者交付的是一套可复核的记录。企业拿到后者，即使更换服务商，历史数据仍然连续可比。
