点击率下降18.8个百分点，国内AI搜索渗透率超过90%，两个数字把GEO推到了台前。11月9日有文章把选型标准写成四条：数据可溯源、平台覆盖与问题库匹配、归因诊断、更新频率。这四条听着都对，问题是每一家供应商都说自己满足，验收时却没有可执行的判据。这篇把四条拆成能当场验证的动作。核验口径以2026年11月9日的公开信息为限。
第一条就卡住大半供应商：原始回答能不能回放
可溯源的意思是，随便挑一条结论，都能点回到当时的提问原文、AI原始回答、采集时间、品牌出现的位置、同屏竞品和引用链接。能回放到这一层，报告才有验收价值；只给一个综合分数的工具，出问题时无法自证。
这一条还能顺手筛掉一类隐患：用个性化账号采集的工具。搜索与AI回答都会受登录状态、历史行为影响，用个人账号采出来的结果，换个人复现不出来，项目验收时就会变成各说各话。
平台清单要先定死，再谈分数
不同AI平台的检索逻辑与信源偏好差别很大，同一个问题在五个平台可能出现五种答案。跨平台平均分看起来简洁，实际把差异抹平了。合理的做法是先定清单——测哪几个平台、测网页端还是App端、每次问哪几个问题，三件事写进项目文档，之后才允许比较。
第二条：问题库匹配度怎么当场验
问题库是整套监测的样本来源。验证方法很简单，让对方导出问题清单，逐条判断是不是客户真会问的话。如果清单里全是带品牌名的问题，测出来的提及率会虚高；如果全是行业大词，又测不出真实场景。
| 验收项 | 怎么验 | 合格线 | 常见问题 |
|---|---|---|---|
| 问题来源 | 导出清单看渠道 | 含客服、站内搜索、社群真实问句 | 全凭经验拟题 |
| 品牌词占比 | 统计带品牌名的条目 | 不超过两成 | 全靠品牌词虚高 |
| 平台覆盖 | 现场登录看清单 | 与合同一致 | 口头承诺多于实际 |
| 原始留痕 | 随机抽三条回放 | 可看到原始回答与时间 | 只存结论 |
| 竞品名单 | 核对行业与规模 | 同场景可比 | 拿跨行业品牌凑数 |
这张表的价值是把主观印象变成可逐项打勾的清单。谈合同时把五项写进附件，验收时按同一张表核对，比事后争论有没有效果省事得多。
第三、四条：归因与频率，决定报告能不能指导动作
归因要能指到具体页面
归因诊断的最低要求，是把某条回答的引用来源定位到具体网址，再看这个网址是不是自有资产、是不是近期更新、有没有被其他来源转引。定位不到页面的归因，只能得出内容不够好的结论，落不到任何人的待办上。
更新频率则要匹配模型的变动速度。模型与召回都在调整，月度盘点容易错过窗口，周度全量抽样成本又高。折中是核心场景周度、长尾场景月度，季度做一次全量校准。
还有一个反直觉的发现值得写进验收标准：单纯做成问答格式的网页，被AI使用的程度并不比普通网页高，真正起作用的是篇幅是否足够、有没有小标题、有没有能被核对的事实。形式不产生信任，内容才产生信任。
所以选型时不要被界面上的分数说服。让对方现场跑一条你指定的问题，看它能不能给出原始回答、来源链接和竞品同屏信息。三样东西齐了，再谈价格；缺一样，后面所有报表都要打折看。
常见问题
为什么原始回答留存这么关键？
它是唯一能证明结论来源的材料。没有它，数字波动无法区分是内容变化、平台换模型还是抽样偏差。
跨平台平均分能不能用？
可以看趋势，不宜做绝对值比较。各平台检索逻辑不同，平均分会把差异抹平，掩盖真实的位置差异。
问题库里带品牌名的问题该留吗？
留少量做品牌词基线，但不能占多数。占比过高会让提及率虚高，掩盖真实场景中的缺席。
多久做一次全量校准？
建议季度。周度抽样看异常，月度看趋势，季度用全量样本校准基线。
工具好坏看哪一条最快？
能否回放到AI回答的原始记录与引用来源。回放不出来，品牌在AI回答里的位置就无法复核，后面所有指标都要打折。
