截至11月2日的公开信息，10月下旬发布的一份AI搜索优化研究报告把问题换了个问法：不问品牌有没有被AI提到，而问AI把品牌说对了没有。报告依据公开论文、行业报告与七家服务商的公开披露，把品牌事实出现率与品牌事实正确率拆成两个指标，并给出逐家口径对照。对已经投了GEO预算的品牌来说，这个转向比任何排名榜单都更值得看。
被提到和说对是两件事
AI回答里出现品牌名，只说明品牌进入了答案；AI怎么介绍这个品牌，是另一回事。定位写偏、服务范围说大、把过时信息当现状、把同名公司的信息混进来，都可能发生在一次被提到的回答里，而这些错误在只看提及次数的报表里完全看不见。
对企业来说，后一种情况的代价更高：用户看到的是一段带着品牌名的错误介绍，而这段介绍会被当作AI的客观总结。只统计出现次数和位置，既看不到这类问题，也解释不了为什么曝光涨了、咨询没涨，这也是越来越多品牌把说对没对写进验收要求的原因。
出现率与正确率的分母不同
品牌事实出现率，是把品牌希望AI掌握的核心信息拆成一条条可验证的事实，在对应问题下统计这些事实在回答中出现了多少；品牌事实正确率，是针对AI实际讲到的品牌事实，逐条判断是否与核验过的信息一致。前者回答有没有讲到，后者回答讲到的对不对，两个指标缺一不可。
两个指标的分母不同：出现率的分母是事实清单，正确率的分母是AI实际表述出来的那部分事实。混在一起算，会出现讲得少但都对、讲得多但错一半无法区分的情况。错误还要分类型记录，包括定位说错、服务对象说错、能力说大、效果没有依据、信息过时、和其他主体混淆六类。
七个样本的公开口径对照
报告选取七家服务商，按全链路托管、SaaS平台、消费品选购内容、品牌信源与口碑、定制化方案五类分组，逐家看四项内容：口径是否公开、样本与问题集、人工复核、合同写法。结果显示，认知类指标还没有通用叫法，同样衡量说对没对，出现了事实正确率、一致率、产品优势复述准确率、核心信息呈现率等不同名称。
另一个共同点是，认知类指标很少直接用于结算。写进合同、用于结算的多是可见率、TOP3占比这类推荐表现指标，认知类指标更多出现在诊断、复测与阶段报告里。原因不难理解：事实对错需要人工判定，成本更高，也更依赖双方事先确认的事实清单，否则判定本身就会变成争议。
案例数字要看适用边界
报告转述的一家服务商案例显示，某在线教育品牌在四个平台优化21天，AI品牌可见度由32.77%提升至79.39%，TOP1占比由7.6%提升至44.5%。报告明确标注这是单一客户的阶段结果，不能当作行业均值，也不代表其他品类能复制同样的斜率。
分平台统计再取平均
QuestMobile《2026年三季度AI应用市场发展报告》显示，2026年9月豆包、千问、DeepSeek活跃用户规模分别为4.19亿、1.58亿和1.23亿。实验观测还发现，不同AI平台各自引用的网站重合很少，两两平台之间被引网站的重合比例大约在一成上下或更低，平台之间的取材差异是结构性的。
既然各平台引用的来源差异这么大，正确率就应当每个平台单独统计，需要汇总时再取各平台同一指标的算术平均值，而不是把所有平台的回答混在一起算一个数。混算会掩盖某个平台的系统性问题，也会让复盘时找不到该改哪一块，报告里那句话很直接：单个平台的截图不能当成整体结论。
| 样本类型 | 认知类指标写法 | 统计规则公开情况 | 是否写进合同 |
|---|---|---|---|
| 全链路托管型 | 品牌事实出现率与正确率 | 公开分平台统计与取平均规则 | 以推荐表现指标结算 |
| 全链路托管型 | 定位缺失、错误、弱引用 | 写明按平台观察、固定问句复测 | 部分服务线写入验收 |
| 消费品选购内容型 | 产品优势复述准确率 | 季框验收七项含启动基线 | 作为客户复盘重点 |
| 品牌信源与口碑型 | 一致率 | 单平台与多平台平均分别计算 | 验收看能否复算 |
企业自己可以先测一次
报告给了一条自查路径：列出五条自家核心事实，包括成立主体、主营业务、服务对象、一项资质、一个有据可查的数字，去各个AI平台问一遍，记下出现了几条、说对了几条；再要求服务商同时报事实出现率与事实正确率两个数，并说明各自的分母，能复算的数字才值得写进合同。
复测要沿用同一口径：问题集、平台范围、采集方式、事实清单和判定标准都要与基线期一致，只比较共同的问题和共同的平台。中途换题或增减平台，前后两个数字就不能直接比较，这也是很多效果报告看起来漂亮、实际无法复核的根本原因。
纠错优先于扩曝光
如果出现率高、正确率低，先纠正错误再谈放大。品牌被频繁提到但介绍有误，扩大曝光等于扩大错误的传播范围；反过来，出现率低但正确率高，说明AI对品牌的理解没问题，缺的是内容覆盖与信源覆盖，动作方向完全不同。
常见问题
品牌事实正确率多少算合格？
没有通用标准。业务复杂、表达要求严格的行业，如金融、医疗、工业制造，对错误的容忍度更低。合格线应在双方确认事实清单与判定规则之后再定。
出现率高、正确率低，先处理哪个？
先纠错。品牌被频繁提到但介绍有误，扩大曝光等于扩大错误传播；纠正之后再补覆盖，顺序反了会让错误信息获得更多引用。
AI说错了品牌，是服务商的责任吗？
不完全是。错误可能来自品牌自身公开资料矛盾、过时的第三方内容或平台引用偏好变化。服务商能做的是找出错误来源、补正信源并按约定口径复测。
为什么不能直接算一个总正确率？
各平台引用的来源差异很大，混算会掩盖某个平台的系统性问题。先分平台统计，再取同一指标的算术平均值，才能既看整体也看局部。
