AI搜索里被提及却不被首推 位次差距近十七倍

截至11月4日的公开信息，第三方监测平台对科大讯飞在人工智能品类的豆包平台数据做了更新：截至2026年11月2日，综合提及率26.98%，高于行业平均25.4个百分点；但首位提及率只有1.59%；正面提及率17.46%、负面提及率0.00%；在6个同品类竞品中，综合提及率超过的竞品数量为0个。四个数字放在一起，"被提到"与"被首先推荐"之间的差距接近17倍，这个结构比任何一个单一分数都更有信息量。

17 倍的差距，说明两件事不是一回事

提及率回答的是"答案里有没有你"，首推率回答的是"你是不是第一个被建议的"。前者决定品牌是否进入候选清单，后者决定用户在第一顺位看到谁。26.98%的提及率在这个品类里已高于行业平均，说明品牌基础信息是完整的、模型认得这个实体；但1.59%的首位率说明，在被认出来的那些问题里，它很少是模型最先给出的建议。这两个数字如果合成一个"可见度分数"，恰好会把最有行动价值的差距抹掉。

另一个容易被忽略的数字是竞品对比结果：在6个同品类竞品中，综合提及率超过的竞品数量为0个。这意味着该品牌处在"人人都在提、谁也不领先"的位置，靠增量内容把提及率再往上推，边际收益已经很低；真正有空间的是首推位次，也就是在具体问题上把"为什么不选别人"讲清楚。

位次与提及要分开记，才能归因

把可见度做成一个总分，最常见的后果是不知道该补哪一层。位次低可能是三个原因：问题库没覆盖到用户真实的问法、内容里缺少可被直接引用的判断句、引用来源集中在不可控的第三方转述。三种原因的解法完全不同，只有把指标拆开记录，才能判断问题出在哪一层。

基线必须按平台分开建

同一个品牌在不同AI平台的检索来源与回答结构差别很大。豆包、元宝、通义千问、DeepSeek对同一问题的候选清单可能完全不同，把四个平台的结果平均成一个数，等于把四套不同的机制混在一起。可行的做法是先选两到三个与业务最相关的平台各建一份基线，记录问题编号、平台、位次、引用域名四个字段，之后每次复测都对照同一份表。

节奏按行业定，不按周报定

行业里已有相对稳定的观察：快消类品牌通常在3到7天内看到首轮变化，B端工程类7到10天起步、约90天进入稳定期。二手回收连锁品牌的案例提供了另一个参照：按城市搭建长尾问题库、围绕核心顾虑产出结构化内容并铺设可信信源后，4周核心城市首推率从58.6%提升到82%，本地问题提及率提升67%，AI渠道有效咨询量增长59%。这些数字的共同点是周期以周计、以月计，按周考核只会得到噪声。

从诊断到排期的三步

第一步是做基线诊断，不加任何优化，先看清当前位置。取二十个客户真实会问的问题，在选定的平台上各问一遍，记录是否被提到、排在第几位、引用了哪些域名、描述与官网是否一致。这一步半小时到半天就能完成，成本几乎为零，但它是后续所有对比的锚点。

第二步是按问题分层补内容。品类选择层的问题是"哪个牌子好"，需要的是对比页与选型指南；场景层的问题是"这个用途买什么"，需要的是场景化的参数与应用说明；验证层的问题是"这个说法可信吗"，需要的是检测报告、政策文本这类一手证据。三层里，多数品牌在验证层最薄弱，而验证层恰恰是首推率的决定性环节——模型更愿意推荐能给出证据的品牌。

第三步是把监测固化成节奏。按月复测同一份问题库，把提及率、首推率、信息正确率、引用域名分布四项做成趋势表；只在趋势出现连续两期同向变化时才调整策略，避免被单次波动带着走。这套节奏看起来慢，但它是唯一能把"做了优化"和"结果变好"区分开的办法。

常见问题

• 提及率26.98%、首位提及率1.59%，这个差距正常吗？

  在成熟品类里并不罕见。品牌基础信息完整、模型认得这个实体，提及率就会上来；但首推位次取决于内容里有没有可被直接引用的判断句和证据。差距接近17倍说明品牌处在"被认识但不被优先推荐"的状态，发力点应放在首推位次而不是继续堆提及。

• 为什么不能把提及率和首推率合成一个可见度分数？

  因为两者对应不同的解法。提及率不足通常意味着问题覆盖不全或实体信息缺失，首推率不足通常意味着缺少对比与证据类内容。合成一个分数后，看不出该补哪一层，优化动作就会变成平均用力，效果反而更慢。

• 监测需要多久做一次，才能看出真实变化？

  按月比较稳妥。快消类品牌可能在3到7天出现首轮变化，B端工程类7到10天起步、约90天进入稳定期，但单次提问的结果波动很大。以月为单位用同一问题库重复采集，看连续两期的趋势，比按周追踪更接近真实。

数据来源

• 模力指数 — 科大讯飞AI品牌表现分析（豆包平台）
• IT之家 — 2026年11月做GEO营销的优质服务商盘点
• 咸宁网 — AI品牌可见度监测系统有哪些？