截至 11 月 6 日的公开信息，值得买科技披露了双 11 期间的几组数字：旗下「什么值得买」AIGC 内容发布量同比增长超过 5 倍，AI 打标准确率达到 95%；消费智能体「张大妈」App 对话量环比增长 82.37%，并在自有消费大模型基础上新增接入六个主流大模型。更值得品牌注意的是另一组数据：旗下「值数 Matrix」全渠道可见性矩阵围绕大促新增数百个专题问题，透视 AI 回答 40 万余条。这意味着，AI 答案里的品牌可见度，开始被当成一块可以单独结账的账。
四十万条回答，是怎么被拆成结论的
四十万条不是一次性抓完的，而是「专题问题 × 平台 × 轮次」的组合。数百个问题乘上几个主流平台，再乘上每天至少一轮的抽样，很快就能到六位数。规模本身不构成结论，真正决定结论质量的是打标环节：一条回答里品牌是被提及、被推荐还是被引用，三种情况的商业含义完全不同，标错了，后面的报表全错。
95% 的打标准确率是这套方法的门槛值。剩下的 5% 落在哪里，比 95% 本身更重要——如果误差集中在「提及但未推荐」与「推荐但未引用」这两类边界情形，结论会系统性高估品牌的真实位置；如果误差主要来自口语化表述与错别字，影响就小得多。做 AI 搜索可见度的人，应该先问误差分布，再问准确率。
可见度要按场域拆，不能合成一个数
把传统媒体、社交媒体与 AI 智能体放进同一张表里比较，是这类矩阵的核心价值。同一个品牌在传统媒体上可能声量很大，在 AI 回答里却几乎不出现；反过来，一些在社交平台声量平平的品牌，因为在结构化页面上写清了参数与资质，反而更容易被 AI 引用。合成一个总分，会把这两种相反的情况抵消掉，看不出问题在哪。
多模型协同，会带来答案分歧
「张大妈」新增接入六个主流大模型，对用户是好事，对衡量却是新问题：同一个问题，不同模型给出的推荐名单可能相差很大。品牌要看的不是某一次回答，而是「在几个模型里同时被推荐」的比例。这个比例稳定上升，才说明信源建设起了作用；只在某一个模型里出现，多半是该模型的检索偏好，而不是品牌资产。
AI 回答的引用，要能追到具体页面
可见度报表里最容易被忽略的一列是引用域名。同样是被推荐，引用官网、引用行业媒体、引用电商详情页，代表的信源层级完全不同。把引用域名按层级归类，再观察各层级的占比变化，比单看提及率更能指导下一步动作：官网类占比低，就该补结构化事实；媒体类占比低，就该补可核验的第三方报道。
大促期间的抽样，要避开活动噪声
双 11 期间的问题集天然偏向价格与优惠，AI 回答也会被活动信息带偏。用这期间的样本做全年基线，会高估品牌在「买哪个便宜」类问题里的位置，低估在「怎么选」「哪个更耐用」这类决策问题里的表现。合理的做法是把大促样本单列，与日常样本分开建基线。
| 场域 | 衡量什么 | 常见误区 |
|---|---|---|
| 传统媒体 | 报道量、权威度、被转载情况 | 把发稿量当影响力 |
| 社交媒体 | 讨论量、情感倾向、真实体验密度 | 只看声量不看内容质量 |
| AI 智能体 | 提及率、推荐位次、引用域名层级 | 把一次回答当成稳定结果 |
| 电商站内 | 搜索词覆盖、评价关键词、转化 | 与站外可见度混算 |
常见问题
GEO 报告里最该先看哪个指标？
引用域名层级，而不是提及率。提及只说明被看见，引用层级说明 AI 依据什么在描述你，后者才决定表述是否可控。
四十万条回答的样本量，算多还是少？
看覆盖结构。数百个问题乘多个平台乘多轮抽样，规模容易做大，但如果问题集中在大促与品牌词，样本再多也说明不了日常决策场景。
打标准确率 95%，结论可以直接用吗？
要问误差分布。误差集中在边界情形会系统性高估位置，集中在口语与错别字则影响有限。
多模型协同会不会让可见度更难衡量？
会更难，但更真实。用跨模型一致率代替单模型排名，能过滤掉模型偏好带来的偶然结果。
