截至 11 月 7 日的公开信息，从业者 Cyrus Shepard 在 2026 年 10 月底发布的一项小型案例研究引起讨论：他借助 Search Console 的生成式 AI 退出控制，让一个站点从 AI Overviews 与 AI Mode 中消失，再对比前后数据，估算 AI 展示的点击率约为 0.9%，AI 展示约占总展示的 8%；更出乎意料的是，退出期间该站点的普通自然点击也同步下降。这组数字对可见度考核的直接含义是：只盯 AI 答案块里的点击，会系统性低估这项工作的价值。
0.9% 不能直接当作 ROI 分母
先把实验边界说清楚：整个周期里 AI Overviews 一直显示在结果页上，变化的只是这个站点是否出现在 AI 答案块里。也就是说，它测的是“我是否被引用”，而不是“有没有 AI 搜索”。这一点决定了 0.9% 的含义——它是被引用状态下 AI 展示的点击效率，不是 AI 搜索整体的商业价值。
放在行业坐标里，0.9% 会引出两种相反的直觉，而两种都不完全对。一边觉得太低，做半年 GEO 就换这点点击；另一边觉得不能小看，因为 AI 展示只占总展示 8%，渗透还在早期，越早进入越容易占到位置。两种直觉的误差来自同一个原因：把 AI 块当成独立渠道来算账。
光环效应的可验证版本
研究里最值得注意的观察是，站点从 AI 答案块消失后，普通自然结果的点击也跟着下降，作者把这种现象称为搜索结果页光环效应：一个品牌在结果页上出现的位置越多，用户点击其中任意一个位置的概率越高。Near Media 的研究也观察到类似方向，AI Overviews 会带来某种品牌认知提升，并转化为后续搜索与点击，但并非每次都发生。
这个观察还不足以当作定论，样本是单站点、没有对照组，同期还有新内容上线与品牌词波动。但它给出了一个可操作的考核思路：不看 AI 块内部的直接点击，而看开启与关闭 AI 可见度前后，整页（AI 块加自然结果）的总展示、总点击与总点击率变化。
三类考核口径要分开
| 口径 | 衡量什么 | 适用场景 |
|---|---|---|
| AI 块内点击率 | 被引用后的直接点击效率 | 评估单个页面的引用质量 |
| 整页总点击变化 | 引用带来的外溢效应 | 评估项目整体投入 |
| 提及率与描述准确率 | 是否出现、描述是否准确 | 评估内容与信源结构 |
三类口径回答三个不同的问题，混成一个数字就会失真。AI 块内点击率适合评估单个落地页的引用质量；整页总点击变化适合向管理层解释项目价值；提及率与描述准确率适合指导内容与信源结构的调整。一个常见的错误是用第一类口径做年度预算决策，结果是把还在早期的入口过早判死。
对照实验怎么做才不被干扰
想做自家版本的验证，最小可行的设计是四步：先记录基准期的整页展示、点击与点击率；开启退出控制两到四周；恢复展示再观察两到四周；最后排除同期干扰，包括新内容上线、品牌词波动、投放变化。四步里最容易漏掉的是最后一步，很多结论其实是被同期的新内容带偏的。
如果站点不具备退出控制的条件，替代方案是竞品对照：选三到五个同品类竞品，在固定问题集下比较引用率与整页表现，观察引用率变化是否伴随自然流量的同向变化。这种方法不能证明因果，但能提供方向性证据，成本也低得多。
把口径写进季度汇报
建议在季度汇报里固定三行：本月 AI回答 中的提及率、被引用页面的整页点击变化、描述准确率抽检结果。三行数字连续看四个季度，趋势比单点更重要。当一个入口还处在早期渗透阶段时，绝对值偏低是正常现象，真正需要警惕的是趋势走平而投入持续增加。
还有一点需要提前说明：AI 可见度不等于流量，更不等于成交。把提及率直接换算成订单，是把三个不同层级的指标混在一起。稳妥的做法是把可见度当作前置指标，把整页点击与品牌搜索当作中间指标，把成交当作结果指标，三层分开汇报，任何一层出问题都能被单独识别。
常见问题
0.9% 这个数字能直接用来算 ROI 吗？
不能。它是被引用状态下 AI 展示的点击效率，AI 展示只占总展示约 8%，用它做分母会系统性低估整页层面的外溢效应。
为什么退出 AI 后自然点击也会下降？
研究给出的解释是搜索结果页光环效应：品牌在结果页出现的位置越多，用户点击其中任一位置的概率越高。样本有限，仍需验证。
不具备退出条件的品牌怎么做对照？
用竞品对照：在固定问题集下比较引用率与整页表现，看引用率变化是否伴随自然流量同向变化，方向性证据成本更低。
可见度考核应该固定哪几个数？
提及率、被引用页面的整页点击变化、描述准确率抽检结果。三项连续四个季度看趋势，比单点数值有意义。
