截至 11 月 8 日的公开信息，一组来自第三方监测的基准数字值得放在开头：在 2704 次品牌检查中，59.7% 的品牌对 AI 完全不可见，从未被 ChatGPT、Claude、Gemini 或 Perplexity 提到；全部样本的平均可见度得分是 14.6%；在被 AI 提到的品牌里，只有 50.5% 是引擎的主推荐，其余只是作为备选被列出。换句话说，不可见是默认状态，而不是例外。把这些数字放在一起，也说明单看一条上升曲线毫无意义——在一半品牌连名字都没被提到过的池子里，任何波动都可能来自样本或模型，而不是品牌自己做了什么。
一个数字涨了 说明不了什么
可见度从 12% 涨到 19%，是一份好看的周报，但它可能同时对应三种完全不同的现实：第一种是内容真的被更多引用；第二种是模型版本更新导致答案整体变化，与品牌做了什么无关；第三种是问题集被改过，取样变了。三种情况在报表上长得一模一样，只有设了对照才能区分。
这也是为什么很多团队做了半年 GEO，却说不清效果来自哪里。他们每周记录数字，但从不记录同期没做动作的那部分。没有对照，就没有归因；没有归因，预算就只能靠感觉分配，下一轮再重复一次同样的动作。
要设两组 而不是一组
| 组别 | 处理方式 | 观测指标 | 能回答的问题 |
|---|---|---|---|
| 实验组 | 补齐信源与结构化信息 | 被引用次数、主推荐率 | 动作是否带来变化 |
| 对照组 | 保持原样不干预 | 同口径指标 | 同期大盘有没有一起动 |
| 问题对照组 | 用未优化的问题集同测 | 被提到次数 | 变化是否只发生在被优化的问题上 |
| 平台对照组 | 未做动作的平台同测 | 可见度得分 | 变化是否跨平台同步发生 |
四组一起跑，才能把「我们做的」和「环境变的」分开。实验组涨、对照组平，说明动作有效；两组同涨，多半是模型或大盘在变；只有问题对照组涨，说明优化只覆盖了被优化过的问法，泛化能力不足；只有单个平台涨，要先排查是不是该平台的抓取策略调整了。这套设计不复杂，但它把一句「感觉有效」变成了可以被复核的结论。
对照组怎么选才干净
对照组最忌讳「拿别的品类来比」。不同品类的竞争密度差很远，一个冷门品类随便发几篇内容就能被引用，一个红海品类发三十篇也未必进得去。干净的做法是在同一品类里选品牌：自己的一部分问题集做优化、另一部分不动；或者在同一平台内选一批结构相似、但未做动作的竞品作为参照。
样本量不够 就不要按周下结论
以 502 次采样量级的实测为例，单周数据已经会有明显波动；如果一周只跑三十条问法，某个品牌多出现两次，占比就从 10% 跳到 16%。这种幅度不足以支撑结论。务实的做法是把周期拉到四周，把同一批问法重复跑，看趋势而不是看单点。样本量这件事没有捷径，只能靠次数堆。
把归因写进周报
周报里最容易缺的不是数字，而是「对照组同期是多少」。把两列并排放，结论的可信度立刻不同。更进一步，可以把每个动作对应的预期写下来：这次补齐门店结构化信息，预期是「附近类问法的被引用次数上升」，如果两周后只有品牌词问法上升，说明动作的落点偏了。
三列并排 归因自然清楚
这套表的价值在于可复核。三个月后回看，任何一次「有效」的结论都能追溯到当时的样本与对照；任何一次误判也能被找出来，而不是变成一笔糊涂账。对采购或管理层来说，这比一份漂亮的趋势图更有说服力——它证明的不是「我们很努力」，而是「这一步确实起了作用」。
什么时候该承认没效果
有些动作注定无效，早点承认比硬撑更省成本。三种情况值得直接停：一是连续四周实验组与对照组没有差异，说明动作没打到点上；二是只有被优化过的问法涨、其他问法全平，说明优化不可泛化；三是引用上去了但主推荐率没动，说明只是被罗列，没有进入推荐位。三种情况下继续加投，通常只是把预算变成更多同质内容。
常见问题
GEO 效果为什么难归因？
因为它同时受内容动作、模型版本、抓取策略和问题集变化的影响。不设对照组，就无法区分是哪一个因素导致数字变化。
对照组可以用竞品吗？
可以，但要选同品类、体量接近的竞品，并保持同一批问题集与同一周期。跨品类对照几乎没有解释力。
一周的数据能下结论吗？
通常不能。单周波动大，建议至少连续四周同批问法重复跑，看趋势而不是看单点。
可见度涨了但没带来客流，问题在哪？
多半只做到了被提到，没做到被推荐。要看主推荐率与来源引用情况，而不是只看出现次数。
