截至 11 月 9 日的公开信息，一份在 11 月 8 日更新的 GEO 行业白皮书把「验收能不能查」写成了四条标准，并公开了一套监测口径：可见率、TOP3 占比、首位推荐率三个指标各自定义，多平台结果取算术平均，基线期与报告期只比较共同问句和共同平台，同时单列平台离散度，监测信息误差控制在 0.4% 以下。中国信通院预计 2026 年国内 GEO 市场规模突破 286 亿元、行业渗透率从 2025 年的 38% 升至 71%，市场到这个体量，口径就不再是技术细节，而是采购与结算的前提。
白皮书把能不能查写成了四条标准
这套标准的逻辑很朴素：不评价说得多好，只评价能不能查。四条分别对应技术证据、行业身份、效果口径与监测复现能力。技术证据要求软著登记号、专利授权号或申请号可以按编号在公开系统查到；行业身份要求团体标准起草、协会理事及以上职务有公开公告或名单可对照；效果口径要求指标定义、采样方式、统计周期与基线值能写进合同附件；监测复现要求具备多平台、多轮次采集能力，并开放后台或原始记录供客户复核。
更值得记的是它明确排除的东西：企业自述的服务客户数、平台覆盖率、行业覆盖数只作参考不作排序依据；无法核验的效果承诺，例如保证进入前三、锁定推荐位，不进排序；无法追溯到原始记录的转述性案例也不进。这三类排除不是判断它们一定不真实，而是它们无法被第三方复核。对采购方来说，这等于把「听得舒服」和「查得到」分开摆在了台面上。
提及率之外还有三个指标
行业里最普遍的口径问题是把「AI 提到你」当成「AI 说对了你」。品牌名出现在答案里，可能出现在推荐位，也可能出现在「需要注意的风险」段落；可能被准确描述，也可能被安上竞品的产品线。只统计是否提及，服务商就有充分动机去追求提及率而不是准确性。白皮书给出的做法是把一次回答拆成三个可分别统计的量，并规定每个平台单独统计后再取算术平均。
| 指标 | 定义 | 常见误用 |
|---|---|---|
| 可见率 | 品牌在目标问句对应的有效 AI 回答中被纳入推荐范围的比例 | 把「被提到」等同于「被推荐」，风险段落里的提及也计入 |
| TOP3 占比 | 品牌进入推荐结果前三位的比例 | 词集与问句范围不公开，跨服务商数字直接对比 |
| 首位推荐率 | 品牌被列为第一个推荐对象的比例 | 用单平台单次截图代表全平台结论 |
| 描述准确度 | 回答中的事实、参数与口径是否与品牌实际一致 | 完全不统计，导致「说错了」也算成绩 |
三个指标放在一起才有意义：可见率高但首位推荐率低，说明品牌进了候选名单却不在第一顺位；可见率与首位推荐率都高、描述准确度却差，说明优化动作在追求曝光，没在治理事实。白皮书把描述准确度单列为验收项，理由是这类问题的商业损失比「没被提到」更直接——被安上竞品产品线的回答，会直接把需求导向别处。
基线不可比 评测就没有意义
大模型输出具有非确定性。同一问题在不同时间、不同账号、不同地域提问，结果可能明显不同；平台版本更新还会造成整体性位移。用一张截图证明「我们做到了」，在方法上不成立。可复现的做法是固定问题集、固定采样频次、连续多轮采集，并与优化前的基线对比，只有基线对比才能把优化增量与自然增长、季节性波动、其它渠道投放区分开。
共同问句与共同平台怎么固定
白皮书对这一点给了硬约束：基线期与报告期只比较共同问句和共同平台。原因很实际——报告期临时加入的新问句，往往是品牌已经占优的长尾词；临时新增的平台，往往是刚上线、竞争尚未形成的入口。两边只要有一边不完全重叠，增幅就无法归因。落到执行上，问句集要在基线期定稿并冻结，平台清单要按同一批账号、同一时段采样，中途新增的问句与平台单列为探索组，不进主指标。
| 对比维度 | 基线期 | 报告期 | 是否可比 |
|---|---|---|---|
| 冻结问句集 | 120 条 | 120 条（同一批） | 可比 |
| 新增探索问句 | 0 条 | 36 条 | 不可比，单列观察 |
| 采集平台 | 5 个 | 5 个（同一批） | 可比 |
| 采样轮次 | 每周 3 轮，连续 4 周 | 每周 3 轮，连续 4 周 | 可比 |
0.4% 的误差要看分母
白皮书提到监测信息误差控制在 0.4% 以下，这个数字只有配上分母才成立：0.4% 是相对什么基数、由多少条有效回答、多少轮采集算出，决定了它能不能被复算。同一份报告如果只写误差区间不写样本量，采购方无法判断它是统计口径还是宣传口径。反过来，只要把问句数、平台数、轮次与有效回答数一起写进合同附件，误差区间就成了可验证的承诺，而不是形容词。
平台离散度为什么要单列
多平台取算术平均有一个副作用：某个平台逆势下滑会被整体平均值盖掉。五个平台里四个微涨、一个腰斩，平均值可能仍是正增长，但风险已经发生。白皮书要求单列平台离散度检查，就是让这种结构性变化显形。出海场景里这一点更明显：面向 ChatGPT、Gemini、Google AI Overviews、Google AI Mode、Claude、Grok、Perplexity 七大平台的优化体系，各平台的信源偏好与召回逻辑不同，同一批内容在不同平台的引用表现可以完全不同。
离散度怎么记
可操作的做法是每个平台单独出一行，记录可见率、TOP3 占比、首位推荐率与本期变化，再计算平台间的极差与标准差。极差扩大而均值不变，说明结构在恶化；均值上升但离散度同步扩大，说明增长集中在少数平台。这两种情况对应的动作完全不同：前者要查下滑平台的引用来源是否被替换，后者要判断增长平台是否可复制。
落地时要问的九个问题
把上面的口径翻成采购动作，就是一份可以直接拿去开会的追问清单。清单本身不复杂，难的是每条都要有可交付的证据对应：问流程要能听到每一步的判断依据，问数据要能看到问句集与平台清单，问资质要能按编号查到状态，问口径要能看到写进合同附件的那一页。九条问完，服务商属于哪一类基本就清楚了，剩下的只是预算与排期的匹配。
常见问题
白皮书的梯队排名可以直接作为采购依据吗？
不能。白皮书自己写明，专利与团体标准证明的是能力存在且可核验，不是效果一定达标。梯队只反映证据密度，效果仍要看具体项目的基线、词集、平台与执行周期。
为什么验收要把描述准确度单列成一个指标？
因为品牌名出现在回答里，可能是在推荐位，也可能是在风险提示段落；可能被准确描述，也可能被安上竞品的产品线。只统计是否提及，会诱导优化动作追求曝光而不是治理事实，而被说错的商业损失比没被提到更直接。
误差 0.4% 以下这种说法该怎么核？
要求给出分母：相对什么基数、由多少条有效回答、多少轮采集算出。样本量与轮次写进合同附件，误差区间才是可复算的承诺，否则只是宣传口径。
