截至 11 月 9 日的公开信息，一份覆盖 2025 年 9 月至 2026 年 9 月的十二个月实测报告给出了不太好看的结论：围绕三条英国商业意图查询，在 ChatGPT、Perplexity、Google AI Mode、Copilot 四个引擎上重复执行 18 组测试，累计记录 241 次域名引用、41 次首位结果，高引用可见度可以被做出来，但并不默认持久。几乎同一时间，另一份 2026 年证据梳理给出了更尖锐的数字：约 7.5 万个品牌的分析中，品牌被提及与 AI 可见度的相关系数为 0.664，外链只有 0.218。对把可见度写进考核的品牌方来说，问题已经从有没有出现，变成复测还能不能复现。
一年实测 241 次引用里只有 41 次首位
把实测的设置摊开看，样本其实很克制：单一市场、单一语言、三条查询、四个引擎，靠的是重复执行而不是扩大范围。这种设计的用意是排除规模带来的噪音，把变量集中在时间上，看同一组问题在不同时点的答案是否稳定。结论写在结果里——241 次引用对 41 次首位，多数被引用的域名并不是每次都以首位出现。
| 维度 | 实测设置 | 结果 |
|---|---|---|
| 周期 | 2025 年 9 月至 2026 年 9 月连续观测 | 12 个月 |
| 查询 | 3 条英国商业意图查询 | 单一市场、单一语言 |
| 引擎 | ChatGPT、Perplexity、Google AI Mode、Copilot | 4 个平台 |
| 重复 | 每组查询重复执行 | 18 组测试 |
| 记录 | 域名引用与首位结果分别计数 | 241 次引用、41 次首位 |
报告给出的解释是：一次测试拿下首位，不保证下一次仍被提及或引用，可见度更像需要固定问题集持续复测的运营指标，而不是一次性交付的成果。这个判断对甲乙双方都不轻松，它同时否定了做完就结束的项目制，也否定了买一次榜单的预算逻辑。行业日报在梳理这组数据时也点出了同一层意思：平台一旦开始自己计量可见度，第三方估分就只剩参考价值，而自计量恰恰是按天、按次更新的。
复测为什么会变 三个不稳定源
提示词改一个字 样本就换了
问题集的措辞直接决定样本边界。把哪家好改成哪家适合小团队，被引用的信源结构就会变；在问题里加入品牌名，测到的是另一个问题——品牌词回答与无提示推荐是两件事。实操中最常见的错误，是在看到不理想的结果后悄悄改问题，报表因此变成移动靶，趋势线看着漂亮，实际记录的是目标在变。更麻烦的是这类改动往往不留痕，三个月后没人说得清数字为什么跳了一次。
检索模式不同 证据路径就不同
同一个问题，带联网检索的回答与不带的回答，证据路径完全不同：前者依赖实时抓取与索引，后者依赖模型参数里的记忆。行业内对 2026 年已发表证据的梳理还发现，结构化数据与 AI 引用之间没有统计学关联，一项跨平台研究的 p 值为 0.296，给已进入 AI 概览的页面补 JSON-LD 也未能提升引用。这意味着把预算押在 schema 上，很可能买到的是一份心理安慰，而不是可见度。
第三个不稳定源是平台自身更新。模型版本、检索策略、答案模板的调整都不对外公告，团队只能通过复测发现断层。这也解释了为什么单次快照没有解释力：它无法区分内容没起作用和平台那天刚好换了策略，而这两种情况对应的动作完全相反，一种是改内容，一种是等一等再测。
0.664 对 0.218 预算该往哪挪
约 7.5 万个品牌的分析给出的相关系数值得单独看：品牌被提及与 AI 可见度的相关系数为 0.664，外链只有 0.218；另有估算认为 AI 搜索中约 85% 的品牌提及来自第三方页面。相关系数不等于因果，但两个量级差距足够大，方向上是可以照着调的，尤其是当预算还停在传统的链接采购上时。
| 证据类型 | 与 AI 可见度的关系 | 可操作动作 |
|---|---|---|
| 第三方页面提及 | 相关系数 0.664 | 优先争取已被引擎引用的第三方页面与带统计、引语的内容 |
| 外链数量 | 相关系数 0.218 | 作为基础卫生维护，不作为主预算方向 |
| 结构化数据 | 未发现统计学关联（p=0.296） | 保持规范即可，不额外投入专项预算 |
把这张表翻译成预算语言：第三方提及是可运营的，外链是可维护的，结构化数据是必做但不必多做的。11 月 7 日第二届 GEO 行业思享会的报道也给出相近判断——品牌在 AI 答案中出现的次数只是起点，信息能否被准确理解、引用的来源是否可靠、不同平台和时间的回答是否一致，才决定服务的真实价值。这四项里，有三项只能靠复测回答，而不是靠一次投放结算。
复测口径怎么定 频次 版本 留档
既然单次结果不作数，复测就必须有成文口径，否则每周的报表只是换了一批随机数。可执行的做法是把复测写成三件事：固定问题集与版本、固定采样条件、固定留档格式。三件事都不复杂，难的是连续执行，因为复测的价值恰恰来自时间序列，断一周就把曲线打断了。
复测口径定下来之后，考核指标也应该跟着改：从首位提及率改成首位留存率，也就是在连续 N 次复测中保持首位的比例。前者的分母是一次采样，后者的分母是时间，后者更难刷，也更接近业务的真实体感。同理由此衍生出另一个指标——引用稳定性，即在多次复测中被同一批信源引用的比例，它比单次引用数更能说明内容是否进入了引擎的常规备选池。
常见问题
一次复测要覆盖多少个问题才算够？
先覆盖决策最集中的二三十条，跑满一个季度再扩。问题数量不是关键，关键是每条都能对应到一个具体动作，否则采样越多，废弃物越多。
首位留存率多少算正常？
没有通用基准，同一品类内的基线才有意义。做法是先连续测三次建立自己的波动区间，之后的判断都相对这个区间，而不是相对别家公布的百分比。
平台更新导致的波动需要重新做内容吗？
不需要立刻重做。先看是检索策略变化还是答案模板变化，前者通常一到两周回稳，后者才需要调整内容结构与信源组合。
复测结果能不能直接写进对乙方的考核？
可以，但要先约定问题集版本与采样条件，否则乙方可以合理地主张结果差异来自口径变化，考核会变成口径之争。
