AI提到了你 不等于推荐了你
2026-11-10博晓通

AI提到了你 不等于推荐了你

AI提到了你 不等于推荐了你 文章配图

先说清楚一件事:AI 答案里的被看见、被引用、被推荐,是三件不同的事,而多数品牌把它们算成了一个数。11 月 4 日,21 世纪经济报道记录了广东智造 AI 出海平台对接会上的一组数字:1688 平台上由 AI 发起的采购需求已占 40%,AI 每天调度约 29 万家商家与这些需求匹配;一家德国中型采购商的智能体在凌晨两点用 27 秒扫描了 4000 家中国供应商,筛出 11 家发出询盘,多轮交互后只剩 3 家。11 月 6 日,中国产业经济信息网转述的 Forrester 与 G2 调研给出了上游依据:94% 的全球商业买家在最近一次采购中用过 AI,51% 更习惯从对话机器人而不是搜索引擎开始调研。到 11 月 10 日为止,这些数字指向同一件事——采购入口换了,入口后面却挂着三层不同的门槛。对做出海品牌的推广负责人来说,把三层混成一个数字来考核,结果通常是三层都做不好。

入口换了 三层门槛没有一起换

已知事实未证实需要核实
Forrester 2026 调查覆盖近 1.8 万名全球商业买家,94% 在最近一次采购中使用 AI样本国别结构与出海目标市场是否一致分国别与行业的原始问卷分布
Gartner 2026 年 5 月对 645 名 B2B 买家的调研显示 45% 用生成式 AI 收集供应商信息该比例在中国供应商品类中的差异按品类拆分的引用来源分布
1688 平台上由 AI 发起的采购需求占 40%,AI 每天调度约 29 万家商家这 40% 的询盘转化率是否高于人工发起平台侧询盘质量对照数据

三层门槛的区别,采购侧的人比营销侧的人更早感受到。买家的智能体先做的是召回:把一句找一家做定制家居的中国供应商拆成若干子查询,从可抓取的索引里捞候选。这一步的门槛是能不能被机器读到——参数只放在图片里、认证只在中文画册里、交期只写灵活,都会在召回阶段被过滤掉,连被比较的机会都没有。第二层是提及:答案里有没有出现品牌名。第三层是推荐:答案有没有把你放进那份短名单,并且用肯定的语气。三层是嵌套关系,前一层不过,后两层无从谈起。

三层指标 分子分母都不一样

提及率与引用率的分母相同,分子不同,所以两个数值不能互换。提及率的分母是有效答案数,分子是含品牌名的答案数;引用率的分母一样,分子换成附了品牌自有网站链接的答案。一个被引用的第三方测评可以让品牌被提及却拿不到引用;反过来,品牌官网被列为来源,整段答案也可能一次没提品牌名。Semrush 在 11 月初发布的分析里给出方向相反的两个例子:Gemini 在品牌出现的场合有 83.7% 会提及品牌,而 ChatGPT 有 87% 的场合会附上引用。同一份问题清单,在两个引擎上量出来的强弱关系可以完全颠倒。

被召回 只看机器能不能读到

召回是三层里唯一可以靠工程手段改善的一层,也是最容易被跳过的一层。可抓取、可解析、可对齐是三个具体动作:页面允许抓取且不被登录墙挡住;参数、认证、产能以文本与表格呈现而不是锁在图里;同一型号在中英文页面上的名称、编号、单位保持一致。这一层不改善,后面所有内容投入都是在给一个进不了候选池的页面做优化。判断方法也简单,用买家会问的原句去跑一遍,看自己的页面有没有出现在引用的来源清单里。

被提及与被推荐 差在语气

提及靠的是可摘引的句子,推荐靠的是可比较的证据。模型在合成答案时倾向摘取结构完整、主体明确、能被一句话带走的段落,所以写清是谁、做什么、给谁、凭什么,比堆形容词有用得多。推荐则要求答案里有比较关系:和谁比、在哪个参数上更好、差多少。这也是为什么单纯增加内容量对提及率有帮助,对推荐率几乎没有帮助——多出来的段落没有提供任何可比较的维度。超过 80% 的 AI 搜索用户只看答案里的前三位推荐品牌,第三层不过,前两层拿到的曝光基本不产生询盘。

一张三层拆解表 把口径钉住

把三层钉成一张表,团队内部就不会再为一个数字吵架。表的用法是每周填一次,填不出来的格子就是下一步要做的事,而不是下一轮汇报里可以含糊过去的空格。

层级量的是什么分子与分母失位时最先出现的现象
召回内容能否进入候选池被检索到的页面数 / 提交的页面数买家原句提问里,一次都没出现自家域名
提及答案有没有写品牌名含品牌名的答案数 / 有效答案数答案内容对,但通篇用某类供应商指代
引用答案有没有链到自有站点附自有链接的答案数 / 有效答案数提及率不低,引用率接近零
推荐有没有进短名单且语气肯定肯定推荐的答案数 / 有效答案数被列进名单却总排在后面或被描述成备选

这张表最有用的是最后一列。四层失位的现象彼此不同,混在一起的症状却很像——询盘变少。只盯询盘,会把召回问题误判成内容问题,把提及问题误判成品牌问题,最后每一层都做一点,每一层都没做透。分开记,才能看出瓶颈卡在哪一层。

监测怎么搭 五步落到人

监测要落到具体的人,否则三个月后一定退化成每月截几张图。下面五步按顺序做,每一步都有明确的交付物,缺一步就会在下一轮盘点时发现口径又变了。

  1. 第一步,由推广负责人固定问题清单,取 20 至 50 条买家原句,覆盖品类词、比较词、资质词三类,冻结版本号,之后只增不改。
  2. 第二步,由内容团队按清单逐页自查可召回性,记录抓取状态、参数呈现形式、型号命名一致性,形成待修清单并标注责任人。
  3. 第三步,由数据团队按平台分别采集,同一份清单在 ChatGPT、Gemini、Perplexity 上各跑一轮,分别记录提及、引用、推荐三类结果,不合并成一个总分。
  4. 第四步,由运营团队复核被引用的第三方页面,确认内容与事实一致,对失真描述走平台申诉渠道,同时更新自有页面上的对应信息。
  5. 第五步,由负责人做月度结论,明确哪一层在改善、哪一层停滞、哪些结论只有单次样本支撑,避免把一轮结果当成趋势对外讲。
字段示例值留痕方式
问题清单版本v3,共 32 条,2026-11-04 冻结版本文件与变更记录
平台与轮次Gemini 第 6 轮,2026-11-06 采集采集日志与原始回答导出
提及结果32 条中 9 条提到品牌名逐条标注表
引用结果32 条中 2 条附自有域名引用域名清单
推荐结果32 条中 4 条进入前三并语气肯定推荐语摘录与截图
结论边界提及改善可确认,推荐改善仅有单轮样本结论页签字记录

五步里最容易走过场的是第三步。合并成一个总分看起来清爽,实际把最有信息量的差异抹掉了:同一个品牌可能在 Gemini 上被频繁提及、在 ChatGPT 上被频繁引用,两个方向的动作完全不同。分平台记,才能判断该补的是可摘引的表述还是可核验的证据。另一处容易走样的是第一步,问题清单一改,历史数据就断了,所以宁可从少一点的清单开始,也不要中途换题。

常见问题

  • 提及率和引用率有什么区别?

    分母都是有效答案数,分子不同。提及率数的是含品牌名的答案,引用率数的是附了品牌自有网站链接的答案。两个数值不能互换,也不该合并成一个总分。

  • 为什么被引用了却没人记住品牌?

    答案可以引用你的页面来支撑某个说法,同时用某类供应商来指代你。有监测数据显示,超过六成的引用没有出现品牌名,这类曝光能带来流量,但不带来品牌记忆。

  • 三层里应该先修哪一层?

    先修召回。召回不过,提及与推荐都无从谈起;而且召回的修复动作最具体,抓取、参数文本化、型号命名统一,都能在一到两个月内看到变化。

  • 为什么不能只看询盘数量?

    四层失位最终都表现为询盘变少,只看结果无法定位瓶颈。分开记提及、引用、推荐,才能判断问题出在读不到、没提到,还是提到了但没被推荐。

数据来源