AI可见度涨两个点 先减掉品类大盘的涨幅
2026-11-11博晓通

AI可见度涨两个点 先减掉品类大盘的涨幅

AI可见度涨两个点 先减掉品类大盘的涨幅 文章配图

「可见度涨了两个点」,这句结论在 11 月的周报里出现了不止一次,可它到底算不算业绩,取决于另一个数字有没有被减掉:同一条品类在同一批问题上的水位,这段时间也在动。以11月11日公开的信息为界,AI 回答的引用源正在按天轮换,同一道问题隔一天再问,引用的页面可能已经换掉一半;平台侧又开始自己公布提及与点击口径。噪声变大、口径变多,任何一次采样得到的差值,都得先减掉大盘那一部分,剩下的才是能拿去对账的净增量。

三层指标先分开,别用一个数字下结论

已知事实未证实需要核实
2026年11月11日发布的GEO行业洞察汇总:某站点服务器日志记录超850次AI爬虫访问,但在数百条相关查询中可点击引用与品牌推荐为零;AI引擎会基于多源共识、信息新鲜度与提示词差异持续轮换引用源,引用链接集合的半衰期约一天;千万样本白皮书显示官网是唯一被五个平台共同优先采信的信源,采信占比38%至58%,Pew Research调研显示搜索结果出现AI摘要时传统结果点击率从15%降至8%,Similarweb监测显示AI带来的直接访问占比不足8.8%,但55.9%的用户读后会主动检索答案中提到的品牌。各平台引用集合的日间重合度具体数值;不同品类的自然波动幅度是否一致;半衰期一天的测算样本量与统计窗口;平台自报的提及口径是否含付费曝光;官网采信占比的分母定义。品牌自身净增量与品类水位变化的分摊比例;同一问题重复提问的次数上限;不同端口(App与网页)的引用重合度;引用源轮换的触发条件;纠错内容从发布到被采纳的时滞;跨平台汇总时是否按问题加权。
  1. 先定问题集:把问题按购买意图分三组,每组固定题面,题面改动即视为新样本。
  2. 再定采样次数:同一题在同一引擎重复提问三次以上,记录每次的引用页面与品牌位次。
  3. 算品类水位:把同组问题里所有竞品的露出比例加总,得到这一组的天花板,品牌涨幅要先减它。
  4. 分开三层指标:爬取、无链提及、可点击引用各自记录,三层不能互相替代。
  5. 留时间戳:每条样本记下提问时间、端口、登录状态,任何一项变动都会影响可比性。
  6. 按周复测:核心问题按天抽样、外围问题按周复测,避免把一次快照当成趋势。
字段示例记录方式
问题分组选购决策组 12 题题面冻结,改动即换样本
采样次数同题同引擎 3 次三次结果并列,取稳定项
品类水位同组竞品露出合计 46%品牌涨幅先减这一项
引用层级可点击引用 4 次与无链提及分开计数
时间戳11月11日 10:20 App 端端口与时间必填

被爬到不等于被引用

行业日志分析里最容易被误读的一组数是:某站点记录了超过850次 AI 爬虫访问,OpenAI、Perplexity、Google 的机器人都来过,但在数百条相关查询里,可点击引用与品牌推荐都是零。爬取只说明引擎知道这个页面存在,和它愿不愿意把这个页面端给用户,是两件事。把爬虫访问量当成可见度指标,等于用访客数量证明成交,中间少了一整段转化。

中间那一层是「无链提及」——答案里出现了品牌名,却没有给出可点链接。这一层说明知识图谱里有这个实体,模型也认得出它,但没把流量导过来。三层分开记,才能解释为什么有的品牌声量在涨、站内流量却没动:它停在第二层,没有走到第三层。而真正能拿去和投放、内容、渠道动作对账的,只有第三层。

平台自报口径与第三方监测不是一回事

平台开始提供品牌被提及的次数、档案浏览量、网站点击量这类指标,方向是对的,但分母由平台自己定。同一段时间里,第三方监测采到的是「问题—答案—引用」的原始快照,平台报的是聚合后的结果,两者对不上是常态,不是谁在造假。把两套数字并列,先看趋势是否同向,再谈绝对值,才不至于每个月都在解释差额。

引用源半衰期一天,波动从哪来

千万级样本的白皮书给了一个不太好听的参数:引用链接集合的半衰期约一天,今天的引用集合明天可能换掉一半。这意味着品牌看到的日间涨跌,大部分来自引擎侧的源轮换,而不是自己的动作。样本同时显示,官网是唯一被五个平台共同优先采信的信源,采信占比在38%至58%之间,Gemini 对官网的采信度最高;平台偏好分化明显,ChatGPT 更偏科研机构、政府与教育类信源,Google 体系偏 YouTube 与 Reddit,Copilot 较多参考电商类信源(GEO行业洞察日报 2026年11月11日)。

把品牌涨幅拆成两份

做法不复杂:同一组问题、同一个引擎、同一段时间,把参与比较的所有品牌的露出比例加总,得到这一组的品类水位。品牌本期露出减去上期露出,再减去同期品类水位的变动,剩下的才是净增量。若品类水位涨了三成、品牌只涨了一成,那这份成绩其实是份额在丢,只是绝对值还在往上走。

为什么要按组算而不是全站算?因为不同意图组的波动幅度差得很远。选购决策类问题答案稳定,引用源替换慢;趋势类与对比类问题答案更新快,引用集合几乎每次都在变。混在一起平均,会把稳定的组和嘈杂的组抹成同一个数,结论也就失去了指向性。重复提问次数同理:单次提问得到的位次,落在自然波动范围内,不足以支撑任何结论。

三个观测层的口径对照

把三层指标与两类口径并列,能看清每个数字能回答什么问题、不能回答什么问题。这张表不是用来比高低的,而是给每次复测配一套固定字段,避免下一期报告又换一套说法。

观测层能回答什么不能回答什么本期取值示例
爬取引擎是否知道页面存在、抓取频次是否正常是否被引用、是否被推荐月内 850 次以上
无链提及知识图谱里是否有这个实体是否带来点击、描述是否准确提及 12 次,无链接
可点击引用答案是否把流量导向该页面用户读后是否转化4 次,集中在官方规格页
平台自报平台侧认定的提及与点击规模分母构成、是否含付费曝光提及次数月度汇总
第三方监测问题—答案—引用的原始快照平台内部排序原因同一题三次采样

最后一行与倒数第二行的关系最需要说清楚。Pew Research 的调研显示,搜索结果出现 AI 摘要时,传统网页结果的点击率从15%降到8%;Similarweb 的监测则显示,AI 带来的直接访问占比不足8.8%,但55.9%的用户在读完 AI 答案后会主动检索答案里提到的品牌、城市与机构名称。两组数字合起来说明:答案页不是流量终点,而是品牌查询的发令枪。监测若只统计站内点击,会把这条链路的后半段全部漏掉(行业洞察汇总)。

采购侧的验收正在变具体

需求侧的动作比方法讨论跑得更快。珠海香洲创港中心为园区采购 GEO 服务,预算13.356万元、服务期6个月,围绕豆包、DeepSeek、腾讯元宝三个平台,资格要求里写着:须提供不少于5个 GEO 直接相关案例并附回款证明,须出具至少两个平台的可见度前后对比量化数据并附可溯源验收报告或第三方监测截图,须有至少3个被主流 AI 平台有效引用的权威媒体发稿链接及回答截图,投标承诺书明确禁止黑帽手段、虚假信源、AI 投毒与刷量作弊(投标信息汇总)。这类条款把「涨了多少」变成必须能被第三方复现的数字,恰好是品类基线这套算法的用武之地。

供给侧也在补位。微盟星启 GEO 在进博会展示的链路是「监测—诊断—生成—发布跟踪—复测验证」,并作为核心参编单位参与了中国广告协会归口的三项 GEO 团体标准编制,三项标准于2026年10月23日正式实施;其2026年上半年 AI 应用收入同比增长89.2%至1.33亿元(腾讯网:微盟星启GEO参展进博会)。11月8日,面向媒体机构与企业的一键AI源平台与乐订坊 GEO 诊断网同时上线,把「媒体供给侧+企业需求侧+AI连接」做成 B2B2C 模式(新华报业网:一键AI源与GEO诊断网上线)。工具越多,口径越要先统一,否则每换一家服务商就要重算一次基线。

常见问题

  • 为什么不能只看排名变化?

    排名只在同一批问题、同一引擎、同一时段内可比。引用源半衰期约一天,排名本身就在自然波动,不设品类基线,涨跌都可能只是大盘在动。

  • 品类水位怎么算才不出错?

    同组问题、同引擎、同窗口,把所有参与品牌的露出比例加总。组内品牌集合要固定,中途加入新竞品必须重算基线,否则水位会被稀释。

  • 爬虫日志还有用吗?

    有,但只用于诊断抓取与解析是否正常。它证明页面能被读到,不证明会被引用。把爬虫量写进可见度报告,等于把前置条件当结果。

  • 平台自报数据和第三方监测对不上怎么办?

    先比对趋势方向,再比对口径定义。分母不同、去重方式不同、是否含付费曝光不同,绝对值本来就不会相等,强行对齐只会掩盖真实差异。

数据来源