问题不是品牌有没有被 AI 提到，而是被提到的那些参数对不对。76% 的消费者会参考 AI 做消费决策，这个比例来自中国互联网络信息中心的调查；一旦价格、容量或适用人群被写错，退货与差评会比不被提及来得更快。多数品牌的可见度报表只统计提及率，没有给错误率留出一列，本文的核对口径以 11 月 11 日的公开信息为界。
提及率之外，还有一列叫错误率
提及率回答的是品牌有没有出现在答案里，错误率回答的是出现得对不对。两个指标的分母相同，都是固定问题库里的问题数，但方向相反：前者追求更高，后者追求更低。只报提及率的报表，会把一次写错参数的推荐记成一次成功曝光。
这个差别在决策链路上被放大。用户看到品牌名会形成记忆，看到具体参数会据此判断是否适合自己。参数错一个档位，用户买回去发现不符预期，退货、差评与客服成本会一起出现，而这些成本不会出现在可见度报表里。
错误通常从三个地方来
第一个来源是商品详情页本身。同一款产品在不同渠道的标题写法不一致，规格参数分散在详情页、参数表与包装图上，AI 抓取时容易把不同版本的数字拼接在一起。第二个来源是第三方测评与榜单，这类内容为了可读性会简化参数，简化过程中丢掉限定条件。
第三个来源是时间。产品迭代之后，旧版本的参数仍在网上流通，AI 回答可能引用上一代的数据。这类错误最难被发现，因为数字看起来合理，只是对应的是旧款。
| 错误来源 | 典型形态 | 发现方式 |
|---|---|---|
| 商品详情页 | 不同渠道标题与参数不一致 | 跨渠道比对同一 SKU 的参数 |
| 第三方测评 | 为可读性省略限定条件 | 抽查引用来源的原文表述 |
| 版本滞后 | 沿用上一代参数 | 按上市时间标注参数有效期 |
| 单位换算 | 容量与功率单位混用 | 统一单位后复核数值 |
为什么错误率更难测
提及只需要判断有无，错误需要逐字段比对。一个回答里可能出现五个参数，其中四个正确、一个偏差，这种部分错误在人工抽查时最容易被放过，在自动比对时又最容易被判成整体错误。测量方法必须落到字段级，而不是回答级。
把参数核对做成例行动作
第一步是建立字段清单。每个品类挑出五到八个影响购买决策的字段，例如容量、功率、适用面积、材质、保修年限，字段一旦确定就不随活动变化。第二步是给字段标注有效期，产品迭代时同步更新，避免旧参数继续被引用。
第三步是逐字段比对。把 AI 回答里的字段值抽出来，与官方口径对照，记录一致、偏差与缺失三种状态。第四步是回溯来源。发现偏差后先看回答引用了哪一页，再决定是修正自有内容，还是联系引用站点更新。
修正之后要复测
内容修正不会立刻改变答案。索引、抓取与模型更新都需要时间，通常要在两到四周后复测才能看到变化。复测必须用同一批问题与同一套字段，否则无法判断是修正起了作用，还是回答本身的波动。
报表怎么改，才能同时看两边
把提及率与错误率放在同一张表里，按问题分层展示。认知层的问题看提及率，因为用户还在比较选项；对比层与售后层的问题看错误率，因为此时用户已经在核对参数。两个指标分开看，团队才知道该补内容还是该修参数。
再往下是一层归因。提及率低但引用来源集中的问题，说明内容缺口在少数几个站点，补内容见效快；错误率高但来源分散的问题，说明自有内容本身不一致，要先做渠道间的参数对齐。归因做完，动作才不会撒胡椒面。
常见问题
错误率和提及率能合成一个指标吗？
不建议。两个指标的优化方向相反，合成之后会互相抵消。分开报，再按问题分层解读，才能指导具体动作。
错误率低但提及率也低，该先补内容还是先修参数？
看引用来源是否集中。来源集中在少数几个站点，说明内容缺口很明确，优先在这些站点上补齐品牌内容，可见度回升更快；来源分散而参数偏差又多，说明自有商品页之间本身不一致，先把渠道间的参数对齐，再谈扩大覆盖。
修正自有内容后多久能看到变化？
通常需要两到四周，取决于索引与抓取节奏。复测要用同一批问题与同一套字段，否则无法把修正效果与回答波动区分开。
第三方测评写错了怎么办？
先确认回答是否引用了该页面，再联系站点更正。若站点不配合，应在自有内容里给出更清晰的参数表述，降低被错误引用的概率。
