“品牌进不了 AI 的推荐答案”——这句话在过去一年从营销话术变成了可测量的结果。截至 11 月 14 日，公开的行业口径给出的数字是：超过 76.2% 的解决方案认知型搜索会触发 AI 摘要，近七成搜索以零点击结束。曝光没有消失，只是从链接位置挪到了答案内部，而答案内部是不显示排名的。这意味着过去按关键词记录的排名报表，已经量不到真正的曝光发生地。
零点击之后，曝光去哪儿了
零点击的意思是用户不再点进网页，但决策并没有停。这份 11 月的复盘给出的判断是，流量不再只取决于搜索结果页的排名，而取决于是否被模型识别为可信信源并纳入答案。这句话对监测的直接含义是：过去按关键词查位置的报表，量的是一个已经不产生点击的位置。
更麻烦的是，零点击把「看到」和「算数」分开了。用户在答案里看到品牌名，可能既不点链接也不搜索，这条曝光在传统工具里完全不留痕。要把它量出来，只能靠主动提问：固定一批问题，反复问模型，记录答案里出现了谁、排在什么位置、引用了哪个网页。
四个平台，四套信源偏好
把国内主要入口放在一起看，差异不是玄学，而是分发结构。每个平台的内容供给不同，能被检索到的网页集合不同，答案自然不同。这份对信源偏好的梳理把差异讲得比较具体：豆包更偏向头条生态内容，元宝依托微信生态信源，文心一言优先百家号与百科类内容，DeepSeek 与 Kimi 更偏好专业长文与垂直社区内容。
| 入口 | 偏好的信源 | 内容形态 | 可测指标 |
|---|---|---|---|
| 豆包 | 头条生态内容 | 短段落、场景化描述 | 答案提及率、引用域名 |
| 元宝 | 微信生态内容 | 长文、带结论的解读 | 公众号被引用频次 |
| 文心一言 | 百家号与百科 | 定义型、结构化条目 | 词条覆盖率、首提位置 |
| DeepSeek 与 Kimi | 专业长文与垂直社区 | 论证型、带数据 | 垂直站点引用占比 |
这张表最实际的用法是排优先级。如果品牌的品类决策链偏专业（比如工业品、SaaS），先攻 DeepSeek 与 Kimi 的垂直信源；如果是大众消费品，豆包与元宝的覆盖更值得先做。把四个平台当成一个平均分来管理，等于用平均值抹掉了唯一有信息量的部分。
问题树比关键词更接近真实提问
关键词是搜索时代的输入单位，问题才是对话时代的输入单位。用户不会问「GEO 优化」，他会问「AI 里搜不到我们公司怎么办」。把这类真实问法整理成树状结构——从品类泛问，到场景问，到比较问，再到验证问——才覆盖得住答案的实际触发路径。
按决策阶段分层，而不是按词频排序
问题树的第一层按决策阶段分：认知（这类产品怎么选）、比较（A 和 B 差在哪）、验证（这家靠不靠得住）、价格（为什么比别人贵）。四层的答案形态不同，能优化的动作也不同。按词频排序会把大量长尾验证类问题漏掉，而这类问题恰恰最接近成交。
每个问题至少要问三次
模型输出有随机性，问一次就下结论等于抽样偏差。同一问题在同一平台问三次，取并集记录品牌出现情况，才能区分「稳定被提到」和「偶尔冒出来」。这一步的成本几乎为零，但它是所有后续判断的地基。
回测要留下证据链
可见度的波动经常被误读。这篇方法梳理强调发布之后要做回测：用品牌词和行业问题去各平台实测，看有没有被提到、引用的是哪段内容、有没有出现错误信息。没有回测，就不知道下一步改哪里，也无法判断一次涨跌是内容起效还是信源换了。
证据链的存法很朴素：每次抓取把答案原文、引用链接、抓取时间一起存下来。三个月后回看，能看出某个域名从偶然出现变成稳定引用，也能看出某次改版之后引用段落发生了变化。这些细节比一个总分的趋势线有用得多。
两周一次的复测口径
答案的更新频率高于搜索排名，按月复测会错过整个波动周期。比较稳的节奏是两周一次，大促或新品发布期间加密到每周，并且每次都用同一批问题，否则趋势会被问题本身的变化带偏。
这套口径的价值在于它可复现。换一个人来跑，只要问题树和抓取规则不变，得到的数字应该基本一致；做不到这一点，可见度就还是一个靠感觉汇报的指标。
常见问题
零点击率高，是不是就不用做官网了？
不是。官网仍是被引用的主要信源之一，只是它的作用从承接点击变成提供可被提取的事实。
四个平台要不要用同一套内容？
不要。同一份核心事实可以复用，但表述结构要按平台偏好的信源形态调整，否则在部分平台根本进不了候选池。
问题树要建多大？
以能重复执行为准。四层各十几条通常就够看出趋势，盲目扩张会让复测频率掉下来。
怎么判断是内容起效还是运气？
看稳定性。连续两个复测周期都被提及，才算起效；单次出现更可能是随机波动。
