提及率:固定题集反复采
题集要来自真实买家问题,不是品牌词搜索。题集一旦定版就不改(改题即断基线),每周同口径采样,分引擎记录。基线期预期很低——AI 渠道零经营的品牌,提及率接近零是正常起点。
为什么提及率比点击率更值得测?因为点击正在变少。皮尤研究中心 2025 年 7 月的研究追踪了 900 名美国成年人 2025 年 3 月的真实浏览行为:出现 AI 摘要时,用户点击传统搜索结果的比例是 8%,没有摘要时是 15%;摘要内被引用的链接只在 1% 的访问中被点击。用户在答案里看到你,比在链接列表里看到你更重要——而前者只能靠采样测出来。
算提及率的方法很直观(示意算术,非实测数据):40 道题里,你的品牌被推荐性提及 6 次,提及率就是 15%。分母永远是固定题集的总题数,分子是被提及的题数;推荐性提及(答案主动把你列为可选供应商)与顺带提及要分开记,前者才是 GEO 的主指标。
引用源:自有 vs 第三方
如果被引用,全是自有页面,说明站外生态还没起来;如果引用的是过期或错误的第三方页面,先修事实再谈推广。这个构成比解释了下一步该把钱花在哪。
第三方来源的分量有实证支持:Ahrefs 对 75,000 个品牌的研究发现,品牌在全网的被提及程度与 AI 可见度的相关性(0.66–0.71)远高于反链数量与网站页数(约 0.19–0.22)。引用构成里第三方占比低,意味着你的可见度全靠自有页面撑着——天花板很低。
准确性优先于情感
被正面提及但事实错误(比如产品边界说错),比不被提及更糟——错误会被其他系统继续转引。监测里要专门留一列记事实错误,发现即走纠错路径(官网事实文件更新 + 来源方更正)。
典型例子:某公司的 AI 答案里写着"提供免费样品",实际政策是样品收费。买家拿着错误信息来询价,销售每次都要先纠错再谈生意;更糟的是,这个错误表述还会被其他 AI 系统当作事实继续引用。口径准确率就是为这类问题设的指标:被提及的答案里,关键事实(业务边界、价格政策、联系方式)说对了几成。
转化归因:可见度要落到线索
AI 引荐的访问在日志里单列(引荐域名、Agent 标识),线索表单保留来源参数并落首触 cookie。季度复盘时,可见度曲线与线索曲线放在一起看,才知道哪部分投入真的产出业务。
归因要分两层记:到站层看 AI 引荐访问量(日志与分析工具对账,两边数字对不上先查口径,不急着下结论);线索层看带 AI 来源标记的表单提交与咨询量。只看提及率不看线索,等于只验收了上半场。
一套可复现的衡量方法(五步)
这套方法的核心是"固定题集反复采样":问题集、引擎清单、采样规则全部冻结,只让答案本身变化,这样每周的数字才可比。
- 定问题集:按客户旅程列 20–60 个真实问题(品类词、对比词、场景词、品牌词四类),中英按市场配比,版本冻结——问题集一变,数据不可比;
- 定采样规则:固定引擎清单、登录状态、地区与语言设置、采样时间窗;每题每引擎至少采 3 次取多数,单次结果只当噪声;
- 记录四项原始事实:是否提及(推荐性提及单独标注)、是否引用本站链接、答案对品牌的描述是否准确、同题竞品表现;
- 算五个指标:推荐性提及率、被引用率、引用份额(本站引用数占全部引用数)、口径准确率、AI 引荐到站量(日志与分析工具对账);
- 先基线再趋势:连续跑满 4 周基线,之后按周同口径复测;单周波动不下结论,看 4 周移动平均。
技术分不是提及率
不要把两类分数混为一谈。Negency 旗舰报告 2026 年第一期测的是官网技术可见度——AI 能不能抓到、读懂你的网站:30 家中国出海企业官网(2026 年 10 月 30 日采样)总分均值 80.1/100,中位数 80(区间 55–98),7 家 90 分以上、6 家 70 分以下。(抽样口径:样本为 30 家中国出海企业全球官网主域名,检测用 Negency AI 可见度体检引擎,约 30 个信号、五类,单日采样;报告只测技术可见度,不测 AI 回答中的品牌提及率。)技术分高只说明机器读得懂你,不等于 AI 答案里会提到你;提及率必须用上面这套固定题集采样另行测量。两类指标各管一段:技术分是入场券,提及率是结果。
最容易犯的三个测量错误
- 只测品牌词问题:客户搜的是品类与场景,品牌词提及率天然虚高,测了等于没测;
- 拿一次截图当证据:同一问题换时间、换账号,答案可以完全不同,必须多次采样;
- 只看提及不看口径:被提及但说错(价格、定位、案例张冠李戴)比没提及更伤,必须单独记口径准确率。
先跑一次免费 AI 可见度体检拿到技术分基线,再按上面五步建题集测提及率——两类数字齐了,才算真正开始衡量。