GEO效果怎么验收：客户翻来覆去只问这三个问题2026

为什么你拿到的GEO报告答不上来'这笔钱花得值不值'

现在大多数 GEO 报告只能告诉你'大概方向'，不能支撑续费决策。这不是因为服务商不努力，而是因为报告里缺了三个问题的答案：被提到、引用了谁、有没有点击。这三个问题分别对应“有没有被看见”“被看见的质量”“看见后有没有用”，而大多数报告只回答了第一个，且第一个答案本身还不可复现。

对决策层来说，这笔钱买到了什么？如果报告答不上来'被提到/引用了谁/有没有点击'，就不能续费。被提到（提及率）只是起点，IAB 4P 里第一个 P；引用了谁（引用来源）决定这次提及是正面还是负面、是权威还是垃圾；有没有点击（转化）决定商业结果。但很多报告只给一个提及率数字，而且这个数字可能是某一次查询的截图，换个时间就变了。所以决策层要问：这个提及率是怎么测出来的？再测一遍还是这个数吗？原始回答留了吗？如果答不上来，就不能续费。四份独立调查（样本从27到599）都指向同一个缺口：做的人80-96%，能度量的人6-23%。State of AEO Report 2026 里，40.6% 的受访者把“缺少度量与归因工具”列为最大挑战，位列第一。这意味着，你拿到的报告大概率也是方向性的，不是决策级的。

对执行团队来说，要求服务商提供能复现的数据，而不是截图。截图是某一次查询的结果，但 AI 回答是概率性的，换个时间、换个账号可能不同。所以必须要求服务商提供原始回答留存、查询记录、采样方法，这样才能复现。这里有一个简单的验证动作：问服务商要一次原始回答截图或全文，要不出来说明这个数没法验。验收不是数发了多少篇稿，是同一批问题的答案变没变，存了原文才能吵得清。

对数据团队来说，检查数据是否可复现：同一批问题再问一遍，结果是否一致。具体怎么检查？需要看采样规则、查询量、提问类型覆盖、测试频率、可复现性、数据校验、方法学文档、平台覆盖。IAB《Measuring Visibility in the AI Era》把这八件事列为决策级数据的标准，并直言：失败在于把方向性数据当成决策级数据来用，却没意识到中间的差距。你可以问服务商一句：“这个数是怎么测出来的、再测一遍还是这个数吗、原始回答留了吗？”如果对方答不上来，这份报告就只能看个大概方向，不能拿去定预算。

方向性数据和决策级数据的差距，可以用一张表说清：

人工能做到哪一步？你可以要求服务商提供原始回答，但人工无法验证服务商是否真的按同一批问题复测了，也无法自己大规模复测。透镜GEO 的“数据采集（detect）机制”通过真实用户行为模拟，每日自动模拟真实用户提问，抓取AI生成答案，并留存原始问答快照，支持一键导出，这样你就能自己验证复现性，而不是依赖服务商提供的截图。同时“品牌诊断（analyze）机制”记录每一次查询过程，全量监测日志与原始问答记录留存，可提供查询快照，支持一键导出存档。

提及率怎么验：一个总数没有意义，必须分平台分问题看

提及率是必要的起点，但必须分平台、分问题类型报告，不能只给一个总数。一个总数会掩盖两个关键差异：不同引擎的信源结构不同，不同问题类型天然产生提及的概率不同。

对决策层：提及率回答“我们有没有出现在对话里”，但一个总数没有意义，要分平台看。你手上如果只有“提及率 45%”这一个数字，它既不能告诉你哪个平台在说你、哪个平台没说你，也不能告诉你这 45% 里有多少是准确的、有多少是把你归错品类。IAB 的 4P 框架里，提及率（Presence）只是第一个 P，它回答的是“有没有被提到”，但连它自己都要求分平台单独报告——因为不同引擎读的东西不一样。不同引擎读的东西不一样，这就是信源结构。你可以自己验证：打开豆包和 DeepSeek 问同一个问题，看回答末尾列出的引用来源，数一下有几条指向你自己的官网。我们实测过五个引擎的信源结构：自媒体达人在所有引擎都是第一大信源，占 40%–70%，腾讯元宝最高达 70%；通义千问的专业媒体占 33%，是五引擎里最高的。这意味着同一个品牌在豆包里的提及率可能来自自媒体内容，在通义千问里可能来自专业媒体，两个平台的提及率数字背后是完全不同的内容来源。所以，验收时第一件事就是要求服务商把每个平台的提及率单独列出来，而不是合并成一个总数。

对执行团队：要求服务商提供分平台、分问题类型的提及率，并附上原始回答。分问题类型为什么重要？因为不同问题类型天然产生提及的概率不同。把你关心的每个问题按“AI 回答它的时候说了谁”分成五种：优势区（AI 点了你的名，还排在前面）、竞争区（AI 点了你，但竞品排在你前头）、敌占区（AI 只点竞品，不提你）、歧义区（AI 点了你，但说错了）、空白区（AI 谁也不点）。你可以自己验证：挑 20 个问题逐个问，记下出现品牌名了吗、出现的是谁。没分区之前，你的提及率分母里混着一批天然产不出提及的问题，这部分预算注定归零。下面这张清单可以直接拿去对服务商的报告逐项打勾。

对数据团队：自己抽样 20 个问题，用豆包或 DeepSeek 逐个问一遍，数几个回答里出现了你的品牌名，再对比服务商报告。具体做法：挑 20 个你最在意的问题，打开豆包或 DeepSeek，逐个问，只记两件事——出现品牌名了吗？出现的是谁？半小时能做完，不用买任何工具。这一步做完，你就能发现服务商报告里的提及率和你自己测出来的差多少。如果差距超过 10 个百分点，就要问清楚对方的采样口径是什么。

引用来源怎么验：被提到不等于被引用，引用来源决定提及能不能复现

被提到不等于被引用，引用来源决定这次提及能不能复现、有没有说服力。AI 回答里出现你的品牌名，可能只是模型从训练数据里“知道”你，但回答末尾没有引用来源，或者引用来源是第三方。这种提及是脆弱的——模型更新、算法调整，它就可能消失。而如果引用来源是你的官网或你主动发布的内容，你就能通过维护这些内容来影响 AI 的引用，提及才可复现。

对决策层来说，引用来源是资产，不是曝光。如果 AI 提到你但引用的是第三方，那这次提及可能随时消失；引用来源才是资产。你花钱买到的“提及”，如果引用来源不可控，等于租来的曝光，不是资产。只有引用来源指向你拥有的内容，你才拥有这个位置。这决定了预算该投向哪里：是投在不可控的第三方，还是投在你能控制的内容上。

对执行团队来说，要求服务商逐条列出每次提及对应的引用来源，并标注是官网、媒体还是自媒体。执行团队要做的第一件事，是让服务商把“提及率”拆开：每一次提及，AI 引用了哪个 URL？这个 URL 是你的官网、你投放的媒体稿、还是自媒体达人写的？如果服务商给不出逐条引用来源，那这个提及率就是黑盒，无法验收。执行团队需要拿到一张表：每个问题、每次提及、对应的引用来源 URL、来源类型、是否可追溯、是否主动发布。

对数据团队来说，检查引用来源是否真实可访问，是否是你主动发布的内容，还是别人写的。数据团队在核验时，要打开每个引用来源 URL，确认它真实存在、内容与 AI 回答一致、且发布时间合理。还要判断这个来源是不是你主动发布的：如果是你官网或你付费投放的媒体，那是主动发布；如果是第三方自发写的，那是被动获得。主动发布的来源你可以控制，被动来源你只能影响。数据团队还需要记录引用来源的稳定性：隔一段时间再测，看引用来源是否变化。

很多团队只看提及率，却不知道 AI 是从哪里读来的这些信息。这就是信源结构——AI 给出这些说法时，是从哪些地方读来的：品牌官网、专业媒体、自媒体达人、平台聚合页，各占多少。你可以自己验证：看 AI 回答末尾列出的引用来源，数一下有几条指向你自己的官网。如果官网占比很低，说明你的内容预算可能投错了通道。

我们对五大引擎的抽样统计（A1）显示：自媒体达人是所有引擎的第一大信源，占 40%–70%，腾讯元宝最高达 70%；通义千问的专业媒体占 33% 为五引擎最高。这意味着，如果你的提及大部分来自自媒体达人，而这些达人内容你无法控制，那么你的提及就不稳定。分行业看（A2），官网被引占比在不同行业差异很大：科技软件 25%、企业服务 21%、教育 16%、文旅 7%、快消 6%、汽车 5%。如果你的行业官网占比很低，说明 AI 更倾向于引用第三方，你更需要关注引用来源的可控性。体裁上（A3），榜单、教程、评测是被引主力，纯资讯和单一案例占比极低。这意味着你主动发布的内容要符合这些体裁，才更可能被引用。

IAB 的 Decision-Grade 标准要求可复现性和数据校验，而引用来源正是可复现性的基础。如果引用来源不稳定，这次提及就无法复现，数据就是方向性的。所以验收引用来源，就是把提及率从方向性数据提升到决策级数据的关键一步。

人工可以手动抽查几个问题的引用来源，但面对几百个问题、多个平台、每日更新，人工无法持续追踪每个引用来源的变化和真实性。这时需要工具接手：引用来源追溯分析机制可以深度追溯引用来源，明确品牌内容被哪些高权重媒体、官网收录后被 AI 抓取，合规采集、全程留痕并提供查询快照。这样数据团队就能拿到可核验的引用来源清单，而不是服务商口头说的“我们被引用了”。

下面是一张引用来源验收表，执行团队可以拿它去要求服务商逐条填写：

数据来源：A1 为 2026 年 7 月对豆包/DeepSeek/文心一言/通义千问/腾讯元宝的被引来源抽样统计；A2 为分行业官网被引占比实测。占比因行业和引擎而异，表中列出的是已知数据点，不是固定值。

点击归因怎么验：AI 搜索的点击在传统后台是空白，必须专门追踪

AI 搜索的点击在传统分析后台是空白，必须用专门的归因方法才能看到。用户在豆包、DeepSeek 里问了你、看完 AI 对你的描述、直接做了判断——这整个过程在你的网站分析后台是空白的，没有 referrer、没有会话。SparkToro 2026 年的研究给出了一个量级参照：ChatGPT 仅贡献约 0.2% 的引荐流量。不是 AI 搜索没人在用，是传统归因链路在 AI 搜索这里断了。

对决策层来说，没有点击数据，就无法算 ROI，这笔预算就永远说不清。你可以在会上讲"我们被 AI 提到了 47 次"，但 CFO 问的是"这 47 次带来了多少钱"。答不上来，明年预算就悬了。Webflow 的案例提供了一个反直觉的参照：LLM 流量转化率是 Google 的 6 倍。这意味着 AI 搜索带来的流量虽然少，但质量极高——用户带着明确意图来，AI 已经替他筛过一轮。这笔流量值得专门追踪，不是因为它量大，是因为它转化好，而且现在几乎没人能拿出这个数。

对执行团队来说，点击归因要分两层做。第一层是"有链接的点击"：要求服务商在 AI 回答中出现的链接加 UTM 参数，或者用短链追踪。第二层是"没有链接的提及"：用户在 AI 回答里看到你的品牌名，没有点任何链接，直接去搜索引擎搜你的品牌名，或者直接访问官网。这类行为在传统后台里被归为直接流量或自然搜索，源头丢了。追踪第二层的办法是看品牌词搜索量的变化——AI 提及上升后，品牌词搜索量有没有同步上升。这个相关性就是"被看到"的间接证据。

对数据团队来说，技术实现上有三个关键点。第一，UTM 参数要打在 AI 回答里出现的链接上，但注意 AI 平台可能不展示链接，或者展示的是聚合页链接而非你的原始链接。第二，短链追踪可以绕过部分平台的链接改写，但短链本身可能被 AI 平台判定为低信任度来源。第三，品牌词搜索量变化要排除其他营销活动的干扰——同期有没有投广告、有没有做线下活动，这些都会污染数据。干净的做法是：选一个没有其他营销动作的窗口期，只跑 AI 侧的内容，看品牌词搜索量的变化。

点击归因的验收标准不是"有没有点击数据"，是"点击数据能不能复现、能不能追溯到具体内容"。问服务商三个问题：这个点击是从哪个 AI 平台来的、用户点的是哪条内容、这条内容是什么时候发布的。答不上来，说明这个数没法验。

被怎么描述比提及率更重要：出现不等于有利

出现不等于有利。AI 提到你时的描述可能正在劝退客户——这是甲方付了钱最委屈的地方。提及率只回答“有没有被提到”，回答不了“被提到时说了什么”。而后者才是决定一个正在选型的人更想找你、还是更不想找你的关键。IAB 4P 框架里，提及率只是第一个 P（Presence），第二个 P 是 Portrayal——被怎么描述。多数服务商按提及率收费，等于只对四个维度里的第一个负责，剩下三个没人管。

对决策层来说，你花钱买到了一次提及，但这次提及可能是负面的。如果 AI 说“一家规模较小的创业公司”“功能相对基础”，或者干脆把你归到错的品类、把竞品的短板安在你头上，这次提及就是在劝退客户。决策层要问的不是“我们被提到了几次”，而是“被提到的那几次，有多少次是在帮我们说话”。IAB 在 Portrayal 维度下明确列了四个子项：情感倾向（Sentiment）、语境框架（Framing）、幻觉率（Hallucination Rate）、事实错误率（Factual Inaccuracy Rate）。这四个子项，没有一个能靠“提及次数”回答。

对执行团队来说，要求服务商提供情感倾向和事实准确性报告，而不只是提及次数。具体验收时，把 AI 提到你的段落完整读一遍，问自己一句：这段话会让一个正在选型的人更想找你，还是更不想？然后按三个维度检查：正面/中性/负面、事实错误、影响。下面这张表可以直接用作验收清单。

对数据团队来说，读 AI 提到你的完整段落，判断是正面、中性还是负面，并检查有没有事实错误。采样规则：固定一批问题，分引擎、分时段采集，留存原始回答全文。判断情感倾向时，不要只看有没有“推荐”“不建议”这类词，要看整段话的语境——比如“适合预算有限的小团队”在 B 端采购场景里可能是负面的。事实错误要单独标记：AI 是否把你的产品功能安到竞品头上、是否把过时的参数当成现状、是否把你的品牌归到错误的品类。A6 实测显示，在品牌不出现的区域，AI 跑偏率更高——歧义区 9.0%，空白区 13.3%。这意味着越是你没占住的问题，AI 越可能说错你。所以数据团队在验收时，要特别关注那些“品牌名出现了但描述可疑”的样本，而不是只看提及率达标。

人工能做到哪一步：人工可以读几十段回答，判断情感和事实错误，但面对几百个问题、五个引擎、双端、日级更新时，人工读不过来，而且判断标准会漂移。工具从哪里接手：透镜GEO 的品牌口碑监测（detect）用 NLP 识别 AI 问答中正、中、负情感倾向，输出情感健康度评分；品牌情感分析（analyze）实时捕捉情感倾向，一旦发现负面苗头及时预警并溯源；大模型幻觉巡检（detect）检测 AI 是否把技术参数、收益率等事实张冠李戴。先用工具做检测，再由 Agent 做分析与决策——比如自动区分是内容缺失、信源不足还是竞品压制导致的负面描述，而不是只报一个“负面提及数”。

提及率是对的，也是 IAB 4P 的第一个 P，但它只覆盖了四个维度里的第一个。本节补的是第二个 P——被怎么描述。验收时如果只盯着提及率，等于只检查了“有没有被看见”，却不管“被看见时穿的是什么衣服”。

验收不是看一次截图，而是同一批问题反复问

验收的本质是看答案变没变，不是看某一次截图里你排第几。AI 生成有随机性，单次结果可能是运气，也可能是平台当天的临时波动。只有同一批问题反复问、把每次回答都留档，才能区分"真的被 AI 采纳了"和"恰好那次被提到了"。如果答案不稳定，说明优化没有沉淀进 AI 的信源结构里，钱白花了。

对决策层来说，这件事直接决定续费判断。你不需要看几十页报告，只需要问服务商一个问题：同一批问题，上周和这周的回答一样吗？ 如果答案每次都在变，说明你的品牌信息没有被 AI 稳定采信，只是偶尔被捞到。IAB《Measuring Visibility in the AI Era》把"可复现性"列为决策级数据的八项标准之一——不能复现的结果，连方向性数据都算不上，更不能拿去开会定预算。反过来，如果同一批问题的回答在连续复测中保持稳定，且引用来源指向你的官网或你投放的内容，这才说明优化真正沉淀下来了。

对执行团队来说，复测要写进服务商合同里，而不是验收时临时提。约定三件事：复测频率（建议每周一次，关键品类可以加密到每日）、固定问题集（验收期间不许换题，换题等于重新开始）、原始回答全文留存（截图不够，要能导出完整文本和引用来源列表）。这三条缺一条，验收就没有证据链。服务商如果只给你"提及率从 30% 涨到 45%"这种汇总数字，却不给原始回答，这个数没法验——你无法判断涨的是不是同一批问题、引用的是不是你的内容、回答里对你的描述是正面还是劝退。

对数据团队来说，复测的判定规则要提前定死，否则每次复测都会吵"这算不算被引"。一个可操作的判定口径是：固定问题集，每天同一时段问一次，分引擎记录；以 URL 或其内容片段出现在回答的引用来源中判定为被引；连续 2 天未被引判定为本次内容引用结束。 这个口径来自我们自己的内容续航天数监测——按这个规则实测，餐饮类内容在 AI 引用中的平均存活时间是 5.3 天，工业类是 3.9 天。这意味着什么？意味着如果你每周才复测一次，餐饮类内容可能已经死了一轮你都不知道；工业类内容更短，一周内可能已经换了两轮信源。复测频率必须高于内容的平均续航天数，否则你看到的永远是滞后画面。

复测记录表不需要复杂，六列就够：

这张表的价值不在"是否提到"那一列，在"变化"那一列。变化列里出现"引用消失""引用源从官网变成第三方""描述从正面变成中性"，这些才是验收时真正要讨论的东西。一次截图只能证明"那一刻被提到了"，这张表才能证明"被提到这件事能不能持续、靠什么持续"。

人工能做到哪一步：手动复测 20 个问题、每天问一次、记录六列，工作量大约半小时到一小时，执行团队自己做一周没问题。但问题集超过 50 个、引擎超过 3 个、频率要求每日、还要留存原始回答全文时，人工就会撞墙——不是做不了，是坚持不了两周。漏记一天，整个连续判定就断了。工具从这里接手：品牌排名监测按固定问题集每日自动提问并留存原始回答快照，内容续航天数监测按"连续 2 天未被引判定结束"的规则自动计算每条内容的存活状态。人工负责定问题集和看变化列，机器负责每天问、每天记、每天判。

验收不是一个人的事：先明确这件事在你们公司归谁

验收不是一个人的事，需要明确 owner 和产出物。如果没人 owner，验收就是走过场。

对决策层来说，这件事在你们公司归谁？如果没人 owner，验收就是走过场。这不是危言耸听：State of AEO 2026 调查显示 32.5% 的企业没有单一负责人，WFA 对 27 个品牌（合计 310 亿美元广告支出）的调查里 43% 归属跨多个团队共担，国内 2026 Q1 新增 GEO 预算约 70% 来自品牌公关部。三个独立来源指向同一个事实——GEO 验收在多数企业里没有明确的负责人。决策层要做的第一件事不是看报告，而是先定 owner。没有 owner，报告再漂亮也落不到决策上。

对执行团队来说，指定一个负责人，每周出一份验收报告，包含三件事的数据。这三件事前面几节已经讲过：被提到、引用了谁、描述是否有利。负责人不需要自己跑数据，但要确保每周有人把这三件事的数据汇总成一张表，并且能回答“这个数是怎么测出来的”。因为国内预算大头在品牌公关部，负责人往往要同时协调品牌、市场、IT 三个部门——品牌部关心描述是否有利，市场部关心提及率，IT 部关心数据采集是否合规。负责人每周的产出物就是一张验收周报，频率固定，内容固定，谁都能看懂。

对数据团队来说，技术团队负责搭建数据采集和验证流程。数据团队要保证的不是“出一次报告”，而是“同一批问题反复问，答案变没变”这件事能被持续执行。具体包括：固定提问集、分平台采集、留存原始回答快照、记录采集时间与账号环境。这些是决策级数据的最低要求，缺了任何一项，验收报告就退回到“只能看个大概方向”的水平。

这张表的作用不是把责任推给某个人，而是让验收这件事从“谁都能管、谁都不管”变成“谁负责什么、产出什么、多久一次”。没有这张表，验收就是走过场。

截图可以造假，但原始数据和复测结果很难造假

截图是结果，不是证据。结果可以被挑、被改、被断章取义，而原始数据是过程——过程要伪造，成本高得多，而且一复测就露。这就是为什么验收的最后一关不是看报告，是看数据本身。

对决策层来说，这一节只需要记住一句话：如果服务商拒绝提供原始数据，就要警惕。

这不是技术问题，是态度问题。一个真正做了监测的服务商，原始数据是现成的——查询记录、回答全文、引用来源，这些在系统里躺着，导出就是。拒绝提供只有一个解释：他不想让你看到数据是怎么来的。IAB《Measuring Visibility in the AI Era》把「数据校验」列为决策级数据的八项标准之一，原话是买方应把缺少书面校验方法视为厂商质量主张的实质性缺口。翻译过来就是：拿不出原始数据的报告，连「方向性数据」都算不上，只能算「装饰性数据」。

决策层不需要自己去看数据，但需要在续费会议上问一句：「这份报告里的每一个数，能不能追溯到原始回答？」答不上来的，预算讨论到此为止。

对执行团队来说，要的东西很具体：三样，一样都不能少。

第一样是查询快照。每一次监测提问，系统应该留存完整的查询记录——什么时候问的、问的什么、在哪个平台问的、用的是哪个账号环境。快照的作用是证明「这次提问真的发生过」，而不是事后拼出来的。A9 的站点实测抓取数据说明了一件事：真实爬虫的行为和人类访问完全不同，Googlebot 的非内容请求占 76.6%，Bytespider 高达 93.2%。同样的道理，真实的监测查询和伪造的查询记录，在时间戳、请求序列、响应结构上都有痕迹。快照就是这些痕迹的载体。

第二样是原始回答全文。不是摘要，不是截取的关键段落，是 AI 从第一个字到最后一个字的完整输出。为什么必须全文？因为「被提到」和「被怎么提到」是两件事，而后者只有全文能看出来。一个品牌名出现在回答的第 3 段和第 15 段，语境完全不同；一段被截掉的负面描述，在摘要里可能显示为「中性提及」。IAB 的 Portrayal 维度——被怎么描述——只能基于全文判断，基于摘要判断等于没判断。

第三样是引用来源 URL。AI 回答末尾列出的每一条引用，都要能点到具体的页面。这一条同时验证两件事：一是这次提及有没有信源支撑，二是支撑它的信源是不是你花钱铺的那些。如果服务商说「引用来源不稳定，有时候显示有时候不显示」，那就要求他把「显示的时候」的 URL 全部留存。留不下来，说明他根本没在记录这一层。

三样东西的频率也要定：不是验收那天才要，是每周或每月固定导出。数据是连续的，不是点状的。只给验收当天数据的服务商，和只给考试当天成绩单的学生一样，你无法判断他平时在干什么。

对数据团队来说，这一关的核心动作是复测：自己用干净环境再问一遍，对比结果。

干净环境的定义很具体：无历史对话、无个性化推荐、无地理位置干扰。用一个新的账号、或者至少清空对话历史的账号，在同一个平台、用同一批问题、在相近的时间段提问。如果服务商报告里说「豆包回答中品牌排名第 2」，你自己复测出来是第 5，不一定是服务商造假——AI 回答本身有随机性，单次差异在合理范围内。但如果复测 10 次，8 次都不在服务商报告的位置上，那就是数据有问题。

复测的第二个作用是识别「挑好截图」。AI 回答有随机性，同一个问题问 10 次，可能 3 次提到你、7 次没提到。服务商如果只给你看那 3 次的截图，报告上写「提及率 100%」，这在技术上不算造假——那 3 次确实发生了——但它是系统性偏差。复测能暴露这个偏差：你自己问 10 次，发现只有 3 次提到你，你就知道那个 100% 是怎么来的了。

这里有一个方法论上的参照，来自 A10 记录的 Meta Project Cannes 事件。那个项目被曝光为丑闻，但它的方法设计里有一条对品牌方极有参考价值：几百名承包商不走 API，在产品前端手动提问，逐条留存原始回答，而不是只记「拒答率」这类汇总结论。为什么前端手动提问比 API 调用更接近真实？因为 API 是接近裸模型的调用，没有产品前端注入的系统提示、没有账号记忆与历史、没有产品级安全策略——它给不出「真实用户会看到什么」的答案。这正是复测必须用干净环境、走产品前端的原因。同时必须说清红线：Meta 的问题不在方法，在于伪造了未成年身份、向对手平台灌入假样本。复测可以模拟用户「可能是」的身份，绝不能伪造用户「不可能是」的身份。我们自己的复测必须控频率、用干净环境，这是底线。

复测的第三个作用是验证「数据有没有被静默处理」。IAB 标准里有一条明确要求：幻觉与事实错误的识别方法必须书面说明，且必须向客户报告被标记的提及，而不是静默剔除。什么意思？如果服务商在监测中发现 AI 把你描述错了——比如把竞品的短板安在你头上——他不能悄悄把这条从报告里删掉，只留下「正面提及」。他必须告诉你：这条提及存在，但内容是错的，我们标记了它。数据团队复测时如果发现报告里没有的负面或错误提及，而服务商从未报告过，那就是静默剔除，是比数据不准更严重的问题。

最后是伪造数据的识别。这一层最难，但有一个基本判断：看数据之间的逻辑是否自洽。提及率、引用来源、排名位置、情感倾向，这四个维度之间有内在关联。一个品牌在某个平台的提及率突然从 10% 跳到 40%，但引用来源没有任何变化，排名也没有明显提升——这个跳跃就值得怀疑。真实的变化通常是渐进的、多维联动的；伪造的数据往往只动一个数字，忘了动其他的。

验收的终点不是报告，而是决定续费、调整还是换服务商

验收的终点不是报告，而是决定续费、调整还是换服务商。报告只是中间产物，决策才是目的。G2 对 1,076 位 B2B 决策者的调查显示，69% 的买家因为 AI 给出的答案换了供应商——这意味着 AI 可见性已经直接关联到商业结果，验收不合格的代价不是“白花一笔预算”，而是“正在丢单却不自知”。AirOps 对 300 多位营销负责人的调查则显示，只有 23% 的人有信心度量 AI 搜索到底在起什么作用。换句话说，大多数团队拿到手的报告，连“该不该续费”这个问题都回答不了。验收要做的，就是把报告翻译成三个动作：续费、调整、换服务商。

对决策层：如果三件事都答不上来，这笔预算就该重新评估。 三件事是：被提到没有、引用了谁、有没有带来点击。这三件事分别对应 AI 可见度的三个层次，缺任何一件，报告都不足以支撑续费决策。CMO Survey 第 35 版的数据提供了一个参照：41.5% 的 VP 及以上表示在做 GEO，但只有 11.6% 把“管理 GenAI、GEO 和 Bots”列为能力缺口——说明多数决策者还没意识到，自己手上拿到的报告可能只是方向性数据，不是决策级数据。决策层不需要看原始数据，但需要一张能直接拍板的矩阵：

这张矩阵的用途不是惩罚服务商，而是把“感觉不行”变成“哪一项不行”。决策层最怕的不是效果差，而是说不清效果差在哪。矩阵把模糊的不满拆成可验证的缺口，续费、调整还是换人，就有了依据。

对执行团队：根据验收结果调整优化策略，而不是重做一遍报告。 验收暴露的问题，必须落到三个具体动作上：哪些问题该占、内容发到哪、怎么验证占住了。如果验收显示某些问题类型跑偏率高、品牌从未被提及，那就从五区里挑出空白区和敌占区，重新排优先级；如果引用来源里官网占比极低，那就把内容预算从自有阵地转向 AI 实际采信的信源结构；如果复测发现答案不稳定，那就固定提问集、固定时段、留存原始回答，把“占住了”变成可重复验证的结果。执行团队要产出的不是新报告，而是一份调整后的优化任务清单，每一条都对应验收里发现的一个具体缺口。

对数据团队：把验收数据接入内部看板，持续监控，而不是验收完就归档。 验收产生的原始回答、复测记录、引用来源快照，应该进入日常监控流。固定提问集，分引擎、分时段采集，连续两天未被引判定为结束，这样内容续航天数、提及率波动、引用源变化都能自动呈现。数据团队要做的不是每次验收时临时跑数，而是把验收口径固化成看板指标，让异常波动能触发预警。这样下一轮验收时，不需要从头解释口径，直接对比趋势就能看出优化有没有生效。

验收的终点是决策，而决策的质量取决于数据能不能被复现、被追溯、被持续观察。三件事答不上来，预算就该重新评估；三件事答得上来，续费、调整、换人都有据可依。

局限与边界

这套方法有三个前提：AI 搜索确实进入了目标客户的真实决策路径；品牌已经在该平台上留有可被引用的内容；团队有能力做分平台、分问题类型的持续监测。不满足其中任何一条，验收结果要降级使用。

不适用或需要降级的情况：

• 品牌所在问题集太小或太偏，AI 本来就不会点名。比如只测品牌词、或者测的问题天然不产生品牌提及，此时提及率、引用来源、点击三件事都会接近空白，这不是服务商的问题，是问题集选错了。应先缩小到真正影响信息型选型的问题，而不是拿品牌词硬测。
• 品牌内容还没有铺到 AI 实际采信的体裁和信源。此时引用来源验收会长期显示“官网占比低、自媒体占比高”，但这未必是执行失败，可能是内容供给本身不符合 AI 引用结构。验收重点应放在能否看清信源结构，而不是直接判定续费。
• 点击归因只能得到相关性，不能单独得到因果。品牌词搜索量上升可能叠加了其他营销动作；短链和 UTM 也会受 AI 平台不展示链接、改写链接或降低信任度影响。因此点击数据只能作为辅助证据，不能单独用来计算 AI 搜索 ROI。

以下是原文数字的边界，读者不应过度外推：

• A1 的五引擎信源结构数据，是在 2026 年 7 月对豆包、DeepSeek、文心一言、通义千问、腾讯元宝被引来源抽样统计得到，是特定时间、特定样本、特定引擎的结果。引擎信源结构会随算法和内容供给变化，40%–70% 的自媒体占比不能当成任何行业、任何时段都成立的常数。
• A2 的分行业官网被引占比是实测数据点，行业间差异很大（科技软件 25% 到汽车 5%）。不能用某一行业的百分比去套另一行业，也不能把表里的数字当成必须追到的目标值。
• 餐饮类内容平均续航天数 5.3 天、工业类 3.9 天，来自我们按“连续 2 天未被引判定结束”这一口径的内容续航天数监测。它只描述当时监测样本下的存活时间，不是所有内容在 AI 引用里的半衰期。判定口径、问题集、监测时段不同，续航天数会跟着变。
• 外部数据各有边界：SparkToro 的 ChatGPT 约 0.2% 引荐流量是特定观察窗口的引荐流量占比；Webflow 的 LLM 流量转化率是 Google 的 6 倍是单一平台案例，不是行业普遍转化率；G2 的 69% 买家因 AI 答案换供应商来自 B2B 决策者调查，AirOps 的 23% 来自 300 多位营销负责人调查，CMO Survey 的 41.5% 和 11.6% 也有特定样本构成。这些数适合做量级参照，不适合直接写进 ROI 公式。

最后，这套方法验的是“品牌在 AI 回答中的可见性和可追溯性”，不是 SEO 排名，也不是广告转化。如果企业把 GEO 当纯 SEO 或纯品牌曝光来验收，会出现指标错配：用排名验收时，AI 回答本身没有稳定排名；用曝光验收时，AI 对品牌描述是否有利、引用是否可控才是关键。先确认验收目标与这套方法匹配，再决定投入多少去复测和留档。

常见问题

GEO效果怎么验收？

验收只看三件事：AI有没有提到你、提到时引用了谁、有没有人因此点进来。三件事都能追溯到原始数据才算数。具体做法：要求服务商提供分平台分问题的提及率、逐条引用来源、点击归因数据，并自己抽样复测。

GEO服务商提供的报告可信吗？

大多数报告只给提及率或排名，属于方向性数据，不能支撑决策。可信的报告必须满足IAB Decision-Grade八项标准：样本量、查询量、提问类型覆盖、测试频率、可复现性、数据校验、方法学文档、平台覆盖。你可以问服务商：这个数怎么测出来的？再测一遍还是这个数吗？原始回答留了吗？

AI搜索的点击怎么追踪？

传统分析后台看不到AI搜索的点击，因为AI平台不传递referrer。可以用UTM参数或短链追踪，但AI平台可能不展示链接。更实际的方法是：在AI回答中出现的落地页加独立追踪参数，或者用专门的归因工具。注意：ChatGPT仅贡献约0.2%引荐流量，但LLM流量转化率可能是Google的6倍，所以绝对值小但价值高。

提及率多少算合格？

没有统一合格线。提及率必须分平台、分问题类型看，因为不同问题天然产生提及的概率不同（五区：优势区、竞争区、敌占区、歧义区、空白区）。你应该先确定自己关心哪些问题，再分别看提及率，而不是看一个总数。

怎么判断GEO服务商有没有造假？

要求提供原始回答全文和查询快照，自己用干净环境（无历史对话、无个性化）复测同一批问题。如果结果对不上，或者服务商拒绝提供原始数据，就要警惕。另外，检查引用来源是否真实可访问，是否是你主动发布的内容。