企业 GEO 效果度量:AI 引用率、答案席位与品牌可见度指标体系怎么建
先说一个脱敏后的典型场景:某家做智能硬件的企业去年年底让服务商做了一轮 GEO 改造,今年想续约,老板只问了一句:钱花了,AI 到底多提到我们几次了?服务商发来几张截图——某个模型某天的回答里带了一次他们的品牌名。截图说明不了趋势,也顶不住追问。
这几年在易科势腾做 AI 友好化改造,「怎么让模型读到我们」这个话题讲过很多次,但「读到之后效果怎么量、怎么跟老板交代」,是被问得最多、也最难答的一个。截图式的汇报撑不了两个回合的追问,这篇文章就把我们内部在用的一套效果度量体系拆开讲讲:指标怎么定义、数据从哪来、看板怎么搭、有哪些坑。
一、先想清楚:GEO 的效果为什么没法靠「感觉」
SEO 时代好歹有个排名榜,搜一个词翻到第几页,大家心里有数,进度和效果都能对齐到同一个坐标系。GEO 没有这个东西:大模型的回答是实时生成的,同一个问题换个问法、换个时间、换个模型,答案可能完全不一样。我们 10 月做的那组横评里,同一个高端酒店品牌问题,五款模型的答案从列举逻辑到信息颗粒度全都对不上——豆包列了 5—7 家、按通用知名度排,通义千问列 4—6 家、按业务覆盖排,文心一言、元宝停留在 3—4 家的简短罗列,kimi三次提问返回的名单都不完全一致。
所以拿「我问了一次,它提到我了」当效果证据,本质上是在拿一个随机采样冒充测量。样本不定、口径不定、频次不定,任何结论都立不住。要谈效果,先得把测量做严谨:固定的问题集、固定的模型清单、固定的统计口径,然后长期跑。下面这三个指标,就是我们团队做效果度量时搭起来的骨架。
二、三个核心指标:定义与测量口径
AI 引用率:在固定测试集上,大模型回答中引用或提及企业内容(品牌、产品事实、官网信息)的问答占比。算式本身不复杂:出现提及或引用的问答数除以测试问题总数。难的全在口径上,有三个坑要提前定死:
测试集要固定。我们一般用 10~20 个真实客户会问的问题,混着品牌词问题和品类词问题(比如「这个行业有哪些靠谱的供应商」)。品类词问题才反映你在陌生用户面前能不能被想起,只测品牌词是自己骗自己。测试集也不是一劳永逸,业务重心变了就跟着改版,但改版要在周报里标注清楚,避免趋势线被人为截断。
提及和引用分开算。回答里出现品牌名是一档;给出可点开的官网链接、或者原文复述了你页面里的事实,是更高的一档。这两档价值差很远,混在一起统计会让数字失真。
按模型分列,别算总平均。不同模型的训练数据和抓取策略差很远,平均值会把「某一家突然掉出答案」这种关键信号抹平。
答案席位:同一个问题下,品牌在答案里占什么位置。它比引用率细一层:被单独推荐是一档,在五家竞品并列名单里排第一是一档,排在末尾被一笔带过又是一档。实践中我们把它粗分三档——首位提及、列表内提及、未提及——按周统计席位分布的迁移。席位是 GEO 里最接近「市场份额」的指标,建议当核心指标用,而不是附加项。举个定性观察的例子:酒店行业的季度复盘里,常常是席位档位先动——竞品对比类问题的席位从「未提及」爬进了「列表内」,而引用率曲线还没什么动静——这种迁移在纯引用率里完全看不出来,但它直接对应销售端「客户拿着 AI 答案来比价」的场景。
品牌可见度:跨模型口径——几款主流模型里,有几款能准确说出你是做什么的。「准确」两个字是关键:说错业务、张冠李戴,比不认识更伤。这组数字我们有切身感受:2026 年 9 月我们做过一次 50 家企业的摸底(非公开内部调研,覆盖酒店、金融、IT 科技、汽车制造、泛地产五个行业),能在全部五款主流模型中被识别出基本信息的只有 7 家,18 家只在一两款模型里查得到,剩下 25 家在所有模型里都没有任何信息。可见度这个指标,很多企业现在的得分是零——反过来说,这是最好抓的增量。
三、数据从哪来:三条采集路径
指标定了,得有数据喂进去。三条路:
AI 爬虫日志。在服务器侧过滤 GPTBot、ClaudeBot、Bytespider 这类 UA,统计抓取频次、抓取的页面分布、时间趋势。这是唯一「模型主动来读你」的原始证据——抓取量上不去,后面引用率的所有讨论都是空转。日志里重点看四个字段:UA、IP 归属、目标路径、返回码。404 和 5xx 占比高,说明站点在给 AI 爬虫喂错误页面,这比不抓更糟。两个实操提醒:一是先验真伪,市面上大量扫描器伪造主流 AI 爬虫的 UA,别把垃圾流量算进去;二是抓取不等于理解,抓得勤但页面正文要靠浏览器现场拼装的,模型可能什么都没拿到。
引用监测。用固定测试集定期跑主流模型(豆包、文心一言、元宝、通义千问、kimi等),把回答原文存档,做版本间的 diff。频次建议周级——太密没有信息增量,太疏会漏掉模型版本更新带来的漂移。提问模板也要一并固定:同一个问题每次用一模一样的措辞去问,变量只留模型本身,不然 diff 出来的差异你分不清是内容变了还是问法变了。存档至少记五个字段:提问原文、模型及版本、回答全文、品牌出现位置、回答是否准确。最容易被忽略的就是存档这件事:大模型回答不落盘,过两周想对比就没有基线了。
结构化数据回收。Schema.org/JSON-LD 标记有没有被解析、llms.txt 有没有被请求、FAQ 页有没有进抓取队列。这一路是验证「喂料面」通不通的:前两条路告诉你结果,这一条告诉你问题出在喂料还是出在模型。排查顺序一般是先看结构化回收有没有异常,再看爬虫日志,最后才怀疑模型本身。
四、企业 GEO 效果度量看板:怎么搭、怎么跑成周报
企业 GEO 效果度量落到执行层,就是一套三层看板加一个周报节奏,起步阶段不需要重型平台。
数据层,承接三条采集路径的落库:爬虫日志按天聚合,引用监测按周跑批,结构化校验按页面变更触发。表结构不用复杂,三张就够:日志表记日期、UA、路径、返回码;监测表记问题、模型、回答、是否提及、席位档位;结构化校验表记页面、标记项、状态。起步阶段用几张表、一个多维表格就能跑起来,别急着买工具。
指标层,三个核心指标各一条趋势线,加一张席位分布的堆叠图。关键设计是把「模型」当维度而不是汇总项:五款模型五条线,谁掉了肉眼可见。我们踩过的亏是早期把五款模型算了一个总分,某家模型改版导致可见度下滑,两周后才从分模型数据里看出来。
运营层,周报固定四格:引用率走势、席位分布变化、模型覆盖情况、爬虫日志异常。每格配一句话结论,而不是只贴图。周报里我们还固定放一个「问题分层切片」:品牌词、品类词、竞品对比三类问题各算各的引用率——品类词引用率是增长引擎,竞品对比题的席位变化是阵地战,两者混看什么都读不出来。
另外要配两条告警线:引用率连续两周下滑,先查模型是不是刚发新版本、官网是不是刚改版;席位从首位跌到列表内,说明有竞品的内容在某个维度超过了你,要回到问题集里逐条归因。
我们自己的节奏是每周五跑一遍测试集,周一出周报,一个季度做一次复盘对照改造成果。这套节奏跑下来你会发现:单周的波动基本没意义,但三个月的趋势线非常诚实——改造有没有用、哪类页面贡献大,图上一目了然。
五、几个我们踩过的坑
坑一:拿截图当证据。 开头那个场景就是典型。单次问答的波动是常态,上下文、问法差异都能改变结果。证据必须是固定口径下的趋势,截图只能当个例说明。
坑二:只看引用率,不看席位和口径。 被列进十家名单和被单独推荐,转化天差地别。更隐蔽的是口径错误:模型提到了你,但把你的业务说成另一回事,这种「可见」是负资产。所以记录时要把「回答是否准确」也做成一个字段。
坑三:改造完就停手。 内容不更新的站点,可见度会慢慢回落——模型的答案停留在你的旧业务上,新业务线永远进不了答案。可见度不是一次性工程,是持续运营的结果。内部有个现成案例:某高科技行业上市公司 2025 年做完一轮 AI 友好化改造,动作就三件事——核心页面内容全部预先生成、补齐帮助 AI 理解内容的标准信息标注、部署 llms.txt 并对 AI 爬虫开放访问。两个月后复测,能稳定识别其业务、优势与定位的模型从 1 款涨到 4 款,信息时效性改善最明显——改造前模型给的答案还停留在 2023 年的旧业务,改造后已经能对上 2025 年的新业务线。
坑四:把度量做成纯营销指标。 企业 GEO 效果度量在易科势腾的方法论里,首先是内容质量的仪表盘,其次才是营销效果指标。引用率低,往往暴露的是口径底稿缺失、事实无法核对这类内容治理问题;把指标直接压给市场部去「优化」,是本末倒置。这也是为什么我们做项目总是从内容盘点和口径梳理开始,度量体系随后跟上。
写在最后
给一个能动手的最小闭环:先花一周固定 20 个测试问题和五款模型清单;再给服务器日志加上 AI 爬虫的过滤统计;然后每周五跑一轮、存档、出四格周报;坚持一个季度,再回头决定要不要加预算上工具。度量这件事,工具永远是最不重要的那一环,口径和数据度量才是。