AI 可见性能像 SEO 排名那样度量吗：把 42% 当成样本统计量而不是一个坐标

只要你从 SEO 转到 GEO（生成式引擎优化），第一件想做的事几乎一定是：把 AI 可见性做成一张和排名追踪一样的折线图。于是报表里出现一个数字——"AI 可见性 42%"——然后你盯着它每周是涨是跌。

问题在于：这个 42% 和 SEO 里的"排名第 5"根本不是同一类东西。SEO 排名观测的是"某个 URL 在给定条件下、在结果集里的序数位置"——被观测的对象本身相对清晰。而 AI 可见性，通常是从一批生成答案的样本里算出来的聚合量。同一个 prompt 问两遍，答案会变；答案背后的引用来源，变得更多。

2026 年的一批测量研究已经量化了这种波动：逐日、甚至 24 小时内重复同一批 prompt，引用来源集合的相似度只有 0.32~0.43。与此同时，Google、OpenAI、Yandex 的官方文档都表明：这些产品在爬取、检索、答案生成流水线上本来就各不相同。

这对从业者的意义不是"AI 可见性没用"，而是它改变了那个百分比的含义。把 42% 读成一个样本统计量——在给定的一组 prompt、平台和测量规则下，品牌出现在了 42% 的观测答案里——这个数字才有用。要让它持续有用，你需要：方法学保持稳定、重复测量、保留分平台数据而不是藏进一个平均值，并且把可见性和 Share of Voice、答案情感、可归因的 AI 引荐流量、外链曝光、品牌词搜索流量放在一起读。

这篇文章把 Olga Tolmacheva 在 Habr 上那篇 13 分钟的方法学拆清楚，补上底层统计学和一张可复用的度量栈。

---

一、"排名"这个词本身就是问题的起点

SEO 教会了我们把复杂的搜索系统压缩成一个可观测变量：某页面在某个 query 下排第 5，然后第 9，然后第 3。老练的 SEO 都知道排名不是自然规律——地域、设备、搜索特性、索引变化都会影响结果。但被测量的对象足够明确：我们观测的是一份被排序的结果集里，某个文档的序数位置。

AI 搜索换掉的是对象本身。一条生成答案不是"把蓝色链接拿掉之后的 SERP"，而是一条流水线的产物：

        ┌──────────────────────────────────────────────────────┐
        │                一条 AI 答案的生成过程                  │
        └──────────────────────────────────────────────────────┘
   prompt
     │
     ▼
 ┌──────────────┐   ┌──────────────┐   ┌──────────────┐
 │ 查询理解      │──▶│ 搜索激活      │──▶│ 检索 Retrieval│
 │ interpretation│   │ search on/off │   │ (可能 fan-out)│
 └──────────────┘   └──────────────┘   └──────┬───────┘
                                               │
                                               ▼
                                    ┌──────────────────┐
                                    │ 来源选择 + 排序    │
                                    │ source selection  │
                                    └────────┬─────────┘
                                             ▼
                                    ┌──────────────────┐
                                    │ 上下文构建         │
                                    │ context building  │
                                    └────────┬─────────┘
                                             ▼
                                    ┌──────────────────┐
                                    │ 生成 Generation   │
                                    └──────────────────┘

Google 明确说 AI Overviews 和 AI Mode 可能使用 query fan-out——围绕子话题和数据源发出多个相关搜索——并且两者可能使用不同的模型和技术，因此回答和支持链接都可能不同。

设想你问一个 AI 系统："适合小型建筑公司的项目管理工具有哪些？"一个答案可能推荐 6 款产品，另一个推荐 4 款。某个品牌可能第一个被提到，但只有一句话；另一个品牌出现得更晚，却占了半段。还有第三个答案可能把你的公司文档当成事实来源引用，但完全不推荐你的公司。

你当然可以定义"平均推荐位置"并追踪它——但你创造的是一个分析约定，而不是发现了 Google 排名的一个精确对应物。这一点其实在 GEO 的原始论文里就已经隐含了：Aggarwal 等人在 2023 年首发、2024 年被 KDD 接收的 GEO 论文，并没有把生成式可见性简化为单一排名——他们提出的是一套在生成答案内部定义和优化可见性的框架，以及评估它的 benchmark。实验显示，内容干预可以改变测量到的可见性，某些情况下高达 40%。

把两者的差别摆成一张表：

维度	SEO 排名追踪	AI 可见性追踪
基本观测对象	URL 在一个序数位置	生成回答里的品牌 / 域名 / 来源
自然单位	query × SERP × time	prompt × platform × run × time
典型头部指标	rank、进入前列比例、搜索可见度	mention rate、citation prevalence、Share of Voice
主要统计问题	SERP 与测量条件变化	检索变化 + 随机生成 + 有限样本不确定性

最后一行很关键，因为它挡住了一个同样误导的反向论断：SEO 也并非完全确定，AI 搜索也不是纯粹随机。真正的实践差别是——重复生成引入了一个额外的变异来源，而通常被叫做"AI 可见性"的指标，本身就已经是对大量答案的聚合。

Sielinski 2026 年的论文把这一点讲得很清楚：系统级随机性（system-level stochasticity） 是答案引擎自身产生的波动，而测量不确定性（measurement uncertainty） 来自"用有限样本去估计一个潜在比率"。两者共同贡献了仪表盘上那个百分比。

---

二、同一个问题问两遍会发生什么：实证证据

对从业者最有用的证据，来自那些单纯把测量重复一遍的研究。

《Don't Measure Once》 针对 4 个 AI 搜索引擎、4 个商业垂直领域，连续采集约 45 天，每个 campaign 用 8 个 prompt，测试 ChatGPT、Gemini、Google AI Mode 和 Perplexity，并同时比较被引用的来源和正文里被提到的品牌：

• 在超过 4,000 次连续日的来源对比中，被引来源集合的平均 Jaccard 相似度只有 0.34~0.42（视 campaign 而定）。Jaccard 0.35 的含义是：两次观测的并集里，只有约 35% 的来源同时出现了。
• 品牌提及比引用更稳定，但仍远非固定：在通过品牌检测质量阈值的三个垂直领域里，逐日品牌 Jaccard 平均 0.45~0.59。

逐日变化可以怪"有新页面、索引更新、平台改版"，所以作者又在24 小时窗口内把同一批 prompt 重复最多 10 次。这才是对任何做 AI 可见性仪表盘的人最有意思的结果：来源集合的平均相似度仍只有 0.32~0.43；品牌相似度约为 0.33~0.48。作者的结论是——相当一部分观察到的不稳定，无法仅用"网页一夜之间变了"来解释；时间窗口被压缩后，波动依然存在。

研究当然有边界：它覆盖的是瑞士德语区的 4 个商业垂直、有限的 prompt 集合、以及 2026 年某个时点的 4 个产品。它不能证明每个行业每种语言波动都一样大；但它能证明：单次答案不足以把可见性当成一个固定量。

另一篇 《Quantifying Uncertainty in AI Visibility》 从统计学方向切入，研究 Perplexity Search、OpenAI SearchGPT 和 Gemini，用重复采样（包括每日采集和 10 分钟采样）。它不只是问"答案是否不同"，而是问"由此得到的可见性估计有多不确定"：

• 在研究对象的数据里，SearchGPT 引用份额（citation share）估计的置信区间宽度常见约为 5~7 个百分点；
• 域名之间看似存在的差异，可能落在测量噪声里。

因此论文主张：引用可见性应作为带不确定性的估计来报告，而不是一个精确到小数点后一位的点值。这是预印本、不是既定的行业标准，范围也比整个 AI 搜索窄；但它的统计论证很直白：如果你采样的过程本身就是变的，那么有限样本就该携带对这种变异的估计。

这也解释了一个真实报表里常见、却让人挠头的现象：某品牌的 ChatGPT 可见性在一个月内基本没动，然后大约一个半月后突然跳涨 20~30 个百分点。这个观测在有限意义上是真的（第二批量答案确实有更多提及），但你无法仅凭这两次测量推断原因：品牌存在感可能真的变强了；系统可用的来源组合可能变了；平台可能改版了；竞品可能移动了；或者，一部分差异只是在两个不同时刻采样一个随机响应过程的结果。

正确的比较不是"30% 对 55%，所以我们的工作加了 25 个点"，而是：

"30% 对 55%；第二个值是否超出了我们在可比条件下通常观测到的范围，以及这个位移是否持续？"

样本设计因此和百分比本身同样重要。 想象你测了 20 个 prompt、各跑一次，8 次提及 → 40% 可见性。再想象你测了 200 个按意图分组的 prompt、带重复运行、平台配置稳定——仪表盘可能同样显示 40%，但证据权重天差地别。

那篇 2026 年的大规模生产数据论文从另一个角度支持了这点：它把观测存储在 (brand, prompt, platform, run) 元组级别，并分别报告 mention visibility、position、sentiment 和 Share of Voice——因为这些信号的行为方式不同。它的数据集包含超过 100 个品牌的 10 万+ 条 prompt 响应，并发现在其数据里情感（sentiment）的稳定性远低于"是否被提及"这个二元事实。这个发现不该被当成普适常数（它是基于单一平台生产数据的预印本），但它是一个有用的警示：别把提及、位置和语气塞进一个不透明的单一分数。

---

三、为什么一个平台有、另一个平台没有

客户最常问的问题很朴素："为什么我们在 ChatGPT 里有，在另一个模型里没有？"

在回答前先纠正一个词：实践中，我们比较的通常是产品/答案系统，而不只是基础模型。用户看到的东西由一整条栈产生：

 爬虫 Crawler ──▶ 索引/第三方搜索源 ──▶ 检索 Retrieval ──▶ 排序/重排 Rerank
                                                     │
                                                     ▼
                              语言模型 LLM ──▶ 产品规则（何时触发联网）

两个产品可以用着同样优秀的模型，却暴露不同的品牌——因为到达那些模型的信息本身不同。 主流平台的官方文档已经把这种差异摆到台面上（尽管没人公布完整排序逻辑）：

平台	官方口径要点
Google	页面必须已被索引、且在常规 Google 搜索里有资格带 snippet，才有资格成为 AI Overviews / AI Mode 的支持链接；这两个产品可能发出多个相关搜索、可能用不同模型和技术，因此答案与链接集可能不同
Yandex	Search with Alice 是一个序列：算法找到匹配 query 的内容 → 神经网络分析内容并选出相关片段 → 系统把它们编译成带来源链接的答案；所用的页面来自 Yandex 索引；官方还明确说 Alice 每次都基于当前搜索结果生成新答案，同一 query 在不同时刻答案与来源都可能不同
OpenAI	发布者 FAQ 说任何公开网站都可以出现在 ChatGPT 搜索里，并建议允许 OAI-SearchBot，以便内容被发现、呈现和引用；OpenAI 还给来自 ChatGPT 搜索的引荐 URL 加上 utm_source=chatgpt.com，让部分下游访问可测量

关键一句：允许爬虫是"资格条件"，不是"保证被选中"。

一旦用整条流水线来思考，跨平台的分歧就不再神秘：一个页面对 Google 可用，却可能在另一个系统的检索层里呈现很差；两个系统能检索到同一个页面，却给它不同的重要性；它们可能检索到关于同一家公司的不同第三方评测；它们可能都有足够证据谈论这个品牌，但一个答案给了 6 条推荐，另一个只给 4 条就停。

而且——来源身份和品牌身份不是同一种测量：一个系统可能引用了一篇讨论你公司的文章，却不链接你的域名；也可能提到了你的品牌，引用的却是发布者、电商或竞品对比页。

所以当面对"ChatGPT 有、别处没有"时，正确的第一步不是"去把第二个模型里的分数刷上去"，而是先定位差异从流水线哪一层进入：

• 品牌在通用发现类 prompt 里缺席，但在显式点名时出现？
• 是自家站点被引用，还是第三方出版物在代劳？
• 差异是否只局限在某一个意图簇？
• 竞品是否也表现出同样差异？
• 这个差距能否在重复测量下存活？

只有走完这些，才谈得上判断这是内容问题、可发现性问题、来源生态问题，还是仅仅正常的平台分歧。

---

四、比单一"可见性数字"更有用的度量栈

在实践里，AI 可见性应作为一组信号中的一环来追踪，而非孤立的一个数字：

┌────────────────────────────────────────────────────────────────┐
│                     AI 可见性度量栈                              │
├────────────────────────────────────────────────────────────────┤
│ ① 推广 prompt 集上的可见性   —— 出现在多少条观测答案里            │
│ ② Share of Voice            —— 相对竞品的份额（40% vs 竞品 75%）  │
│ ③ 答案情感 sendiment        —— 单独追踪，不混进可见性分数          │
│ ④ 可归因 AI 引荐流量          —— 仅记录技术可归因的访问            │
│ ⑤ 外链曝光 / 阅读            —— 信息触达了受众，但不证明 AI 消费了  │
│ ⑥ 品牌词自然流量             —— 受所有其他渠道影响，不能只归给 AI  │
└────────────────────────────────────────────────────────────────┘

为什么要合起来看？ 不是因为每个都能证明 GEO 的因果效果——恰恰相反，每一个都有不同的盲区：

• prompt 可见性依赖你的 prompt 样本；
• Share of Voice 依赖你如何定义竞品、如何计数提及；
• 情感依赖分类器，且在提及状态稳定时也可能波动；
• 引荐流量只记录能被技术上归因的访问；
• 外链曝光只告诉你信息有受众，不证明某个 AI 系统消费了它；
• 品牌词流量被所有其他营销渠道影响，涨了不能简单记到 ChatGPT 头上。

把它们当成一个度量栈来用，价值在于：几个不完美的信号能告诉你，某个变化是只局限在一个仪表盘指标，还是伴随了别处的变化。 "伴随"这个词很重要——没有实验设计，跨指标的相关性依然不建立因果。

流量层尤其要小心。 Ahrefs 在 2025 年检查了一个 3,000 个网站的匿名样本，发现 63% 至少收到过一次可归因于 AI 聊天机器人的访问，而在这份数据里 AI 引荐只占平均站点流量的一小部分。对测量更重要的是：研究者证明，一些来自 AI 产品的访问会在分析工具里显示为 "Direct"（因为 referrer 信息没被传递）——在他们的小规模人工检查里，Copilot、Mistral、Jasper 的访问就以这种方式出现。这是商业行业研究、非同行评审，且自 2025 年初以来产品格局已变，所以其平台份额不该当成当下市场常数；但归因局限依然成立：AI 引荐报告里没有，不等于没有 AI 影响。

这套栈也让你能给头部数字一个更干净的定义。如果报表写着"AI 可见性：42%"，我希望方法学说清楚它意味着：

在所述平台与测量条件下，在所选的监测周期内，品牌出现在监测 prompt 集的 42% 的观测答案里。

Sielinski 的统计框架在这里很有用——它把这个 42% 当作对某个底层响应分布的估计。Yandex 在其 Webmaster 产品里独立采用了概念上类似的频率法：Alice AI Share of Voice = 在 Alice 给出了答案的 query 中，出现站点提及的相关 query 所占比例。实现不同，但两者都基于"观测到的出现频率"，而不是一个虚构的、普适的"AI 排名"。

一个可运行的小工具，用来把"重复测量"落到实处——计算两次观测的 Jaccard 相似度，并用 bootstrap 给可见性比率一个粗糙的置信区间：

from random import Random

def jaccard(a, b):
    """两次观测来源集合的重合度，落在 [0,1]"""
    a, b = set(a), set(b)
    return len(a & b) / len(a | b) if (a | b) else 0.0

def bootstrap_ci(mentions, n_boot=2000, alpha=0.05, seed=42):
    """mentions: 0/1 列表，1=该次观测提到了品牌。
    返回 (point, lo, hi) —— 用 bootstrap 给'提及率'一个置信区间。"""
    rng = Random(seed)
    n = len(mentions)
    point = sum(mentions) / n
    means = sorted(
        sum(rng.choice(mentions) for _ in range(n)) / n
        for _ in range(n_boot)
    )
    lo = means[int((alpha / 2) * n_boot)]
    hi = means[int((1 - alpha / 2) * n_boot) - 1]
    return point, lo, hi


# 例：同一批 prompt 在 ChatGPT 上重复跑 30 次，12 次提到品牌
obs_a = ["a.com", "b.com", "c.com"]
obs_b = ["a.com", "b.com", "d.com"]
print("Jaccard 相似度:", round(jaccard(obs_a, obs_b), 2))   # -> 0.5

mentions = [1] * 12 + [0] * 18
p, lo, hi = bootstrap_ci(mentions)
print(f"提及率 {p:.0%}  95% CI [{lo:.0%}, {hi:.0%}]")       # -> 40% CI [23%, 57%]

注意那个区间：40% 的提及率，95% 置信区间可能横跨 [23%, 57%]——也就是说，如果下个月你看到 50%，它可能根本没超出正常波动。这正是为什么"持久性"应当成为"有意义变化"的定义的一部分。

---

五、怎么读一次 20–30 个百分点的跳变

假设你打开月度报表：可见性从 31% 跳到 55%。有意思的不是那个 24 个百分点的差值——任何表格软件都能算。

分析工作从**"这两个数是否可比"**开始：

1. 方法学是否未变：prompt 集、意图分布、品牌别名、语言、地域、平台定义是否保持一致？
2. 先分平台，再聚合：Google 自己的文档都确认 AI Mode 与 AI Overviews 可能在模型、技术、答案与链接上不同；
3. 看底层运行：是一大批 prompt 一起动了，还是某个类别里的 10 个 prompt 突然变了？
4. 竞品是否同时移动？来源是否变化？
5. 最关键：更高的水平能否在接下来的观测中存活？ 重复测量研究给了充分理由——把"持久"写进"有意义变化"的定义里，而不是等结论写好之后再去核对。

这正是 GEO 报表可以向科学测量借鉴、而不是向经典排名追踪借鉴的地方。你不需要把客户报表写成统计论文、也不需要给每个幻灯片附一个 bootstrap 分布；但你需要把信号和界面提供的"精度"区分开：

• 系统显示 47.6%，并不证明底层现象已知到十分之一百分点；
• 数据够多时，置信区间或重复运行区间更好；
• 项目较小时，哪怕只展示重复观测的 min / max / 平均值，也比假装某一次运行是"标准答案"更有信息量。

同样的纪律也用在归因上。如果一次新的内容发布活动后可见性上升，诚实的说法是：

"在活动之后可见性上升了；该变化在多次测量中持续；Share of Voice 也改善了；新发布内容开始出现在被引用或相关的外部来源中；品牌词需求在同一时期移动。"

这比"这些文章带来了 24 点的 GEO 提升"强得多——但它仍然是观察性证据，除非该活动带着一个有意义的对照组来设计。奠基性的 GEO 研究确实在其 benchmark 内做了受控内容干预，并显示来源修改能改变那个环境里测量到的可见性；而 2026 年的 《GEO at Scale》 论文则明确把它的生产观测与因果证据区分开，并提出用于测试干预的后续协议。在一个仪表盘商业化速度快于测量标准稳定的领域，把这两层证据分开很重要。

---

六、小结

回到那个问题：AI 可见性能像 SEO 排名那样度量吗？

我认为 SEO 传统里有用的部分依然存活：定义你的 query 宇宙、控制测量条件、对比竞品、把序列随时间跟下去。不该存活的部分是那个假设——每一个百分比都是一个稳定的坐标，等着从系统里读出来。

AI 可见性更接近于：估计一个品牌在一个指定群体的生成答案中出现的频率。一旦这样理解，那些尴尬的实践问题就都好回答了：

• 一个品牌在这个产品里有、那个产品里没有——因为产品的发现与检索流水线不同；
• 一次 20~30 个百分点的跳变可能是有意义的——但只有在你确认它超出常规波动且能持续之后；
• 一份引荐报告可能漏掉一部分 AI 驱动的发现；
• 情感可能和提及频率走出不同的走势。

这些局限都不会让测量失去意义——它们只是告诉你：你实际在做的是哪一种测量。

相关阅读可以对照站内的 Agentic RAG 架构（检索层如何决定被引用什么）和 AI Agent 可观测性（如何为不确定的系统建立测量与评估）。

---

参考资料

• Can AI Visibility Be Measured Like SEO Positions? — Olga Tolmacheva, Habr（2026-10-12）
• GEO: Generative Engine Optimization — Aggarwal et al., KDD 2024（arXiv:2311.09735）
• Google Search Central — AI Features and Your Website
• OpenAI — Publisher FAQ（ChatGPT search / OAI-SearchBot）
• Yandex Webmaster — Alice AI Share of Voice
• Ahrefs — 关于 AI 引荐流量的研究（2025）
• 站内相关：Agentic RAG 架构、AI Agent 可观测性