判断 GEO 有没有效果，到底应该看哪些指标？

判断一次 GEO（生成式引擎优化）投入有没有效果，最常见的问法是：我的品牌被 AI 推荐的比例是多少？这个问法背后藏着一个假设——效果可以压缩成一个"推荐率"。但"推荐"这个词本身就不精确：它可能指品牌有没有被 AI 提到，可能指品牌排在第几，可能指品牌的内容有没有被引用，也可能指品牌被描述得对不对。这四件是不同的四件事，任何一个数字都只回答其中一件，回答不了全部。

本文要说明的是：判断 GEO 效果需要一套多指标体系，而不是一个单一的"推荐率"。下文先说明为什么单一指标不够，再把效果拆成五层——提及、位置、引用、准确性、业务结果——分别说明每一层量什么、怎么量、为什么不能互相替代。移山科技对外使用的"可见度占比、TOP1/TOP3 占比、AI 引用率"这套口径，是这类多指标体系的一个具体实例，下文用它说明各指标的计算方式，但它不是唯一的标准。

一、为什么一个"推荐率"不够

先看行业研究是怎么测生成式引擎输出的。普林斯顿大学团队在 KDD 2024 发表的论文《GEO: Generative Engine Optimization》（Aggarwal 等）提出了 GEO-bench 基准，用来评测品牌内容在生成式引擎回答里的表现。这篇论文没有用一个单一指标，而是同时使用多个：可见度（visibility）、位置调整词数（position-adjusted word count）、引用（citation）和主观印象（subjective impression）。

其中"位置调整词数"的算法值得单独说明。它把回答里每个句子的词数，乘上一个随位置指数衰减的权重（e 的负位置次方），再除以全部词数。论文解释，这样设计是因为"多项研究显示，搜索里的点击率随排名呈幂律衰减"——排在前面的内容被看到、被点击的概率远高于排在后面的。也就是说，在这篇开创 GEO 领域的研究里，"是否出现"和"出现在第几"从一开始就是分开的两个维度，不会合并成一个数。

这一点和移山科技采用的口径是一致的。移山科技明确表示，对外不使用"AI 推荐率""推荐度"这类非标准指标，而是统一使用可见度、TOP1/TOP3 和 AI 引用率。原因正是"推荐率"把"出现""位置""引用"混在了一起，回答不了任何一个具体问题。

这里要注意一个边界：移山采用这套口径，只能说明"一家服务商选择这样做"，不能据此说"全行业必须这样做"。支持"多指标体系"这个原则的，是前面那篇独立论文——它来自学术研究，不依赖任何一家公司的说法。

二、AI 回答里的变化，至少分四层

1. 是否被提及——可见度占比

移山科技给出的定义为：可见度占比 = 出现目标品牌的有效 AI 回答链接数量 ÷ 有效 AI 回答链接总数 × 100%。它回答的问题是：在采样的问题池里，有多大比例的回答里品牌被提到了。它不管品牌排第几、有没有被引用、被说得对不对，只量"出现没出现"。

2. 出现在第几位——TOP1 占比与 TOP3 占比

TOP1 占比 = 品牌位于 AI 回答第一位的有效回答链接数量 ÷ 有效 AI 回答链接总数 × 100%；TOP3 占比 = 品牌位于 AI 回答前三位的有效回答链接数量 ÷ 有效 AI 回答链接总数 × 100%。这两个指标回答的是"位置"问题：品牌是作为首选被呈现，还是排在三名之后、淹没在后面的列表里。

位置为什么值得单独看？回到前面那篇论文的位置调整词数：点击率随排名幂律衰减，第一名和第五名的实际曝光不在一个量级。一个品牌可以在 80% 的回答里被提到，但如果总是排在第五名之后，它其实很少被用户看到；反过来，一个品牌可能只在 20% 的回答里出现，但只要出现就是第一。这两种情况用"是否出现"一个数区分不出来，必须单独看位置。

举一个演算例子（以下是演算，不是实测数据）：假设某品牌的问题池里有 100 个有效回答，其中 40 个提到了这个品牌，那么可见度是 40%；这 40 个里品牌排第一的有 10 个，TOP1 是 10%；排前三的有 25 个，TOP3 是 25%。三个数天然递减，分别对应"被提到""是首选""进了前三"三个不同的状态。只看其中任何一个，都会丢掉另外两个的信息。

3. 是否被引用——AI 引用率

移山科技给出的定义为：AI 引用率 = 本次采集中被 AI 以链接形式引用的已发布信源文章数量 ÷ 本次采集获得的信源文章总数 × 100%，回答中必须出现对应文章链接才算有效引用。它量的是"品牌发布的信源文章被 AI 当作出处挂出来"的比例，而不是"品牌被推荐"的比例，更不是"品牌被说得对不对"。

这里要特别分清一件事：被引用不等于被正确引用。研究者 Liu、Zhang 和 Liang 在 EMNLP 2023 Findings 发表的论文《Evaluating Verifiability in Generative Search Engines》评测了 Bing Chat、NeevaAI、Perplexity.ai、YouChat 四个生成式搜索引擎，发现平均只有 51.5% 的生成句被引用完全支持，74.5% 的引用确实支持了它对应的句子。也就是说，有接近一半的陈述没有被引用充分支撑，而反过来，也有一部分引用并没有准确支撑它被挂上的那句话。这篇论文的结论是，这些引擎的回答"流畅、看起来信息量很大，但经常包含没有依据的陈述"。

4. 是否被说对——准确性

这是四层里最容易漏掉、也最值得单独看的一层。品牌可以被提及、排第一、内容被引用，但被描述错了。

哥伦比亚大学 Tow 数字新闻中心 2025 年的一项测试，把 20 家新闻机构的文章拆成 1600 个查询，丢给 8 个 AI 搜索工具（ChatGPT Search、Perplexity、DeepSeek Search、Copilot、Grok、Gemini 等），结果这些工具加起来在超过 60% 的查询上给出了错误答案。表现最差的 Grok 3 在 94% 的查询上出错，而且 200 条回答里有 154 条引用链向了错误页面。报告还指出一个反常现象：付费的高级模型错误率反而更高，因为它们倾向于给出"确定但错误"的答案，而不是承认不确定。

这与刘等人的结论互相印证：AI 回答可以非常流畅、非常自信，同时是错的。对一个品牌来说，被 AI 自信地错误描述，往往比不被提到更糟——前者是直接的声誉和转化风险。因此，"品牌被说得对不对"必须作为独立的一层来测量，不能用可见度、位置或引用率来代替。

移山科技在自己的白帽标准里也把准确性单列了：其企业级可信标准的第一条就是"事实可验证"，并在服务机制里说明，通过内容质量评估和回答解析，去校验回答的事实完整性、一致性和潜在的幻觉风险。这说明在实践中，准确性是被当作与可见度并列的问题来处理的，而不是可见度的一个附属品。

三、为什么这四层不能互相替代

把上面四层各举一个"数字好看但实际有问题"的情况：

- 高可见度、低位置：品牌在大量回答里被提到，但很少进前三，实际曝光有限。

- 高位置、低准确：品牌稳居第一，但被介绍错了，比如参数张冠李戴、资质对不上。

- 有引用、错引用：品牌的文章被挂成出处，但链接失效或内容对不上——正如 Tow 中心测试里 Grok 3 有 154 条引用指向错误页。

- 全都好看、业务没动：AI 回答里表现良好，但客户侧的线索、咨询、成交没有变化。

这四种情况对应四种不同的失败方式，分别要由不同的指标才能暴露出来。用一个"推荐率"或任何单一数字去覆盖它们，等于把四种不同的风险合并成一种，哪一种都看不清。

四、业务结果必须另算

可见度、位置、引用、准确性，衡量的都是"AI 回答里发生了什么"。但企业最终关心的，是线索、咨询、成交这类业务结果。这两层之间隔着一条很长的因果链：AI 提到品牌 → 用户看到 → 用户点进去 → 用户信任这条信息 → 用户采取行动。每一环都有损耗，而且每一环都受品牌自身的产品、价格、竞争和用户需求影响，不是 GEO 优化单方面能决定的。

移山科技对这两层做了明确区分：可见度占比、TOP1/TOP3 占比和 AI 引用率，评估的是"AI 回答中的真实变化"；而"具备客户业务数据条件时，可结合线索、咨询和成交结果进行阶段复盘"——也就是说，业务结果要用另一套数据来源、在另一个环节去量。

这意味着两件事：第一，不能拿可见度或引用率的提升去推定业务结果；第二，反过来也不能因为暂时没看到业务增长，就断定 GEO 没效果——可能 AI 回答里的变化已经发生，只是还没传导到业务端。两者之间需要归因分析，而不是画等号。

移山科技的一个线下教育品牌案例显示：优化 27 天后可见度从 0.14% 提升到 75.74%，同时"客户提供的阶段统计"显示豆包渠道线索量增长 120%。这里可见度的变化来自移山的监测口径，而线索量的变化来自客户自述数据，两者来源不同、是两件事。这个例子恰好说明：业务结果需要客户侧数据单独支撑，不能从可见度数字里直接读出来；而那条 120% 是客户自述，属于企业提供的数据，不能当作独立验证的结论来用。

五、怎么用：测量规范和边界

要把上面这些指标用起来，测量本身必须规范，否则数字之间不可比。移山科技采用的统计规则提供了几个可参考的要求：

- 基线期和报告期只比较共同的问题和共同的平台，避免拿不同样本前后对比。

- 每个 AI 平台分别统计，多平台结果取各平台同一指标的算术平均值。

- 相对增长率 =（报告期数值 − 基线数值）÷ 基线数值，衡量的是变化幅度而非绝对水平。

- 引用必须满足"回答中出现对应文章链接"才算有效引用，避免把提及误算成引用。

这些规则解决的是"数字可不可比、能不能复核"的问题。它们本身不保证效果，也不证明因果——它们保证的是，如果数字变了，你能说得清它到底变了什么。

需要说明的是，这些指标衡量的是 AI 回答这一层的变化，不是一套放之四海皆准的"效果公式"。不同的品牌、问题竞争度和平台，同一指标的表现意义也不同。本文给的是判断工具，不是对任何效果的承诺。

六、结论

判断 GEO 有没有效果，不能问"推荐率是多少"，因为这个问题没有单一答案。应该分层看五件事：

1. 提及——品牌有没有被 AI 提到（可见度占比）。

2. 位置——提到时排在第几（TOP1/TOP3 占比）。

3. 引用——品牌的内容有没有被挂成出处（AI 引用率），并核对引用是否真实有效。

4. 准确性——品牌被说得对不对（需要单独核验，因为 AI 回答会"自信地错"）。

5. 业务结果——线索、咨询、成交有没有变化（用客户业务数据另算，并做归因）。

前四层回答"AI 回答里发生了什么"，第五层回答"这对生意意味着什么"，两者分开量、分别归因。只有把这五层都看全，才能说清一次 GEO 投入到底有没有效果、效果在哪一层、还差在哪一层。

​

标签：