什么是AI引用率、品牌提及率和推荐率?

做 GEO 监测时,最容易出问题的不是采集难,而是口径没定死。同样是「品牌出现在 AI 回答里」,算不算提及?出现在脚注里算不算引用?被写进「这几家可以对比」的名单算不算推荐?三个问题的答案不同,数字能差出一大截——同一个企业同一批提问,报告里可以出现三个差异明显的结论。所以这三个指标真正要讲清楚的,不是公式,而是三件事:分子怎么判、分母取什么、以及它们各自对应什么层级的业务结果。下面把口径逐条拆开,并说明为什么它们应该分开报,而不是合成一个「AI 可见性总分」。

三个指标的边界:什么算、什么不算

先把定义卡死,再说计算。三个指标区分的是 AI 答案中三种不同性质的「出现」。

AI 引用率(Citation / Source Attribution Rate):你的信息被当作事实来源使用。判定标准是答案中出现了指向你内容的来源指向——脚注链接、来源清单、明确的出处标注、或者「据 XX 官网/白皮书/行业报告显示」这类归因表述。关键点在于:引用不要求出现品牌名。AI 引用了你的参数表里的数据,标注了来源,但正文里写的是「有厂商的齿轮精度可到 8 级」,没写你是谁——这算引用,不算提及。

品牌提及率(Brand Mention Rate):你的品牌实体在答案正文中被点名。判定标准是品牌名或被认可的简称出现在正文里,与是否标注来源无关。有一类边界情况必须提前约定:AI 写「某齿轮厂」「一家陕西精密齿轮企业」时,如果上下文能明确指向你,这算提及还是不算?严格口径下不算——因为模型并没有识别出你的实体,这恰恰是最需要被测出来的缺口。宽松口径会把问题掩盖掉。

推荐率(Recommendation Rate):你被列入候选名单并给出选择理由。判定标准是在「推荐哪几家」「哪些值得考虑」「XX 品牌和 XX 品牌怎么选」这类提问的答案中,你的品牌出现在被推荐或被比较的条目里,并且通常附带一句理由(价格区间、专长领域、适用场景、资质)。注意这里的分母与前两个不同——只有那些你的产品本来就该出现的问题才计入分母。

三个指标的关系是递进的,但不是包含关系:提及是基础,引用是证据,推荐是结果。提及说明模型认识你;引用说明模型认为你说的东西可信并愿意拿来支撑论据;推荐说明模型在多个候选中愿意为你背书。一个品牌可以提及率很高但引用率很低——意思是 AI 知道你,但拿不出你身上可验证的具体事实来支撑答案;也可以引用率不错但推荐率为零——意思是你是可信的素材来源,但不是被选择的对象。

计算口径:分母取谁、分子怎么判

指标失去意义,通常不是公式写错,而是分母选错。下面是各指标推荐的口径。

指标分子分母为什么这么取
AI 引用率出现指向你内容来源的答案条数全部有效测试回答数反映你的内容是否进入可引用的素材池
品牌提及率正文出现品牌实体的答案条数全部有效测试回答数反映实体识别与名称一致性的水平
推荐率被列为候选或被比较的答案条数你应当出现的答案条数反映在有竞争的选择场景中的胜出能力

「全部有效测试回答数」需要先定义什么叫有效。如果 AI 回答「这个问题超出我的能力范围」,或者答非所问,这条记录算进分母会稀释所有指标。通常的处理是:这类记录计入「无效回答」单独统计,并从分母中剔除,但要在报告里披露剔除比例——剔除比例过高说明问题集设计有问题。

「你应当出现的答案条数」是推荐率最关键、也最容易被做虚的分母。做法是给每个问题打一个标签:这个提问是否属于你的业务范畴、是否应当出现你的品牌。属于的计入分母,不属于的(例如「齿轮加工的一般工艺流程是什么」这类纯知识问题)不计入。判断依据应当是业务上客观成立的,而不是结果导向的——事后按结果调整分母,等于让分母跟着分子走,指标就失去了约束力。

还有一个必须写进报告的前提:重复次数。同一个问题在同一个引擎上提问多次,结果会有波动。因此采样单元不是「问题」,而是「问题 × 引擎 × 重复次数」产生的答案条数。常见做法是每个问题每个引擎跑三次,这样能同时观察出现频率和结果稳定性。报告里的数字必须同时给出样本量,否则「提及率 30%」和「提及率 90%」在可信度上完全不是一回事。

三个指标各自对应的业务判断

指标要有用,必须能回答一个具体的业务问题。三个指标各自回答的问题不同。

引用率回答的是「我说的东西 AI 信不信」。引用率低但提及率不低,说明模型认得你,但你的内容里缺少可核验、可复述的具体事实——没有参数、没有标准、没有可引用的数据。它回答的是内容改造方向:该补事实密度了。

品牌提及率回答的是「AI 眼里的我是谁」。提及率低而竞品高,通常指向实体信息层面的问题:名称写法不统一、品类描述不一致、第三方渠道信息冲突、模型把你归错了类。它回答的是实体治理方向。

推荐率回答的是「有买家的时候,我进不进候选名单」。推荐率低而提及率正常,说明你在答案里出现了但没有说服力——缺少比较维度(凭什么选你不选别人)、缺少场景定位(什么情况下该用你)、缺少资质与可验证的背书。它回答的是竞争维度建设方向。

这三个问题串起来,正好对应 GEO 的三层工作:内容层解决引用、实体层解决提及、竞争层解决推荐。诊断时先看哪一项数值偏低,就从哪一层动手。

为什么不能合成一个「AI 可见性总分」

合成总分看起来简洁,实际上损失了信息,而且会诱导错误的投入决策。

第一,三个指标的量纲性质不同,不能相加。引用率和提及率是覆盖类指标,本质是比例,适合做「有多少」的统计;推荐率是竞争类指标,它的大小取决于同品类里有多少同样在优化的对手,以及这个问题本身的竞争强度。把三者加权成一个数,等于把「有多少机会」和「赢了多少」混在一起算术题。

第二,加权掩盖了短板。假设一个企业引用率 60%、提及率 55%、推荐率 5%,权重给得均匀一点,总分看起来中等偏上。但这个企业的真实状态是:内容被信任、实体被认识,但在真正的选择场景里拿不到位置——也就是离生意最近的那一步没走通。这种状态在总分里被稀释了,而恰恰是最该被看见的短板。

第三,总分无法给出行动。三个指标分别对应内容层、实体层、竞争层的三个不同团队和不同工期。总分只能告诉你「不及格」,没法告诉你先动哪里。分开报,每一项直接对应一组可排期的工作项。

第四,总分在不同周期之间无法解读。因为模型在迭代、竞品在变化,单一数值本身没有参照系。真正有意义的是同一套问题集、同一批引擎、同样的重复次数下的环比变化,以及与竞品的相对位置。这也是为什么监测方案必须先固定口径,再谈数字。

如果确实需要一个给管理层看的单一数字,比较诚实的做法是:不给总分,给「状态分层」——在五个状态层级(被识别、被归类、被准确描述、被提及、被推荐)上标出企业当前所处的位置,并标注下一步要跨到哪一层。这样既保留了单一视角,又没有丢掉可操作性。

一份能落地的监测执行规范

把上面的口径整理成可执行的规范,大致是下面这几条。

  1. 问题集分层设计。按提问意图分成认知类、比较类、选型类、成本类、资质类、替代类六层,每层的问题数量与权重事先固定,并给每个问题打上「是否应出现本品牌」的标签。这一步决定了推荐率的分母,也决定了后面能看出覆盖缺口。
  2. 引擎与重复次数固定。覆盖目标客户实际使用的入口——面向国内客户的问答类入口、面向海外客户的对话式搜索与 AI 搜索模式;每个引擎每个问题重复三次,报告披露样本量与无效回答比例。
  3. 标注分三项。每条答案记录:是否引用、是否提及、是否推荐;再对提及记录标注语境(正面、中性、负面)以及出现位置(正文、名单、脚注)。语境标记尤其不能省——被提及和被正面提及是两种完全不同的资产。
  4. 周期固定,结论看连续两次。建议每两周或每月一次,同一问题集、同一引擎、同一重复次数。单次结果的波动不能作为结论依据,连续两期同向变化才说明方向有效。
  5. 漏损问题单独归因。把「该出现却没出现」的问题单独列出来,逐个归因:是内容没覆盖这个角度,是实体信息不够可信,是这个话题被权威来源占满,还是纯粹因为这个问题你的产品本就不该被点名。归因之后才排优先级。

铭赞经验:客户第一次看到自己的三个指标时,最常见的反应是「提及率这么低,是不是做得很差」。实际测下来,几乎所有企业的提及率在初期都偏低,因为 AI 系统对实体信息一致性的要求远高于传统搜索引擎,而且答案生成本身带有随机性,样本量小的时候波动会很大。所以我们从不把单次数字当结论,只看同口径下的连续变化,并优先看「漏损问题归因」——那部分信息才是能直接指导下一轮动作的。

下一步行动

想知道你的企业在引用、提及、推荐三个层面的真实基线是多少?铭赞提供免费 GEO 基线诊断——按分层问题集采样多个 AI 引擎,逐条标注引用、提及与推荐状态,输出带竞品对照和漏损归因的报告。电话 13991172090,或访问 xamz.cn/geo/diagnosis.html 在线申请。

铭赞网络的服务范围覆盖 GEO 优化、SEO、网站建设和外贸营销,服务电话 13991172090。