如何建立企业AI可见性基线?

很多企业做GEO的起步动作是写内容,而不是先测一遍基线,这个顺序反了。没有基线,三个月后你看到"AI这次提到我们了",根本说不清是内容改造起了作用,还是问题集换了一批、恰好行业媒体同期发了一篇稿子把你带了进去。B2B采购场景让这件事更迫切——技术岗先查参数和工艺,运营岗查同行和报价,老板查口碑和交付案例,这三类人现在都在AI里问"XX厂家哪家好""XX设备一台多少钱""进口和国产差别在哪"。而同一类问题在通用对话型AI、搜索页AI摘要、AI搜索工具三个入口,答案结构又完全不一样。基线就是给后面每一次内容改版、每一次实体档案修正,提供一个能对照的参照系:AI现在是怎么说我们的、说错了什么、引用我们和竞品的都是哪些来源。

基线要回答的三个问题:覆盖度、准确度、来源结构

把"AI可见性"落到可测量的层面,基线只做三件事。

覆盖度解决"有没有被看见"。在客户真正会问的问题里,你的品牌被提及了几次、出现在什么位置、给出的答案里你是否进了候选名单。覆盖度如果不绑定问题集,就只是一堆没有参照的百分数。

准确度解决"被看见之后说对没有"。AI转述企业信息时经常出现四类偏差:字段对但单位错、把同行资质安到你头上、沿用两三年前的旧信息、地址电话与官网不一致。这四类偏差单看提及率看不出来,但它们直接决定了一个采购在AI里看到你之后会不会继续往下查。

来源结构解决"凭什么信你"。同一个答案里,AI引用的是你官网的产品页、行业媒体的评测、B2B平台的企业黄页、还是论坛里的一个帖子,直接决定了这段内容的说服权重和被复制风险。竞品的来源结构也要一起记,因为你要补的往往就是竞品已经占住的那几类源。

还要把三件相邻的事分清楚:诊断是发现问题并给方案,监测是持续跑数据看趋势,基线是在动作开始前把起点钉死一次。顺序是基线→诊断→改造→复测,跳过基线,后面所有的"变好了"都缺少参照。

第一步:把核心问题集分层建起来

问题集是基线的骨架。分层建的好处是后面每一次复测都能看出是哪一层在动,而不是只有一个混在一起的总数。常用的五层结构如下:

问题层典型问法建议条数这一层测的是什么
品类词层XX厂家有哪些、XX供应商推荐、XX品牌排行8-12 条在行业大盘里你是否存在,属于认知地板
需求词层XX怎么选、XX多少钱、XX能达到什么指标、XX和XX工艺区别12-18 条技术岗的真实问题,也是内容引用率的主战场
对比词层A和B哪个好、A和B差别在哪、国产和进口哪个更划算8-12 条运营岗的决策问题,看你有没有进入候选名单
地域词层XX市XX厂家、XX地区XX供应商、附近哪里能做XX5-8 条本地化服务的可见度,区域型业务必测
价格词层XX报价、XX预算大概多少、XX单价怎么算5-8 条预算阶段的问题,常与官网报价页强相关

写问题时有四条纪律值得强调。第一,问题里不要带自己品牌名,品牌词是结果不是问题,带了品牌名等于把答案递给别人去写。第二,用口语写成完整问句,抄客户在搜索框里真打出来的句子,"北京做不锈钢法兰的厂家有几家"要优于"不锈钢法兰 北京 厂家"。第三,数量控制在40到60条之间,再少没有统计意义,再多测试成本会压垮复测节奏,团队很快就会开始偷懒只测一半。第四,五层的配比按行业调整:工业设备、机械加工这类决策重的品类,对比词和地域词要加厚;快消、消费品则品类词和需求词占大头。

问题集一旦定稿就要编号存档,版本号写清楚,例如 QZ-v1。后面所有复测都用这套编号,不要临时换题——换题等于换尺子,量出来的变化没有意义。

第二步:多平台、多身份把测试跑完

平台维度至少覆盖三类AI入口:带联网检索的通用对话型AI、搜索结果页里的AI摘要层、独立的AI搜索工具。国内业务要加上中文AI搜索入口,海外业务要加上英文AI搜索入口。同一类问题在这几类入口的取信机制差别很大:对话型AI倾向于综合多来源给结论,搜索页摘要更依赖它判定为权威的那几个站点,AI搜索工具则会把引用链接逐条摊开给你看。只测一个平台,结论会被某一个产品的检索偏好带偏。

身份维度要跑三种问法,这是最容易被忽略的一步:

  • 中立身份:只问品类和需求,不出现任何品牌名,看AI的自然推荐位。
  • 自提身份:问题里出现你自己的品牌名,看AI转述你的信息准不准、引用的是不是你自己的页面。
  • 竞提身份:问题里出现竞品名,同一批问题同样跑一遍,这组数据是竞品对照的来源。

三种身份之间差异很大是正常的:自提身份下AI更倾向于调用品牌自己的公开信息,中立身份下它更依赖第三方来源做横向比较。把这三组分开记,才能区分"我们的信息不够好"和"我们的第三方背书不够厚"这两类完全不同的问题。

执行环节有三个硬要求:逐条留存原始答案文本,不要只记结论,答案结构和措辞本身就是诊断依据;记录测试条件,包括平台、模型版本、是否登录账号、测试时间段;尽量让同一个人在同一时段跑完同一批问题,避免个人提问习惯和随机性把结果搅乱。AI产品本身在快速迭代,条件记录不全,跨月的基线就失去了可比性。

第三步:把提及、引用、推荐三态和错误项一起记下来

同一个品牌名出现在AI答案里,商业价值可能差出好几倍,所以基线必须把这三件事分开记:

状态判定标准它说明什么
提及答案正文里出现你的品牌名或常用简称,不含仅在来源链接里出现的情况认知存在,AI知道有你,但还没决定信任谁
引用答案给出可点击来源链接,且链接落地页属于你方域名AI把某条结论的署名权给了你,是可信度更高的一层
推荐答案以"几家可选""可以考虑"的形态把你列入候选名单进入了采购的候选集,离询盘更近的一层

除了三态,还要同步记四类辅助数据。

引用来源域名记到域名粒度,并标注是自有域名还是第三方。第三方来源要保留页面标题和链接,因为它是后续争取的抓手。

信息完整度:先定一份你希望AI知道的字段清单(比如成立年份、主营产品线、产能规模、认证资质、服务区域、出口市场、联系方式、典型案例),逐条检查AI答案里覆盖了几项。完整度比"提及次数"更贴近转化,因为采购需要的是能核对的事实。

错误项:把AI说错的地方逐条记下来,标注错误类型——字段张冠李戴、时间信息过期、单位或口径错误、与官网不一致。这一栏往往直接对应官网和第三方信息源要改的具体位置。

竞品同字段:同一批问题、同一份字段清单,记录竞品的覆盖情况和错误情况。你会很快发现,差距往往不在谁被提得多,而在谁的信息错误少、字段齐。

基线报告怎么写,以及复测时哪些东西必须保持一致

一份可用的基线报告有七块内容,缺一块复测就会失准:

  1. 测试条件:平台清单、模型版本、身份设定、测试日期与时间段、问题集版本号。
  2. 问题集清单:编号、原文、所属层级,一行一条,随报告存档。
  3. 三态结果矩阵:每条问题在每个平台的身份下的提及、引用、推荐标记。
  4. 引用来源域名清单:区分自有与第三方,第三方保留链接。
  5. 信息完整度与错误项:字段覆盖率、错误条目与错误类型。
  6. 竞品对照:同一问题集下的竞品三态与来源结构。
  7. 结论与优先级:把缺口翻译成可执行的改造项,按影响面排序。

复测要对齐,有四条不能破:问题集冻结,要加题就开新版本号,别替换旧题;平台与身份设定一致,中途换平台等于换尺子;测试时段一致,避开自己的重大发布和行业大事件月;判定口径一致,把"什么算引用""什么算推荐"写成一份固定说明,所有人按同一份说明判。三态的判定尤其要写死,因为"提到品牌"和"作为推荐对象"之间的边界在不同人手里差异很大。

复测频率建议按月固定窗口,比如每月同一周、同一时段跑一次,节奏稳定比跑得勤更重要。基线做完不是结束,它是后面所有归因的分母。

铭赞经验:基线阶段最容易被跳过的动作是"记录原始答案全文"。很多人只截图留个结论,结果三个月后想复盘"当时AI到底说了什么"时,只剩一个孤零零的截图。而绝大多数改造动作的灵感,恰恰来自那句话本身——AI把你的某个参数说错了、把别家的资质写到你头上,这些具体错误比一个提及率数字有用得多。把原文存档,是基线交付里性价比很高的一项。

下一步行动

想知道你的品牌现在在AI里到底处于什么位置?铭赞提供免费行业AI可见性基线诊断——按分层问题集在多个AI入口跑一遍,输出包含三态结果矩阵、引用来源域名清单、信息完整度与错误项的完整基线报告,并给出可执行的改造优先级。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。