「AI 引用率」怎么被做成一个唬人的数字
「AI 引用率提升 300%」——这类数字现在到处都是。它可能是真的，也可能是被做出来的。这篇文章讲怎么区分。
先说结论：数字本身没有意义，有意义的是它的口径。口径说不清的数字，基本可以直接忽略。
一、五种常见做法
1. 只测对自己有利的问题
问题集里塞满品牌词，或者只挑已经能被引用的那几个问题报结果。最极端的情况是拿「某某公司怎么样」当测试题——这种问题问一百遍出现的都是你。
2. 单次截图当结论
AI 答案有随机性。同一个问题连续问三次，答案可能不一样。截一次图宣布「已进入推荐位」，换个时间再问可能就没了。
3. 把「出现」当成「被推荐」
答案里提到你的名字，和答案把你列为首选，是两件事。很多报告把「提到了我们」和「推荐了我们」混为一谈。更细一点还该看：提到时是正面描述、中性列举，还是被当作反面例子。
4. 混用平台和时间
把 3 月在 A 平台的好成绩，和 6 月在 B 平台的一般成绩拼成一张图，看起来就是一条上升曲线。不同平台的检索源和推荐机制差别很大——跨平台比较、跨时间挑数据，都属于制造趋势。
5. 不给原始记录
只给汇总百分比，不给问题列表、不给截图、不给采样次数。这样任何人都无法复核。
二、拿到一份「引用率」报告，问这五个问题
- 问题集在哪？ 要看到完整的问题列表，以及它怎么来的——客户访谈、销售记录，还是拍脑袋想的。
- 采样几次？ 每个问题在每个平台问了几遍？一次，还是三次取平均？
- 判定口径是什么？ 「出现」「被推荐」「排第一」分别按什么标准判？人工判还是脚本判？
- 时间范围？ 数据是哪个时间段？期间平台换过模型版本吗？
- 原始记录能看吗？ 截图带时间戳吗？有没有未达成的部分？
五个问题里有三个答不上来，这份报告就不用看了。
三、我们自己的口径
我们把指标拆成三层，分开统计，不合并成一个数：
- 提及率：在约定问题集里，品牌出现在答案中的比例。这是最宽的口径。
- 引用来源出现率：答案里出现了官网或指定信源的链接。这比「提及」有意义——说明内容被当成证据用了。
- 描述准确度：被提到的时候，说的是不是对的。这一层最容易被忽略，也最要命——错误描述比不出现更糟。
另外单独记录未覆盖名单：哪些问题几轮下来始终没被提及。这份名单我们会主动给客户，因为它是下一步该做什么的清单。
四、为什么我们不愿意给一个总分
把三层指标加权成一个「AI 可见度得分」，报告会好看很多。我们不这么做，原因有两个。
第一，权重是我们定的，不是客观的。一旦给出总分，客户就会盯着总分看，忽略「描述准确度」这类真正影响生意的问题。
第二，AI 答案本来就不是稳定量。给出一个足够精确的数字，等于暗示它背后有一个精确的真相——这不是事实。
所以我们只给三样东西：问题清单、每条的原始结果、与前一次复测的对比。结论由客户自己下，我们负责记录和定位原因。
五、一份检查清单
不管你是评估我们的服务，还是评估别家的，用这几条过一遍：
- 问题集里是否包含品牌词？如果包含，占比多少？
- 是否给出了「未覆盖」的部分？只报好成绩的一律存疑。
- 能否提供带时间戳的原始截图？
- 是否区分了「提及」与「引用来源」？
- 是否说明复测频率和样本次数？
- 是否承诺了固定排名？——承诺了直接排除，这不可能做到。
最后一条最省事。任何承诺「保证被 AI 推荐」的服务商都不必再谈：AI 答案由平台实时生成，没有第三方能锁住它。