口径一：引荐被归并
部分 AI 入口跳转时不带常规引荐信息，访问被计入直接流量或自然搜索。企业若只看分析工具的分类，会低估这类流量。可行做法是检查日志中的来源域名与参数，并为已知入口建立自定义分组，定期核对数量级，这也是为什么要检查日志。
口径二：可见度是抽样
「AI 可见度」通常来自固定问题集在特定时间、地区与模型版本下的采样，样本变化会直接改变结果。怎么读？先看样本量与采样频率，再看趋势。单次采样的百分比不适合写进汇报，至少要有连续数周的对比。
口径三：提及不等于引用
品牌被提到与被列为来源是两件事。提及可能来自模型记忆或第三方内容，引用则指向具体页面。企业应分开统计，并检查引用链接是否指向正确页面，避免把提及当作内容被认可的证明，其边界在提及不等于认可。
口径四：展示与点击分离
答案中的展示没有统一计数，点击又可能被归并。因此不能简单计算点击率。更实用的指标是：固定问题集中出现的频率、引用页面的访问量变化、以及这些访问的转化路径，三者结合判断价值，这正是为什么要三项结合。
陷阱：把波动当趋势
模型版本更新、地区差异与问题措辞变化都会造成大幅波动。判断趋势至少需要同一问题集连续四周以上的数据，并记录版本与时间。任何一次采样上升都不足以证明策略有效，下降也不必然意味着内容变差，边界在样本量与观察期。
适用与不适用
适合谁
- 负责搜索与内容数据的企业市场团队
- 需要向管理层汇报 GEO 效果的负责人
- 正在搭建内容监测体系的市场部门
不适合谁
- 期望靠一个工具给出唯一评分的企业
- 没有稳定内容、也没有固定问题集的团队
典型场景
一家软件公司的分析报表显示自然搜索下降、直接访问上升。团队检查日志后发现部分来源域名指向 AI 入口，遂建立自定义分组；同时用三十个问题做月度采样，记录提及与引用。三个月后才判断出内容调整有效，避免了一次基于错误口径的改版。
可执行步骤
- 检查访问日志中的来源域名、引荐参数与首个落地页，找出可疑的新来源
- 为已知的 AI 入口建立自定义流量分组，并与自然搜索、直接访问分开统计
- 固定问题集、采样地区与采样频率，同时逐次记录入口与模型版本号
- 把品牌提及、页面引用与访问转化分开记录，避免混在一起算成一个指标
- 连续观察至少四周以上，再判断趋势是否成立，避免把单次波动当成趋势
常见坑
- 只看分析工具的默认分类，AI 流量被算作直接访问，导致误判渠道效果与预算去向，投入打偏。
- 用一次采样的百分比做汇报，模型一更新数字就突变，结论既无法解释也难以复现，汇报失去信任。
- 把品牌提及直接当作页面被引用，忽略引用链接是否指向自家页面，统计虚高，优化方向被带偏。
自检与验收清单
- 是否已识别并标注了已知的 AI 入口来源
- 问题集、采样地区与采样频率是否已经固定下来
- 品牌提及与页面引用是否分开统计，并逐条核对
- 是否逐次记录入口、模型版本以及采样时间点
常见问题
没有日志权限怎么办？
可以先从落地页的引荐参数与转化路径入手，结合客服记录的「我在 AI 里看到你们」这类线索做定性判断。若要定量，需要与运维协商开放访问日志的聚合结果，不必接触原始个人信息。
采样多少问题才够？
取决于业务宽度。单一产品线用二十到三十个问题可覆盖主要意图；多产品线按品类分组。比数量更重要的是问题本身稳定、措辞一致，否则前后数据不可比。
AI 流量的转化怎么算？
先给这类访问打标，再跟踪其落地页、停留时长与表单提交。由于样本通常较小，建议看趋势与转化质量，而不是追求精确的归因比例，也不必强行分摊到各渠道成本。