如果你只从这篇里拿走一句话，我希望是这句：做 AI 可见度基线的时候，别算总分。
一、为什么总分会骗人
假设你跑完一轮，得到一个结论：我的品牌在 AI 回答里的提及率是 40%。这个数字看着挺具体，实际上它可能是两种完全不同的情况凑出来的。
第一种：功能类问题 90%，客户评价类 0%，其余几类在中间。意思是有人问「这东西能做什么、支持什么」的时候 AI 几乎都会提到你，有人问「用过的人怎么说」的时候它一次都不提你。
第二种：六类问题都在 40% 上下。意思是你到处都在场，到处都不突出。
这两种情况该做的事完全相反。第一种要去补第三方的口碑内容，第二种要去挑一个类别做深。而一个 40% 的总分，把这两种情况压成了同一个数字。
二、那六类是怎么分的
Omniscient Digital 分析过 23,387 条 AI 回答里的引用，把品牌相关的提问按用户意图分成六类：直接评估、竞品对比、价格、功能与集成、客户评价、证据佐证。
关键在于不同意图下 AI 取材的来源结构完全不同。客户评价这一类，82% 的引用来自第三方，官网基本插不上话。功能与集成这一类，自有内容占比最高、达到 50%，这是官网仅有的主场。
所以你只问一类问题，得出的结论就只对那一类成立。在功能类问题上表现好，完全不代表有人问口碑时 AI 也站在你这边。
三、问题清单怎么列
按那六类各列五条，总共三十条，把品牌名和竞品名填进去就行。直接评估类是「XX 怎么样」「XX 值得买吗」「XX 的优缺点」这种；竞品对比类是「XX 和 YY 哪个好」「除了 YY 还有哪些选择」「预算有限选哪个」；价格类是「多少钱」「各版本什么价」「有没有免费版、免费版什么限制」；功能与集成类是「能做什么」「支持 ZZ 吗」「几个版本什么区别」「有什么做不到」；客户评价类是「用过的人怎么评价」「有什么常见抱怨」「售后怎么样」「有人后悔吗」；证据佐证类是「有哪些资质认证」「关键参数是多少」「客户有哪些」「有没有第三方测评」。
第一轮别三十条全跑，挑十条，六类每类至少留一条。挑的时候守三条：挑你能验证对错的（价格、参数、认证这类，AI 说得对不对你一眼就知道）；用用户的原话而不是内部术语（去翻客服和销售的聊天记录）；离成交近的优先（价格、对比、评价三类）。
四、跑法
同一个问题跑三遍，三遍都记。这条最容易被跳过。同一个模型同一个问题问五次，可能得到五个措辞不同、品牌名单也部分不同的回答，只记一遍等于记了一次抽签结果。
用无痕窗口，不登录，不带历史，否则对话会被你自己前面的提问带偏。
至少三个平台，其中一个要会把来源全部列出来。会列来源的那个平台信息量是另外两个加起来的好几倍，因为它直接告诉你 AI 现在信谁。
说明一下，十个问题、每题三遍、三个平台这组数字是我自己的判断，不是引自哪份研究。我查过公开的相关建议，找到的几乎全是做这门生意的厂商写的内容营销文章，没法独立核实，所以一条都没用。这组数字的依据只有两样：模型确实有非确定性这个已核实的事实，加上我自己跑了十几次实测的手感。你觉得量大就砍到六个问题两遍。量少但坚持得下去，比量大跑两周就停强。
五、记什么
每一行至少要有：日期、模型、问题、第几遍、意图类别、有没有提到我、排第几、引用了哪些域名、有没有说错。
「第几遍」和「意图类别」这两栏最容易被省掉，也最不该省。没有第一栏你算不出稳定性，三遍提到两次和三遍提到三次会被混成同一行；没有第二栏你看不出自己哪一类最弱，而这恰恰是整张表最值钱的那个信息。
还有一栏被低估了：引用的域名列表。它比排名值钱，因为它告诉你 AI 现在信谁。把这些域名分三类，你自己能改的、能联系上对方改的、暂时动不了的，归完就是下个月的工作排期。
六、乙方视角：拿这份基线怎么跟客户开第一次会
如果你是帮客户做这件事的人，这份基线有个用法比数字本身更有用。
别开场就报总分。报总分的结果通常是客户问一句「这个分算好还是不好」，然后你解释不清楚，因为没有行业基准可比，你也不该编一个出来。
改成开场先放两样东西。第一样，六类里最差的那一类，配上三条原始回答的截图。客户看到 AI 在「用过的人怎么评价」这个问题上完全没提他们，比看到任何分数都有感觉。第二样，引用域名列表，按能改、能联系、动不了分好。这张表直接就是接下来三个月的工作内容，客户当场就知道钱花在哪。
数字用来看变化，截图和域名列表用来做决定。第一次会议上，后者比前者有用得多。
（六类意图的划分与来源结构数据出自 Omniscient Digital《How LLMs Source Brand Information: An Analysis of 23,000+ AI Citations》2026-01-08，样本为 240 个品牌相关提问产生的 23,387 条去重引用；模型非确定性的说法出自 Metehan Yesilyurt《How AI Visibility Tools Actually Collect Data》，该文为个人方法论文章而非研究报告。）
本文首发于公众号「GEO即欧社」知乎版（2026-09-24）。