为什么同一个产品，AI 提及率能差 19 倍？
600 个真实消费者问题 · 3 个 AI 平台 · 3 款产品 ｜ 实测日期 2026-10 ｜ 客户匿名
一句话答案：因为"提及率"不是一个固定数字，它取决于你把问题问得多具体。
同一批产品、同一天、同样的 3 个平台：
- 问得宽泛（例如"最好的面油是什么"）→ 提及率 1.22%（11 / 898）
- 问得具体（含肤质、成分、场景、预算）→ 提及率 23.27%（208 / 894）
两者相差约 19 倍。产品没变，价格没变，平台没变 —— 变的只是你怎么问。
这两个词是什么意思？
- 宽泛问题（Wide）
- 只提到品类，不带场景或约束。例："What are the best face oils?"、"最好的身体油是哪个？"
- 具体问题（Signature）
- 带明确约束：肤质、成分偏好、使用场景、预算、搭配。例："干皮、含植物成分、40 美元以内的面油推荐"。
两组问题都来自真实消费者提问，不是关键词拼装。全部问题在测量前冻结，复测使用同一套题。
差距有多大？分产品看更明显
| 产品 | 宽泛问题提及率 | 具体问题提及率 | 倍数 |
|---|
| 面部护理油 | 1.01% | 27.70% | ≈ 27× |
| 身体护理油 | 0.33% | 36.33% | ≈ 110× |
| 面部刮痧工具 | 2.33% | 5.70% | ≈ 2.4× |
三个产品的倍数差很多，说明不同品类的"可被描述程度"本身不同，不能拿一个品类的倍数去套另一个品类。
为什么会差这么多？
因为 AI 回答"最好的面油"时，是在整个品类里做横向比较；回答"干皮用的面油"时，是在一个更小的场景池里做匹配。
- 前者的竞争者是全市场所有面油；
- 后者的竞争者是"同样适合干皮的那几十款"。
所以两个数字不矛盾 —— 它们测量的是两个不同的市场。
这对评估 GEO 服务有什么用？
- 一个数字的评估没有参考价值。看到"AI 提及率 X%"时，必须追问：分母是什么？问题集怎么分组的？宽泛和具体各占多少？
- 问题集设计本身就是交付物。按真实买家问法建题、按场景分组、冻结后留指纹 —— 缺一样，结果就不可比。
- 场景越具体，越能看出产品真实的位置。这次诊断的价值不是"好或不好"，而是定位出：这个品牌在具体场景里已经能被 AI 认出来。
常见问题
Q：这 19 倍差距说明产品有问题吗？
不说明。它说明产品在具体场景里已经能被 AI 识别，只是在泛品类问题里竞争更激烈。这是定位差异，不是质量差异。
Q：为什么不能只看"最好的 X 是什么"这类问题？
因为这类问题测的是品类混战，几乎不区分产品特性。真实买家在接近下单时，问法通常更具体（肤质、场景、预算）。只测宽泛问题，会系统性低估产品在真实购买场景里的表现。
Q：这些数字能复现吗？
能。题集在测量前冻结，复测用同一套题、同样 3 个平台、同样的判定口径，分母与分子都写在报告里。未取得的样本单独标注，不计为 0。
Q：这算不算"优化后提升"？
不算。本页是单次基线记录，没有对照实验，也没有复测结果。所以本页不提供任何提升幅度。
Q：三个平台的结果一样吗？
不一样。三个平台（ChatGPT / Gemini / Perplexity）同题并测，逐题分别记录，报告按平台分别出数，不合并成一个总分。
这套诊断怎么做（也是我们交付的内容）：
- 600 个真实消费者问题，按购买场景分组，覆盖宽泛与具体两类问法；
- 3 个平台同题并测，逐题保留答案全文与正文引用；
- 题集冻结 + SHA256 指纹，复测必须同一套题；
- 分产品、分问法、分平台出报告，每个数字都带分子与分母；
- 交付：基线报告 · 缺口四分类 · 整改资产 · 含指纹的复测报告。
事实资料页（逐条可核验） · 服务内容与验收方式 · 该案例完整版
口径与边界
- 数据来自一次真实客户诊断（2026-10），客户匿名，未经授权不披露名称；
- 宽泛组有效样本 898、具体组 894；分母只计有效样本；
- 单次记录，不同时间、账号、地区会得到不同结果；
- 不承诺排名、收录或被推荐；无对照实验，不给提升幅度。
利益披露：本页由 Look4GEO（问擎GEO）基于真实客户诊断记录整理。我们本身是 GEO 服务商，因此本页不构成独立第三方研究。
聚合口径与原始样本可按需提供复核（涉客户商业信息部分需客户同意）。