GEO 报表缺一根误差棒：三次提问能测出什么

一份千万级样本，先承认自己测不准

十一月六日，第九届进博会期间，《海外GEO白皮书》在上海发布，长安街知事、智源GEO、猎看科技、Dageno AI 与京报智库联合署名。监测窗口是 2026 年 6 月至 9 月，覆盖 ChatGPT、Google AI Mode、AI Overviews、Gemini 与 Copilot 五个平台，累计 1004.6 万条回答、5700 万条来源链接。

它的正面结论很好用：官网是五个平台共同优先采信的信源，占各平台来源链接的 38% 到 58%，B2B 技术类问题里超过七成。但同一份材料里还有另一组数字：同一问题重复运行时，9% 到 28% 的引用决策会变化；同题引用链接一周内流失 62% 到 93%；引用链接集合的半衰期约为一天。

白皮书的解释是，答案是现场装配——接到问题才检索，从当次证据里挑几段拼起来。索引在滚动、时效在加权，来源的可抓取状态天天在变，证据池自然天天不同。引用是一次事件，不是可以占住的排位。

只问三次，区间宽到六七十个百分点

白皮书里最该被抄进周报的一条，是关于精度：同一问题重复两到三次时，品牌可见度的 95% 置信区间宽达 60 到 70 个百分点；单个问题要做到正负 15 个百分点的精度，大约需要 40 次采样。

这个说法听着保守，其实还偏乐观。按精确二项分布算，一个问题问三次、三次全都没提到你，真实提及率的上限仍有约 63%（95% 置信）——就是说，你的实际提及率可能高达六成，而这三次恰好全落空并不奇怪。反过来，三次全提到，下限也只有约 37%。三次提问，连「有没有」都定不下来。

另一个常被混淆的地方：1004.6 万条样本不等于单题可靠。它是很多道题各问几次的横截面，回答「平台整体信源结构长什么样」，不回答「我们公司在某个具体问句上被引用的概率」。后一个问题只能靠反复采样，而这一步最费钱，也最容易被省掉。

统计学那一侧：同一查询跑两次，只有三到五成重合

今年六月更新到第二版的 arXiv 论文《Quantifying Uncertainty in AI Visibility》，作者 Ronald Sielinski 就职于一家 AI 可见度监测公司，用 2026 年 2 月上旬的日采样，把同一批查询在 Perplexity、SearchGPT 与 Gemini 上反复跑。引用域名重合度按 Jaccard 计只有 0.29 至 0.31、0.33 至 0.40，Perplexity 约 0.50。

他给了一个更直观的量：对数尺度下的波动幅度在 0.42 到 0.50 之间，意味着一个域名在同类问句中的引用份额，通常会在其几何均值的 60% 到 165% 之间摆动。论文的对照是 tomsguide.com 份额 9.5%、区间 5.5% 到 12.5%，runnersworld.com 份额 6.0%、区间 4.0% 到 8.0%——差 3.5 个百分点，区间却完全重叠。

他的经验法则是：份额差在 5 到 7 个百分点以内的两个域名，统计上与平局没有区别。九天连续采样里，yahoo.com 在某类问句的份额从 9.2% 升到 16.0%；nationalgeographic.com 第一天 3.2%，之后几乎归零。单次快照给出的，是一种虚假的精确。

要采几次样：两份独立材料能对上

论文把精度目标写得很具体：引用份额的区间宽度压到 5 个百分点，引用普及率压到 15 个百分点。所需查询数，份额口径下 Gemini 约 30 到 50 个、Perplexity 约 90 到 100 个、SearchGPT 要 150 个以上；换成普及率，顺序整个反过来，SearchGPT 60 到 80 个就够，Gemini 要 140 到 150 个。

反转不奇怪：份额由头部域名贡献的引用量驱动，普及率由覆盖广度驱动，两个指标的方差结构不同。所以「采几次」没有统一答案，得先说清测哪个指标、在哪个平台。

用最朴素的正态近似也能得到同样量级：比例型指标的 95% 区间宽度约为 3.92 乘以根号下 p(1-p)/n。取 p 为 20%、n 为 30，宽度约 29 个百分点；n 到 300，降到 9 个百分点；要压到 5 个百分点，n 需接近一千次。反过来验白皮书那句「40 次采样、正负 15 个百分点」：p 取 50%、n 取 40，宽度约 31 个百分点，正好对上。

三个会骗人的读数

一、区间一变窄就停

论文明确反对早停。SearchGPT 的收敛曲线并非单调，样本加到一半，区间可能先窄后宽。按「看起来稳定了」决定停手，等于挑一个好看的瞬间当结论，而不是得到一个可以复现的结果。

二、相邻两天稳定，就以为跨月稳定

相邻样本的秩相关常在 0.80 以上，容易让人误判。但 Gemini 跨九天再算，秩相关掉到 0.69 到 0.73。短窗口的稳定，撑不起月度结论，更撑不起季度趋势。

三、把单日高点当成趋势起点

份额在九天内翻倍、某天突然出现在推荐位，这类读数在单次采样里很常见，第二天就消失。白皮书的半衰期一天与论文的日间波动，说的是同一件事。

报表改三处：加区间、分平台、分指标

先写区间，再写点估计

把「提及率 6%」改成「提及率 6%，95% 区间 4% 到 8%」，并注明样本量与采样日期。这一处成本最低，却能挡掉大半「上周还好、本周怎么掉了」的争论——多数波动本来就落在区间里。

平台不能合并成一个数

引用包含率本身分平台：Foglift Research 十一月十日那版样本（67,583 条答案、390,503 条引用）里，ChatGPT 94.3%、Perplexity 84.8%、AI Overviews 84.2%、Claude 62.0%、Gemini 49.2%，相差 45 个百分点。同一个「引用率」，五个平台的分母不是一回事。

提及、引用、说对，三列并排

白皮书里 Gemini 45.2%、AI Mode 35% 的回答出现了商业品牌名，却没标注任何引用来源。这类「提及无出处」的曝光在引荐流量报表上看不见，也无从核验。三项分开统计，才看得出预算花在哪一层。

该测，但换一种测法

结论不是别测。可行的折中是牺牲单题精度、换聚合精度：与其一个问句问三次，不如三十到五十个同类问句各问一次，看合计提及率——方差小得多。白皮书对抽样成本也给了现实算法：30 个问题乘 5 个平台乘 3 轮已是 450 次调用，按天跑每月上万次，所以得分层，十个核心问题每天跑，二十个外围问题每周跑。

更根本的是分清两个时间尺度。引用层是日更的运营指标，今天有明天可能没有；实体层是年度工程——官网口径是否唯一、关键事实是否可核、第三方记载是否互不冲突。白皮书里站外品牌提及量与 AI Overviews 可见性的相关系数是 0.664，外链数量只有 0.218，长期要投的是前者。

GEO 报表的可信度，由三件事共同决定：分母是什么、采了几次、看的是哪段时间。分母决定你说的是哪个比例，采样次数决定这个比例有多可信，时间窗决定它还算不算数。三者不写清，数字越精确，反而越容易误导。明天能做的第一件事很简单：给现有报表里每一个百分比，补上一个区间和一行样本量。