AI推荐名单只要被追问一句就少掉六成，三个模型还错在不同方向

摘要：把同一个问题重复问一遍，AI给出的品牌名单能保住九成。但只要加一句最普通的买家条件，比如“给小团队用”，名单就只剩两成八——六成二的品牌在第二个答案里没了。换成“给大企业用”，流失几乎一样。这说明名单不是不稳定，而是有响应性，它响应的是模型认定你这个品牌到底是给谁用的。更有意思的是三个助手说错你的方向是反的：Claude和ChatGPT倾向于少报你的功能，Gemini倾向于多报。这篇讲清这套流失机制、方向差异跟你把内容放在哪儿的关系，以及监控该怎么从单次提问改成整段对话。

先说一个容易被忽略的对照。

同一个问题问两遍，AI推荐的品牌名单保留九成。这很符合直觉——同样的问题，同样的答案。

但如果第二次不是重复，而是加一句“给小团队用”呢？名单只剩两成八。

重复问同一个问题，名单为什么几乎不变？

这个数字先摆在这儿：Greg Jarboe对这份研究的复盘里写得很清楚，单纯把问题再问一次，名单保留90%左右，流失只有一成上下。

这一成的波动就是随机性，是模型输出本身带的抖动。它是噪声，不是信号。

所以如果你测出来的变化只有这个量级，别急着归因到自己身上，那多半什么都没发生。

只加一句“给小团队用”，为什么六成品牌就没了？

把第二句从“再说一遍”换成“给小团队用”，保留率从90%掉到28%。

也就是说，进了第一个答案的品牌里，六成二在第二个答案里消失了。而那句追加的话，普通到不能再普通——它就是一个真实买家在第二句会说的东西。

这不是刁钻提问，也不是对抗性测试。这是买家正常对话的第二步，几乎每一次真实咨询都会走到这里，区别只在于他说的是规模、预算还是别的什么条件。

换成“给大企业用”，结果是不是就反过来了？

这是我读到这份数据时的第一个疑问：会不会“小团队”这个词被挑出来专门制造效果？

研究方也测了“给大企业用”，流失几乎一样，两个方向都在七成上下。而单纯重复提问时只有一成左右。

两个相反方向的条件，带来相似量级的churn。这条对照排除了“某个词特别毒”的可能，把结论逼到了一个更根本的位置上。

所以名单到底是不稳定，还是有响应性？

这是全篇最关键的一句话：名单不是不稳定，它是有响应性的。

不稳定意味着结果随机跳动，你改什么都没用；有响应性意味着它在对某个输入做出反应，而那个输入是可以被理解、甚至被影响的。

它响应的是什么？是模型对“这个品牌到底是给谁用的”这件事的判断。你在它心里被归到了“适合小团队”还是“适合大企业”，直接决定了买家一说出这个条件，你是留下还是出局。

这跟“名次是噪声”那件事，是同一回事吗？

不是，而且必须分清楚，否则会得出完全相反的行动建议。

站内名次为什么每次查都不一样那篇讲的是上面那一行，用两千多次实测算出该采多少样本才可信。这篇讲的是下面那一行。把这两件事混着看，你要么会把真实的流失当成噪声忽略掉，要么会把随机抖动当成效果去汇报。

被点名和被信任，差的是哪一步？

差的就是这一次追问。

出现在第一个答案里，说明模型知道你属于这个品类。但买家一旦具体起来，模型要做的判断就从“谁在这个品类里”变成了“谁适合这个人”。前一个判断你过了，后一个判断你不一定过。

过去我们说被提及和被引用是两件事，那是内容层的区分，站内提及和引用之间那道差距拆过。现在要再加一层：被列入和被留下，也是两件事。

这份研究是怎么跑的？先看方法

方法这块值得摆出来，因为它决定了这些数字能推多远。

• 规模：69,120次多轮对话。
• 覆盖：Claude、ChatGPT、Gemini三个助手。
• 范围：36个B2B软件与金融科技类目。
• 结构：一个开场问题，比如“最好的客户关系管理工具有哪些”，加一个真实的后续问题。

注意最后一条：只加一个后续问题。不是十轮拉锯，就是买家说的第二句话。六成二的流失发生在这么短的距离里。

为什么选B2B软件和金融科技这两类？

因为这两类的选型高度依赖“适合谁”这个维度。同一个类目里，给五人团队用的和给五千人企业用的，往往不是同一批产品。

这也意味着这个数字不能直接搬到所有品类上。买一把螺丝刀，“给小团队用”这个条件几乎没有区分度；买一套ERP，它就是决定性的。你的品类里“适配”这个维度有多重要，决定了这套机制对你的杀伤力有多大。

一个真实的插曲：报告里少了一个零

这份研究还有一段插曲，我觉得比那个62%更值得讲。

作者在发表前给研究方发了一份方法论问题清单。第十个问题很常规：报告说三个助手在品牌事实上互相矛盾的比例是15%，依据是33个已核实的矛盾。33个够不够支撑“哪个模型倾向于少说、哪个倾向于多说”这种结论？

对方的回答不是辩护，是更正。真实数字是330，排版时设计师掉了一个零。同一个小数点，还把2,040个品牌变成了报告第七页上的“204”。

33和330，为什么不是差十倍那么简单？

因为它们支撑的是完全不同的置信水平。

33个样本要拆成三个模型、再分少报和多报两个方向，每一格平均只剩五六个。这种量级下的任何模式都可能是巧合。

330个就不一样了。分模型看下去，形状立刻清晰起来，而这个形状恰恰是整份研究里最有行动价值的部分。不是差十倍的问题，是“能不能下结论”和“不能下结论”的区别。

204个品牌和2040个品牌，是同一份研究吗？

严格说，不是。

覆盖204个品牌的研究和覆盖2040个品牌的研究，代表性完全是两个量级。如果你基于前一个数字判断“这个样本太小，不用当回事”，那你就错过了一份实际上相当扎实的研究。

而这正是最危险的地方：错误的数字不只会让你高估结论，也会让你错误地低估它。

为什么一路到发表都没人发现？

这个问题的答案，比错误本身更有用。

作者引用了一个自动化报告的例子：系统给某个关键词标了“表现很好”，理由是它的单次获客成本远高于目标值。系统里的“高”在某个环节被换成了“好”，而高获客成本是坏消息不是好消息。

任何人扫一眼这句话都会点头往下读，因为句子读起来很顺，尽管意思已经反了。

预测性加工是什么？它为什么让校对失效

这背后有认知科学的解释。流畅的读者并不是在逐字解码，而是在根据上下文预测下一个词，然后继续往前跑。

这就是为什么“的的”能被读成“的”，为什么一个漏掉的“不”字能从眼皮底下溜过去。关于视觉词处理中自动预测的研究显示，读者会在词真正出现之前就预激活它的形态和语义表征——你的大脑对句子的模型，压过了眼前的文本。

一份排版精美、语气笃定的PDF，是这种失效最容易发生的地方。而一个在排版文件里掉的零，是同一类失败最小、也最容易被原谅的版本。

修法不是少信报告，那是什么？

结论不是“以后别信研究报告”，那样只会让你回到凭感觉做事。

正确的修法是：留一个真的去查数字的人在流程里，而不是查段落读起来顺不顺。

具体到动作，就是把“这个数从哪儿来”当成必答题。站内把一份被到处转述的主张逐字核回原文那篇演示过一次完整流程，那次核出来的是转述时被加了半句话，这次是排版时掉了一个零，失效的环节不同，方法是同一套。

三个模型说错你的方向，居然是反的

用修正后的330个矛盾拆开看，分模型的形状是这样的：

这个形状比那个笼统的15%有用得多。它说明三个助手不是随机出错，而是各自有稳定的偏向。

Claude和ChatGPT为什么倾向于少报你的功能？

研究方给的工作假设是：这两家更依赖文档和产品页。

依赖文档的后果是，它会相当准确地描述你的核心产品，但遇到一个新功能没被好好记录时，它倾向于说“没有这个功能”。

对做产品的人来说，这句话的含义很直接：你上了新功能却没同步更新文档和产品页，模型不会给你留面子，它会直接告诉买家你不支持。

Gemini为什么倾向于多报？

同一份假设说，它更多依赖营销材料和视频，所以倾向于把你正在宣传的东西都算成你已经有的。

被夸大听起来像好事，其实不是。买家照着这个描述来找你，发现功能不存在，损失的是信任，而且这笔账最后算在你头上，不算在模型头上。

两个方向的错误，代价不一样但都是代价：少报让你在筛选阶段出局，多报让你在验证阶段翻车。

这个方向差异，跟你把内容放在哪儿有关系吗？

如果那个假设成立，关系就是决定性的。

AI助手把你的产品说错的方向，是你把什么类型的内容摆在它面前、以及那些内容住在哪里的函数。

换句话说，这不是运气问题，是可控变量：

• 文档和产品页写得全，偏保守的那两家就少说错你。
• 营销材料声量大而文档跟不上，偏夸大的那家就更容易替你吹。
• 两边都薄，那三家会各说各的，而买家至少会碰到其中一家。

各家模型分别从哪儿取内容，站内读网络流量看引擎怎么挑源那篇有实测的字段级证据，两份观察在这一点上是互相印证的。

排名好和被描述准，为什么变成了同一个问题？

过去这是两件事：排名归SEO管，产品描述归市场和产品管，中间隔着部门墙。

现在它们在同一段对话里发生。第一句里你排上了，第二句里你被描述错了，于是你出局——这两步之间没有任何间隔，也没有任何人来替你解释。

更麻烦的是修法还得分模型来，因为说错你的方向不一样，该补的内容也不一样。

那到底该按哪个模型来改？

研究方的说法很直接：一次内容改动不会同时挪动三个模型，因为它们从不同的地方取料。

所以要按模型分头处理。判断你该先修哪一个，看两件事：你的买家主要在用哪个助手，以及哪个助手对你的描述错得最离谱。两者重合的那个，先修。

实操上还有个更朴素的顺序：先修那个说你没有某功能的，因为这类错误直接把你踢出候选；夸大那类虽然也是问题，但至少你还在名单里，有机会在后面澄清。

研究方自己说没证明什么，这部分为什么最值得读？

一家卖AI可见度监控的公司，在自己的研究页上主动划出边界，这件事本身就值得注意。

报告谨慎地说，模型对你适配度的感知和它推不推荐你之间，是一种强而一致的耦合，不是已被证明的因果律。这句话很多人会跳过，但它决定了你该怎么用这份数据。

强耦合和因果律，差在哪？

差在你能不能靠改一头来改另一头。

这组区分跟归因与增量的关系是同构的，站内归因、增量、影响这三层怎么分开测那篇讲的是同一套思维纪律，只是应用在流量而不是推荐上。

真正的因果测试该怎么设计？

研究方被追问时给了具体答案：只改一件事，就是品牌的公开定位内容，其他全部不动，然后看模型的行为相对于那些没被动过的品牌有没有移动。

他也承认，这个测试他们还没跑。

这套设计的骨架，跟站内加上FAQ引用涨、撤掉又掉回来才叫因果那篇讲的是同一件事：单向改动只能给出相关，改回去还能复现才算因果。想自己跑一个，那篇的实验设计可以直接照搬。

有没有可能是定位在驱动一切，模型感知只是症状？

研究方自己把这个更不舒服的可能性说了出来：品牌在真实世界里的定位，很可能同时驱动了模型怎么描述它、以及它会不会被推荐。

如果是这样，真正的杠杆是定位本身，模型的感知只是一个症状，不是原因。

这个可能性对做优化的人是个提醒：你想改的如果只是模型嘴里那句话，而不是这家公司到底为谁做产品，那你多半改不动，或者改动了也不持久。这跟品类框定那件事的落点是一样的——换个品类词AI就不推你了那篇的结论也是：改知识图谱描述没用，得改第三方语料里你是怎么被谈论的。

改完内容多久能看到模型改口？

研究方的回答很诚实：没有数据。

他们没做前后对比测试，原话是当成值得测的，别当成几周内保证。

这句话的价值在于它划掉了一整类承诺。任何人告诉你能在某个具体时间窗内改变某个助手对你品牌的看法，按研究方自己的说法，那是在猜。

谁跟你承诺具体时间表，你该怎么判断？

问三个问题就够：

• 这个时间表是基于你们跑过的前后对比测试吗？跑过的话，样本是多少个品牌？
• 对照组是怎么设的？有没有一批品牌是完全没动的？
• 三个助手的时间表一样吗？如果一样，为什么？

第三个问题最能筛人。既然三家取料来源不同、错的方向都不同，那它们改口的速度凭什么会一样。

第一件事：别只盯第一个答案

把研究翻译成动作，第一条最容易做也最容易被忽略。

如果你的AI可见度监控是单次提问检查，那你量的是一个下一句话就丢掉六成内容的漏斗顶部。这个数好看，但它和生意的关系比你以为的弱得多。

监控要围绕真实买家会问的后续问题来搭，而不是围绕你希望被问到的那句话。

你的监控该围绕哪些追问来搭？

一份能用的追问清单，通常覆盖这几个维度：

• 规模：给几个人的团队用、给多大的公司用。
• 预算：有没有便宜一点的、有没有免费版。
• 行业：做某个特定行业的有哪些。
• 集成：能不能和某个常用系统打通。
• 地域：在某个市场能用吗、支不支持某种语言。
• 合规：满不满足某项数据要求。

每一条都是买家真会说的第二句。把它们各跑几轮，看自己在哪一类条件下最容易掉出去——那个洞就是你要补的地方。完整的采样与竞品对照流程，AI可见度竞品分析全流程那篇可以直接接上。

怎么找出真实买家会问的那些后续问题？

别自己拍脑袋编，有几个现成的矿：

• 销售通话记录。客户在第二三分钟问的那些问题，就是模型对话里的第二句。
• 售前工单与在线咨询，尤其是那些反复出现的限定条件。
• 报价表单里的自定义需求栏。
• 竞品对比页上买家实际会比的维度。

这几处拿到的问题有个共同优点：它们是买家的原话，而不是市场部整理过的版本。而模型面对的正是买家的原话。

第二件事：一个一个修，别指望一次改动动三个模型

既然三家取料不同，那改一次全都好这个期待就得放弃。

按模型分头修意味着工作量变大，但也意味着你能验证效果——如果一次改动理论上只该影响其中一家，而三家一起变了，那说明变化不是你造成的。分头修带来的额外好处是它自带了一个粗糙的对照。

修的顺序该怎么排？

研究方给的顺序很实在：先改平的事实错误，再攻对你管线最重要的细分适配组合，每个助手跨多次运行检查，而不是相信任何一次答案。

翻译成排期：

1. 第一周：把三家对你的基础事实描述各跑一遍，记下哪些是硬错。
2. 第二到三周：改文档、产品页、公开资料里对应的地方。
3. 第四周起：按追问清单跑细分适配，找出流失最严重的两三个条件。
4. 之后：针对那两三个条件补证据，每次只动一处。

平的事实错误为什么是最便宜的胜利？

因为它不需要说服谁，只需要把话说清楚。

你支持某个集成、你有某个认证、你在某个地区可用——这些是二元的事实，不涉及判断。模型说错了，多半是因为这个事实在它能读到的地方根本没写，或者写得含混。

把它们补成明确的、可被抽取的文本，成本极低，而收益是直接的：一个不支持变成支持，可能就决定了你在某类追问下留不留得住。

细分适配这一层，该怎么补？

这一层比事实层难，因为它要证明的是适合谁，而这是个判断。

能做的几件事：

• 把目标客户画像写成明确的文本，别只放在品牌故事里，要放在产品和方案页上。
• 客户案例按规模和行业分类呈现，让服务过五人团队这件事有据可查。
• 定价和套餐的适用场景写清楚，比如某个档位明确写适合十人以内团队。
• 争取第三方内容里出现这种适配描述，因为模型对第三方的采信度更高。

最后一条是关键也是最慢的一条。只在自己站上说我们适合小团队，说服力有限；有几篇独立评测把你归进小团队这一档，含义完全不同。

第三件事：别引用你没追到源头的数字

包括本文里的这些数字。

这不是客套。这份报告最技术、最容易被引用的那个数字，本身就需要一次更正。如果作者没问那第十个问题，33这个更小、更站不住的数字会继续以事实的身份流传，而且是被本该检查它的行业媒体引用着流传。

一份AI研究报告，该怎么快速验真？

不需要成为统计学家，问四个问题就能筛掉大半：

第四个问题反过来也成立：这份研究的发布方是卖AI可见度监控的，但它主动说了自己没证明因果、没做前后测试。这种自我设限反而提高了它其余部分的可信度。

模型是从哪儿得出“你适合谁”这个判断的？

这是最该追问的一层，因为它决定了你能不能改。

能观察到的线索指向几个来源：

• 你自己站上明确写出来的目标客户描述，包括产品页、方案页、定价页上的适用说明。
• 客户案例里透露的规模信号，比如案例主角是三十人公司还是三千人集团。
• 第三方评测和榜单把你归进了哪一档，这一类的权重通常更高。
• 社区讨论里谁在推荐你、他们自称是什么规模的团队。

前两条你完全可控，后两条只能争取。而多数团队的问题恰恰出在前两条上——不是没写，是写得太笼统。“适合各种规模的团队”这句话对机器来说等于什么都没说，它没法据此判断你在“给小团队用”这个条件下该不该留。

名单长度本身会不会影响流失率？

会，而且这一点在解读数据时容易被忽略。

如果第一个答案给了十个品牌，第二个答案只留三个，那流失就是七成；如果第一个答案本来只给五个，留三个就只是四成。同样是留三个，读出来的流失率能差一倍。

所以看自己的数时，要同时记录两个绝对数：第一个答案里有多少个品牌、第二个答案里有多少个。只看百分比会误导。

顺带一提，不同品类的名单长度差异很大——竞争者多的品类名单更长，流失率天然更高，这不代表你的问题更严重。

在第一个答案里排第几，影响后面留不留得住吗？

直觉上应该有影响，但这份数据没有直接回答。

可以确定的是：位置本身不是个可靠的观测对象。同一个问题多问几次，顺序就会变，这是近万条答案的实测里也反复出现过。所以拿“我上次排第二”去推断第二轮的存活率，基础就不牢。

更稳的观测是出现率：在同一批追问下跑多轮，统计你出现了多少次。这个数比名次抗噪得多，也更接近你真实的处境。

这套机制对新品牌是好消息还是坏消息？

两面都有，取决于你怎么用。

坏的一面：新品牌本来就难进第一个答案，进去了还要面对第二轮筛选，等于两道关。

好的一面更值得琢磨——既然模型是按“适合谁”来筛的，那么一个只服务很窄一群人的新品牌，反而可能在那个具体条件下活下来，而大牌因为定位太宽被筛掉。你在宽泛品类词下打不过对方，不代表在“给五人团队用”这个条件下也打不过。

这跟主题层的机会判断是同一个思路，85%的品类还没有主人那篇讲的是品类层的空位，这里讲的是品类内细分条件的空位，后者的门槛更低。

定价页在这件事里扮演什么角色？

比多数人以为的重要，因为它是“适合谁”这个判断最密集的信号源。

一个把套餐按团队规模分档、并且写清每档适合什么场景的定价页，等于直接告诉机器你在每个细分下的位置。而一个只写“联系我们获取报价”的页面，在这一层什么信息都没提供。

几条具体建议：

• 每个档位加一句适用说明，写明人数区间或者使用场景，别只列功能。
• 价格数字要以可读文本存在，别只写在图片或者靠脚本加载，否则机器读到的是一片空白。
• 如果确实只做大客户，就明确写出来。被排除在小团队那一档之外不是坏事，被含糊地排除在所有档之外才是。

客户案例该怎么组织，才能被当成适配证据？

多数客户案例是按“故事精彩程度”组织的，而机器需要的是按“可归类的属性”组织的。

两者的差别很具体：

最后一行是最常见的自伤。团队出于面子只往外放大客户案例，结果模型据此判断你只服务大客户，中小买家一提条件你就出局——而中小买家可能才是你真正想要的那批。

竞品在同一条追问下的表现，能看出什么？

能看出的东西比看自己多。

把同一条追问跑几轮，记下留下来的是哪几家，然后去看他们的站：他们在哪儿写明了适配、案例怎么分组、第三方内容里怎么被描述。这份对照通常比任何优化建议都直接，因为它告诉你在这个具体条件下，机器认可什么样的证据。

还有一种更有价值的情况：某个你从没当成竞品的小玩家反复出现。那通常说明它在这个细分上的定位描述比你清楚得多，值得专门去看它是怎么写的。

追问流失和转化漏斗，是同一个漏斗吗？

形状像，性质不同，混着谈会出问题。

转化漏斗每一层的流失是用户自己的选择，你能通过改体验去影响；追问流失是模型替用户做的预筛，用户根本没看到被筛掉的那些品牌。

这个差别的实际含义是：你在追问这一层丢掉的机会，不会体现在任何一个你自己的后台指标里。没有曝光、没有会话、没有跳出，什么都没有。它是一次完全静默的出局。

这也是为什么这类损失必须专门去测，站内B2B买家先问AI再做决定那篇讲的正是这段看不见的筛选。

怎么把这件事讲给不做SEO的人听？

用买家的语言讲，别用指标的语言讲。

一个管用的说法是：客户问“有哪些牌子”的时候我们在名单上，可他接着说一句“我们厂子不大”，我们就没了。这句话销售一听就懂，产品经理一听就知道该补什么。

相比之下，“我们的多轮对话留存率是28%”这种表述，除了让人点头之外不产生任何行动。

保哥的经验是，把真实的对话截图贴出来最有效——第一句里有我们，第二句里没有了。这一屏比十页报告都管用。

监控频率该怎么定？

比传统排名监控低频，但要更成体系。

• 基础事实描述：每月跑一次，三个助手各一轮，主要看有没有硬错。
• 追问清单：每季度完整跑一次，每次固定同一批问题，才有得比。
• 做了内容改动之后：改动上线四周起测，别更早，因为模型这边的更新有延迟。
• 每次都跑多轮取出现率，别信单次结果。

更高的频率没什么意义，因为你的适配证据不会每周变，而模型的随机性会让高频数据看起来一直在抖。想把这套自动化跑起来，AEO靠哪六个环节持续盯防那篇的框架可以直接搬。

三个助手之外，其他引擎要不要一起测？

要，但优先级排在后面。

先把买家实际在用的那一两个测明白，比铺开测五六个更有价值。判断谁重要的办法很朴素：问销售，客户提到用AI查过的时候，说的是哪个。

另外要注意，搜索引擎里的AI界面和独立助手是两套东西，行为差别不小，AI概览和AI模式有什么区别那篇讲过它们各自的逻辑，别把在一处测出的结论直接套到另一处。

这套东西跟品类框定是同一回事吗？

不是同一层，但是相邻的两层，合起来才完整。

顺序上先解决品类，再解决适配——连品类都进不去，谈适配没有意义。

B2B和DTC在这件事上有什么不同？

研究跑的是B2B软件和金融科技，但机制对DTC同样成立，只是追问的维度不同。

B2B的第二句多半是团队规模、行业、集成、合规；DTC的第二句更可能是预算、尺码、使用场景、送达时间。表面不同，底下是同一件事：买家在给自己贴标签，而模型在判断你适不适合这个标签。

DTC这边还有个额外变量：品类内的选项多得多，所以第一个答案里的名单本来就长，流失的绝对数量会更大。

出海做多语言，追问流失会不会更严重？

大概率更严重，有三个叠加原因：

• 你的适配证据多半只有英文或中文版本，其他语言市场里模型能读到的更少。
• 不同市场的买家用不同的说法描述同一个细分，你的内容未必覆盖了当地的表述。
• 本地竞品在当地语料里的适配描述更密，一到具体条件就把你挤掉。

可做的是先测：把你的追问清单翻译成目标市场的自然说法，各跑几轮，看流失率跟英文版差多少。差得越多，说明当地语料的缺口越大。

一个出海工业激光设备站的复盘

保哥手上有个做工业激光切割设备的客户，主打东南亚和中东市场，客单价从十几万到上百万不等，典型的长决策周期B2B。

他们的问题很典型：问有哪些工业激光切割设备品牌，他们能进名单；但只要加一句适合中小型钣金加工厂，就基本消失了。而这恰恰是他们最想要的那批客户。

第一个月做诊断。按上面那份追问清单跑了六个维度，发现流失最严重的是规模和预算这两条——模型把他们归到了大型产线设备那一档。回头查内容，原因不难找：官网首页和案例全是大厂产线的照片和数字，中小客户的案例一个都没往外放，因为觉得不够有面子。

第二个月补证据。把三个中小钣金厂的案例整理出来，明确写清厂房面积、员工人数、日产量和投资回收期；产品页上给每个型号加了适用规模的说明；同时把一份中小厂选型指南投给了两家行业媒体。

第三个月复测。适合中小型钣金加工厂这个条件下开始出现，虽然不稳定，但从零到有。更有意思的是，Gemini那边先出现的，Claude那边慢了大约三周——正好和三家取料来源不同这个假设对得上。

诚实说一句，同期他们也在几个行业展会上做了曝光，所以变化不能全算到内容改造上。要拆开得跑对照，方法前面说过。

那次判断失手：以为进了第一个答案就算赢了

这个客户之前还有一段弯路。

最早做AI可见度监控时，团队用的是单次提问检查，跑的是品类词，看到自己稳定出现在名单里，结论是我们AI可见度不错。保哥当时也认可这个判断，还在月报里写了。

后来销售那边反馈说，客户提到用AI查过，但记得的是另外几个牌子。两边对不上。

再去测才发现问题：品类词下确实在，可只要加一句具体条件就没了。而真实买家几乎不会只问一句就做决定。我们测的那个位置，恰好是买家最不会停留的位置。

这次失手的代价是三个月的错误乐观，收获是一条规矩：任何AI可见度数字，先问它测的是第几句话。

这跟“被引用却不被推荐”是同一件事吗？

不是，但它们串在同一条链路上，而且顺序是固定的。

被引用说的是你的内容被当成了某句话的出处；被推荐说的是你的品牌被当成了一个选项。内容被引用却不被推荐那篇讲的是这两者的落差。

而这篇讲的是再往后一步：就算你已经被推荐了，进了那份名单，买家再说一句话你还可能掉出去。

把三层串起来看是这样的：内容被读到，品牌被列入，条件下被留住。每一层的失败原因不同，补法也不同，而多数团队只在第一层花力气。

能不能用增量测试的思路来验证适配改动？

能，而且这可能是目前最扎实的验证方式。

思路是把品牌当成实验单位：挑一批你要改的细分描述，另留一批完全不动，然后跑同一套追问，看两组的出现率走势有没有分叉。这正是研究方说的那个还没跑的因果测试。

落到自己身上，可行的简化版是按产品线切：给A产品线补齐适配证据，B产品线维持原样，两条线跑同一批追问。虽然不如跨品牌对照干净，但至少有了参照。

增量思路本身的设计原理、样本量怎么估、结果不显著该怎么读，站内增量测试怎么做才不白跑那篇讲的是通用方法，这里只是换了个实验对象。

消费者对AI越来越不信，这对追问流失意味着什么？

意味着这道筛选可能比数据显示的还要重要一点。

一个越来越不轻信AI的买家，会做的恰恰是追问——他不会拿第一个答案就下单，他会加条件、会验证、会换个说法再问一遍。而每一次追问，都是一次重新筛选。

换句话说，买家越谨慎，追问越多，你被筛掉的机会也越多。那种“用户懒得追问所以第一个答案最重要”的乐观假设，方向可能是反的。

关于使用率上升而信任下降这个组合，站内用的人越来越多、信的人越来越少那篇有更完整的数据。把它和这篇放在一起读，结论是：第一个答案的战略价值被高估了，第二、第三个答案才是真正的战场。

这份研究最容易被误读成什么？

几种误读值得提前说清：

• 误读一：以为AI推荐完全不可靠。恰恰相反，重复问只掉一成，说明它相当稳定。掉六成是因为问题变了，那是响应不是失灵。
• 误读二：把62%当成自己品类的数字。那是B2B软件和金融科技的结果，你的品类里适配这个维度的权重不同，数字也会不同。
• 误读三：以为分模型的方向差异是定论。研究方自己说那只是工作假设，依据的是另一份还没发表的研究。
• 误读四：把它当成又一个要买工具的理由。这份研究里最有价值的动作——换成多轮监控、补适配证据、核数字——都不需要新工具。

为什么“进了名单”这件事会让人产生错觉？

因为它给出的是一个看得见的、可截图的、可以放进汇报里的正面结果。

而被筛掉发生在下一句话里，没有任何界面会提示你。你截图的那一刻，你确实在名单上，这张图不是假的，它只是只覆盖了整段对话的开头。

这种错觉有个很具体的成本：团队会基于一个真实但片面的证据，判断这块工作已经做完了，然后把资源挪去别处。等销售那边反馈对不上的时候，往往已经过去一个季度。

避免它的办法只有一个，就是把监控的默认动作从“问一句”改成“问两句”。这个改动不需要预算、不需要工具、不需要立项，只需要有人决定这么做。

如果买家的第二句不是加条件，而是换个说法呢？

这是个值得单独测的变体，而且它的结果可能跟加条件完全不同。

换说法指的是同一个需求用另一组词表述，比如把“客户关系管理工具”换成“销售跟进系统”。这时候变的不是筛选条件，而是品类归属——你可能因为不在后一个说法的语料里而消失，跟适配没关系。

两者的区分方法很简单：如果换说法后掉出去的品牌，和加条件后掉出去的是同一批，那多半是同一个原因；如果是完全不同的两批，说明你面对的是两个独立的问题，得分开修。

换说法这一层的机制与补法，用向量嵌入把AI认不全你的地方挖出来那篇提供的工具可以直接拿来找缺口。

这份数据的保质期有多久？

比多数AI相关的研究都长，但也别当成常量。

稳的部分是机制：模型会根据买家给出的条件重新筛选，这件事不会因为版本更新而消失，它是这类产品的基本工作方式。

会变的是数字和方向。62%是特定时间、特定模型版本、特定品类下的结果；三个助手各自偏保守还是偏夸大，更是随着它们取料策略的调整而变。今天Claude偏保守，下一个版本未必。

所以正确的用法是：把机制记住，把数字当基线，然后用自己的品类每季度重测一次。方法比结论的保质期长得多。

哪些行业受这套机制影响最小？

“适配”这个维度区分度越低的行业，受影响越小。

但要注意，“影响小”不等于“不用管”。即便是标准品类，价格区间和交付时效这类条件仍然会触发筛选，只是流失幅度没那么吓人。

内容改完之后，先看哪个信号？

按出现的先后排，有三级：

1. 描述准确度先变。模型对你基础事实的说法开始纠正，这是最快的，因为它只需要读到新的文本。
2. 细分条件下的出现率跟着变。这一步慢一些，因为它要重新形成一个判断，而不只是更新一个事实。
3. 被推荐的位置和语气最后变。这一层受第三方语料影响最大，你自己站上的改动推不动它。

顺序反过来看也有用：如果第一级都没动，说明模型压根没读到你的新内容，那先去查可爬性，而不是继续改文案。

如果三个助手都说你不适合，问题出在哪？

三家同时判错，通常不是模型的问题，是你的定位在公开信息里本来就模糊。

这时候值得停下来问一个不太舒服的问题：抛开AI，你的客户自己能不能一眼看出你适合他？如果销售也要解释半天，那模型看不出来一点都不奇怪。

研究方自己承认的那个可能性——真实定位同时驱动了模型描述和推荐结果——在这种情况下几乎可以确定成立。这时候要改的不是内容，是定位本身，而那是产品和市场的活，不是SEO的活。

这件事在团队里该谁负责？

它天然跨了三拨人，谁都不能独立完成：

最后一行最容易被跳过，也最容易补——找销售要十个客户常问的第二句话，这件事花不了一个下午。

预算有限的时候，先补哪一层？

按性价比排，顺序很清楚：

1. 先补基础事实。成本最低，收益最直接，而且三个助手都吃这一套。
2. 再补自有站上的适配描述。定价页、产品页、方案页写明适合谁，改动量可控。
3. 然后是客户案例的重新组织。不需要新写，把已有案例按规模和行业重新分组呈现就行。
4. 最后才是争取第三方内容。见效最慢、最不可控，但天花板最高。

前三步基本不需要额外预算，只需要有人认真做一遍。真正需要投入的是第四步，而它应该建立在前三步已经做完的基础上——自己都没说清楚适合谁，第三方更不知道该怎么写你。

有没有一份能贴墙的追问自查清单？

把全文收敛成一张表，每季度对着跑一遍：

倒数第二行是天花板所在，最后一行是能不能证明自己有进步的前提。多数团队卡在最后一行——不是没做事，是做完了说不清有没有用。

这套判断能不能用样本量的常识去验？

能，而且应该。那次掉零事件的教训正是这个。

拿到任何一份AI研究，先把百分比换算回原始计数，再看拆到最细的那一格还剩多少。三个模型乘两个方向，是六格；六格分33个样本，每格五六个，这种数下的任何“倾向”都不该被当真。

这套判断标准跟做A/B测试时算样本量是同一回事，站内A/B测试样本量怎么算才不出假胜利那篇给的三个公式可以直接借用——不是让你去算显著性，而是培养一个反射：看到百分比先找分母。

从这周开始，先做哪三件事？

成本都很低：

1. 把你现在的监控加一句话。在原来的品类词提问后面，加一句最典型的买家条件，两个结果并排看。这一步就能告诉你有没有问题。
2. 从销售通话里摘十个真实的第二句。它们就是你的追问清单，比任何模板都准。
3. 把三家对你的基础事实描述各跑一遍。硬错的地方记下来，那是这个月最划算的活。

做完这三件，你至少知道自己是卡在第一句还是第二句。这两种情况的解法完全不同，而多数团队从来没分开量过。

常见问题解答

为什么重复问同一个问题名单基本不变，加一句条件却掉六成？

因为这是两种完全不同的变化。重复提问时的一成波动来自模型输出本身的随机性，属于噪声；加一个买家条件后的六成流失来自模型对你适合谁的判断被激活了，属于响应。前者只能靠多次采样抹平，后者可以通过补适配证据去改善。

62%这个数字能直接套到我的品类上吗？

不能。这份研究跑的是B2B软件和金融科技类目，这两类的选型高度依赖适合什么规模、什么行业。如果你的品类里适配维度区分度不高，流失会小得多；如果比这两类还依赖适配，可能更严重。正确做法是用自己的品类词加自己的买家条件跑一轮。

三个模型说错我的方向不一样，我该先修哪个？

看两件事的重合：你的买家主要在用哪个助手，以及哪个助手对你的描述错得最离谱。另外优先修说你没有某功能的那类错误，因为它直接把你踢出候选；夸大类的错误虽然也有代价，但至少你还在名单里。

改了内容之后，多久能看到模型改口？

没有可靠的时间表。研究方明确说他们没做前后对比测试，原话是当成值得测的而不是几周内保证。任何人给你一个具体时间窗，都可以追问他的对照组是怎么设的、跑过多少品牌、三个助手的时间表为什么一样。

为什么一份正式报告里的错误数字能一路流传到发表？

因为流畅的阅读本身就是预测性的。读者不是逐字解码，而是根据上下文预测下一个词然后继续，所以一个掉了的零、一个漏掉的否定词都容易被跳过。修法不是少信报告，而是在流程里留一个真的去核数字的人，而不是只看段落读起来顺不顺。

我该怎么找出买家真正会问的后续问题？

去销售通话记录、售前工单、在线咨询和报价表单的需求栏里找。这几处拿到的是买家原话，而模型面对的正是买家原话。自己在会议室里编的追问清单，往往比真实提问更规整、也更没用。

这跟品类框定说的是同一件事吗？

不是同一层。品类框定决定你被编进哪个品类，影响的是能不能进第一个答案；细分适配决定同一品类里你适合谁，影响的是第二个答案留不留得住。顺序上先解决品类，再解决适配，因为连品类都进不去就谈不上适配。

做多语言市场，这个流失会不会更严重？

大概率更严重。你的适配证据多半只有一两种语言版本，不同市场的买家描述同一个细分时用的说法也不同，加上本地竞品在当地语料里的适配描述更密。建议把追问清单翻译成目标市场的自然说法各跑几轮，跟英文版的流失率对比，差得越多说明当地语料缺口越大。

权威参考资料