门店在Google地图排到第一，为什么用户问AI时推荐里没有你？

摘要：门店在Google地图里排得好好的，用户到ChatGPT里问“附近哪家靠谱”，AI报出来的却全是别人。这不是玄学，是本地商家在AI搜索里走的根本是另一套逻辑：Google看你自家网站和商家资料，AI更看全网第三方怎么说你。这篇把本地商家做AI搜索可见度的完整打法拆开——实体清晰、相关、第三方佐证三根支柱，六个落地动作（本地SEO底子、放行AI爬虫、盯准哪个引擎喂哪个AI、答对用户会问AI的问题、补齐本地Schema、挣到第三方提及与引用），再给一张按投入产出排序的门店落地优先级表、一套判断这事有没有起作用的衡量办法，外加本地商家最容易栽的几个坑。结合我一个做本地家政的客户从AI里查无此人到被点名的实操，帮你把有限精力花在真正撬动AI推荐的地方。

先说个让不少本地商家后背发凉的场景。一家开了六年的家政公司，Google商家资料五星好评几百条，“城市名+保洁”这类词在地图包里稳居前三，老板一直觉得本地获客这块稳了。结果前阵子他自己拿ChatGPT试了一句“我在XX区，找个靠谱的深度保洁推荐一下”，AI热情地报了四家，没一家是他——报的全是他平时都没太当回事的小同行。

他第一反应是AI瞎推荐。可我帮他一路查下来，发现问题一点都不玄：AI不是不认他，是它压根没从他那套Google资产里读到足够的信息去推荐他。本地商家在AI搜索里的可见度，和在Google里的排名，是两套不完全重叠的账。今天这篇，保哥就把本地商家怎么在AI搜索里被看见、被推荐这件事，从底层逻辑到具体动作、再到怎么衡量效果，一次讲透。

本地商家在AI搜索里，凭什么和在Google里是两套打法？

要讲清这件事，得先搞明白AI在回答一个本地问题时，脑子里到底在算什么。它不是像Google那样把一堆网页按排名列给你，而是要现场合成一个答案，还得敢把某几家的名字写进去。它敢不敢写你，取决于三件事。

第一是实体清晰。AI得先能明确回答：你这家店到底是干什么的、提供哪些服务、覆盖哪片区域。这三点在它的认知里越清楚，它越有底气在对应的问题里点你的名。反过来，如果它对你的业务范围一知半解，哪怕你就在用户楼下，它也不敢贸然推荐——因为它没把握你能不能接住这单。

第二是相关。用户那句问话里藏着一堆参数——地点、服务类型、预算、时段、紧急程度，你的信息得能对上这些参数，AI才觉得你是这道题的答案。一个只在你网站首页笼统写着“专业服务”的店，和一个把“XX区”“24小时急修”“明码标价”都讲清楚的店，在AI眼里的相关度天差地别。

第三，也是和传统本地SEO差别最大的一点：第三方佐证。AI判断要不要推荐你，很大程度上不是看你自己怎么说，而是看全网别的地方怎么说你——目录网站、评价平台、行业媒体、论坛讨论，这些第三方信号越丰富越一致，AI越敢采信你的存在。一份关于本地商家AI搜索优化的实操梳理把这点讲得很直白：一家店可以在Google上排得很好，却因为第三方存在感太薄，在AI里几乎隐身。

把这两套打法并排放一起，差别就一目了然了：

一家在Google稳居前排的门店，凭什么在ChatGPT里查无此人？

回到开头那家家政公司。它的Google资产其实很扎实：网站有、商家资料满、评价多。可这些资产有个共同点——全是它自己地盘上的信息。网站是它自己写的，商家资料是它自己填的，评价虽然是客户留的，但也都躺在Google一家的池子里。

AI合成本地推荐时，恰恰对这种自说自话的信息保持警惕。它更信的是那种你控制不了、却反复出现的第三方描述：某个本地生活平台上有人写过它的服务体验，某个行业目录里有它的规范条目，某个论坛帖子里有人问过“XX区保洁哪家好”底下有人提到它。这家公司缺的正是这一层——它在自己地盘上很响亮，出了这块地盘就几乎没声音。

更具体地说，我当时拿它的名字去几个AI里交叉验证，发现一个扎心的事实：ChatGPT、Perplexity、Gemini对它的认知几乎是空白，问到它所在区域的保洁，答案里的名字来来回回就那么几家，全是在本地媒体和社区里被反复提到的。它不是输在服务质量，是输在全网关于它的可被AI读取的信息实在太少。

这就解释了那个反直觉的现象：Google排名和AI可见度不是一回事。Google可以靠你自家资产的优化拿到好排名，AI却要在全网找到足够多互相印证的信号，才敢把你写进那个只有三四个名额的答案里。想真正读懂AI为什么会在某些本地问题里对你视而不见，可以对照AI答案背后训练数据共现这套底层机制一起看，本地商家面对的其实是同一套逻辑在门店场景里的落地。

本地SEO那套老底子，到底还算不算数？

算数，而且是地基。别一听AI搜索是新打法，就把过去那套本地SEO推倒重来——恰恰相反，AI能读到的关于你的基础信息，很多正是从这套老底子里来的。只是重点要挪一挪。

商家资料这块，四个字段值得重点打磨。名称、地址、电话这组NAP信息要准且统一；商家描述别写成口号，用一两句话说清你做什么、覆盖哪、凭什么值得选；服务项要列全，最好带上价格区间和说明；评价则是数量、星级、内容三者都算数，AI会从评价文本里读出你到底擅长什么。这里有个常被忽略的点：评价内容比星级更值钱。一堆只有五星没有文字的评价，对AI几乎没用；而一条写着“上门很准时，把厨房油污清得很干净”的评价，等于替你把“准时”“厨房深度清洁”这些标签喂给了AI。

接下来是目录收录。按你的行业挑对平台——家政、维修这类上Angi、大众点评这类本地生活平台，餐饮上美团、点评，医疗上垂直的医疗目录，酒店上携程、TripAdvisor这类。这里有个死规矩：所有目录上的NAP必须和商家资料完全一致。地址一处写路、一处写道，电话一个带区号一个不带，这种不一致会把你的实体信息撕碎，AI一看对不上，干脆就不敢推你了。评价也接着攒，靠服务后顺口提一句、桌上放个二维码方便扫、事后邮件跟进，但别拿赠品折扣换好评，这是各家平台明令禁止的，被发现还可能反噬。

robots.txt里那行disallow，会不会正把AI爬虫挡在门外？

这是个特别容易被忽略、却可能一票否决的技术细节。AI要引用你的网站内容，前提是它的爬虫能爬得进来。GPTBot、ClaudeBot、PerplexityBot这些AI爬虫，如果被你网站的robots.txt挡在门外，那你网站上写得再好，AI也读不到。

好消息是这些爬虫默认是放行的，你什么都不用做也能被爬。需要动手的情况只有一种：你（或者某个好心办坏事的运维、某个默认拦爬虫的托管主机）曾经在robots.txt里显式写了disallow把它们拦了。我就遇到过好几次，客户网站换了托管、或者装了个安全插件，AI爬虫被悄没声地拦了，人还蒙在鼓里，只觉得AI怎么突然不引用自己了。

所以动作很简单——去翻一遍你的robots.txt，确认没有针对这几个爬虫的封禁规则。到底该不该拦、拦了有什么代价，这里面的取舍我在拦AI爬虫该不该的三层选型框架里专门拆过，本地商家的默认建议是全部放行——你巴不得AI多读读你，没道理把它挡在门外。

你知道ChatGPT其实从Bing读你、Claude从Brave读你吗？

这是本地商家最容易搞错方向的一环，也是保哥觉得最值得单拎出来讲的。很多人一想到做AI可见度，就一头扎进“怎么优化ChatGPT”，却没想过一个更前置的问题：这些AI的实时结果，到底是从哪个搜索引擎读来的？

答案是各有各的来路。Google的AI概览和AI模式，读的是Google自己的索引；ChatGPT的实时联网结果，很大程度上走的是Bing；Claude的联网检索，则用的是Brave。这条链路意味着什么？意味着你想被某个AI引用，前提是你的网站已经被它背后那个引擎收录了。这就像你想让一个只逛A超市的人买到你的货，你却只把货铺进了B超市——货再好，他也遇不上。

很多本地商家死盯着Google做收录，Bing和Brave那边压根没管过，结果就是网站在Google能搜到、在ChatGPT里却引用不到——因为ChatGPT的那条Bing链路上，根本没有你。

所以务实的动作是：sitemap不光提交给Google Search Console，也提交给Bing Webmaster Tools；Brave那边有独立的URL提交入口，也顺手交一下。把这几条收录链路都打通，AI才有可能在它各自的检索里找到你。这套多引擎并行的思路，和Google把Gemini塞进地图后本地搜索数据源优先级的变化是一体两面，都是在提醒你别把鸡蛋全押在一个引擎上。

用户到底会拿什么问题去问AI？FAQ怎么答才答在点子上

AI回答本地问题时，特别爱引用那种问题—答案配对清晰的内容。所以给网站配一批真正对着用户会问AI的问题去写的FAQ，是让AI引用你的一条捷径。关键在于，你得先搞清楚用户到底会怎么问。

挖这些真实问题有几个来路。翻你过往的客户咨询记录——电话里、表单里、微信上，客户反复问的那些，就是最真实的需求；看你服务关键词在搜索结果里的“大家还在问”，那也是一批高频疑问；再借AI提示词研究工具，专门找那些带地域、带你这行服务的对话式问题。这里要提醒一句：人问AI的方式和在Google里敲关键词很不一样，往往更长、更口语、更像在跟人聊天，所以别照搬关键词列表，得按对话的口吻去还原问题。

举个例子，一家做管道疏通的公司，如果网站FAQ里正好有一条“你们能用管道内窥镜先检测再报价吗”，那当有人拿类似问题去问AI时，AI就很可能直接引用它的这段内容作答，用词都和网站上几乎一样。这种把用户真实疑问原样接住的内容，比泛泛的服务介绍好使得多——因为它接住的是一个具体意图，而AI最想要的就是能精准回应意图的现成答案。

本地商家会被问到的问题，其实有几个高频的套路，值得对着写。一类是资质与流程类，比如“上门前会不会先报价”“有没有保险和售后保障”；一类是范围与时效类，比如“XX区能不能当天上门”“周末和节假日接不接单”；一类是横向比较类，比如“同样的价钱选你还是选连锁品牌”。这几类问题的共同点是都带着一个待打消的顾虑，你要做的就是把顾虑正面接住、答得实在。把这些答案写清楚、再用FAQ结构标注好，等于提前把用户丢给AI的问题，替AI备好了标准答案——它当然乐意直接引用你。

机器读你的门店信息，Schema这层结构化数据补了没有？

人看网页看的是排版，机器看网页看的是结构。Schema结构化数据，就是把你门店的关键信息用机器一眼能认的格式标注出来，帮AI快又准地解析你是谁、在哪、评价如何。本地商家有几类Schema值得优先补齐。

LocalBusiness打底，把NAP、营业时间、所属类目这些核心信息结构化；Service标注你具体提供哪些服务、覆盖哪些区域、什么时段可约；FAQPage把上一节那批问答标注成标准的问答结构——顺带说一句，Google现在前台已经不展示FAQ富媒体结果了，但这套结构对AI解析依然有价值，别因为前台不显示就不做；AggregateRating则把你的平均星级和评价总数标出来，让AI在推荐时能顺手带上你的口碑数字。

这几类标注补齐，等于给AI递上了一份它最爱读的结构化名片。不用担心技术门槛，主流建站工具和插件大多能生成这些标注，你要做的是确认它们真的填对了、和你商家资料里的信息对得上，而不是插件默认留了一堆空字段。标注里的信息和网站上、商家资料上的信息三处一致，AI才会信得过。

第三方提及和引用，才是AI敢不敢推你的底气

绕了一圈，回到最开始那根最关键的支柱——第三方佐证。这也是六个动作里最难、却最能拉开差距的一环。它其实分两种，得分开做。

一种是第三方提及，指的是外部站点上那些描述你的文字——行业媒体的报道、博主的体验、论坛里的讨论、本地生活平台上的点评。这些文字的价值在于制造共现：当你的店名反复和某些概念（比如“XX区”“深度保洁”“靠谱”）一起出现，AI就慢慢学会了把你和这些概念绑在一起。另一种是第三方引用，指的是目录里那种结构化的NAP条目——商家资料、各类本地目录里规范的名址电话记录。前者塑造的是AI对你的印象，后者夯实的是AI对你的基础事实认知，两条腿都得有。

动手的方向也就清楚了：目录条目按前面说的补全并保持一致；提及这块，主动做点本地公关——有新服务、有里程碑、有值得说的数据，就去跟本地媒体、行业号递选题；论坛和社区里，用你希望被别人描述的那套语言，真诚地参与讨论。

当初帮那家家政公司翻盘，靠的正是这一层：先在两个本地生活平台补齐规范条目，再推动几篇真实的服务体验内容落到本地媒体和社区，让“XX区”“深度保洁”“口碑好”这些词开始反复和它的店名一起出现。个把月后再问AI同样的问题，它的名字终于进了那份三四家的推荐名单。这套把模糊品牌一点点喂成AI认得清实体的思路，本地商家和大品牌其实走的是同一条路，只不过你要喂给它的，是带地域、带服务类型的那组标签。

门店该按什么顺序把这套落地，才不至于用力过猛？

六个动作全铺开，中小门店的人力和预算大概率扛不住。所以别一把梭，按投入产出排个序，先啃性价比最高的。保哥按自己带客户的经验，把它们大致排成三档：

这个顺序的逻辑是：先用最小成本把“AI读得到你”这件事解决掉，再逐步夯实“AI认得清你”，最后才是长期投入去挣“AI愿意推你”。对连锁多门店的商家，这套顺序还要再叠一层复杂度——每家店的实体、评价、区域信号都得单独立住，不能拿总部那套一键复制几十遍，这个坑我在连锁多门店做本地SEO为什么单店那套原样复制就翻车里专门讲过。按这个节奏走，有限的精力才不至于撒在见效最慢的地方。

怎么知道这套到底有没有在起作用？

做了半天，最怕的是不知道有没有用。传统SEO你能看排名、看流量，AI可见度这东西看不见摸不着，怎么判断？保哥的办法分土办法和工具办法两层。

土办法人人能上手：把你最看重的那几个本地问题，定期拿去各个AI里问一遍，记下来答案里有没有你、排第几、旁边都是谁、AI提到你时是夸是损。别只在一个AI里问，ChatGPT、Perplexity、Gemini各问各的，因为它们的脾气差很多；也别只问一次，隔几天问一次，看趋势。这套手动记账很枯燥，但胜在真实——你亲眼看到自己在AI答案里的位置怎么变。

记账不用搞复杂，一张表就够：左边一列列上你那五六个核心问题，上面一行列上几个AI平台，交叉的格子里每周填一次——被提到就打个勾、没提到就画个叉，顺手在旁边记一句它当时推了谁、说了你什么。坚持一两个月，这张表会自己说话：哪个问题在哪个平台一直是叉，那就是你下一步该重点攻的缺口；哪个格子从叉变成了勾，那就是你前面某个动作真见效了。这种朴素的对照，比任何玄乎的说法都更能告诉你力气该往哪使。

工具办法则是把这件事自动化。市面上已经有专门监测AI可见度的工具，能帮你按提示词、按平台持续追踪你的提及率、引用来源、情感倾向，一旦某个高价值问题上你的份额掉了就报警。对预算有限的单店，先用土办法盯住三五个核心问题足矣；等业务上了规模、要盯的问题多到人手记不过来，再上工具。核心是别做了优化就撒手不管——AI答案每周都在变，你这周进了名单，下周可能又被挤出去，得持续盯。

不管土办法还是工具办法，开工前有个动作千万别省：先给自己拉一条基线。也就是在动手优化之前，把你那几个核心问题在各个AI里的当前表现原样记一份——现在有没有被提到、排第几、旁边是谁。这条基线是你日后判断有没有进步的唯一参照。那家家政公司当初的基线就是四个核心问题里零提及，个把月后变成三个问题能稳定被点名，这一升一降对比出来，才知道力气没白费。没有基线，你后面看到的一切数字都没有意义，因为你不知道它到底是变好了还是本来就这样。

本地商家做AI搜索，最容易栽在哪几个坑上？

带客户这一路，我见过几个反复出现的坑，拎出来提醒你避开。

第一个坑是NAP不一致还不自知。很多老店换过地址、改过电话，但旧信息还散落在一堆老目录里没清理，新旧信息打架，AI一看就懵，干脆谁都不信。定期用你的店名去搜一圈，把过时的条目一个个更正或清掉，这是最容易被忽略、性价比又极高的一件事。第二个坑是以为AI优化能一劳永逸。前面反复说了，AI答案高度流动，做完就归档等于白做，它是个需要持续养的活儿。

第三个坑是急功近利去刷假信号——买假评价、找水军刷论坛。这不光违反各平台规则，AI现在也越来越会识别这种反常的信号堆积，一旦被判定为操纵，反噬比不做还惨。第四个坑是只顾AI、丢了根基。别忘了AI的很多信息还是从Google、从你的网站、从真实评价里来的，把本地SEO的地基丢了去追AI，等于房子盖在沙滩上。

还有个更隐蔽的第五坑：区域信息含糊。很多店觉得我就在这片、大家都知道，网站上却从头到尾不明说自己覆盖哪几个区、哪几个街道。可AI回答的恰恰是带地点的问题，它没法从含糊里推断你的服务半径，只能跳过你。把你实际能覆盖的区域、能上门的范围，在网站和商家资料里白纸黑字讲清楚，是本地商家最该补、又最常漏的一笔。稳扎稳打把这些真实信号一点点做厚，才是唯一走得远的路。

这件事有没有一个能拿来对标的基线数字？

上面讲的全是打法。但打法要落地，你总得先知道现在的水位在哪——别人普遍做到什么程度，你差多少。

目前公开材料里，样本最大的一份本地可见度基线来自一家做多门店营销的厂商。它分析了2751个全美多门店品牌，抽样覆盖约35万个门店地点，横跨零售、餐饮、本地服务、金融服务、物业管理五大行业和42个细分品类。

核心那组数字是这样的：

先说这份样本的边界，因为它决定了这些数字对你适不适用。入选门槛是50家门店以上的品牌（物业管理类是管理10处以上物业）。也就是说，这是一份全美连锁品牌的基线，不是街边单店的基线。

如果你是单店或者三五家店的小连锁，这组数字对你只有参考意义，不能直接对标。你的竞争环境、被提及的方式，跟一个有几百家门店的全国品牌完全不是一回事。

那个到处被引用的“30倍”，为什么应该写成“3到30倍”？

这份数据传播过程中发生了一件很典型的事，值得单独说。

报告原文的表述是：AI平台比传统本地搜索挑剔3到30倍。这个区间怎么来的？35.9除以11.0约等于3.3，35.9除以1.2约等于29.9——区间的两端，就是三个平台里最好的那个和最差的那个。

然后这个数字开始了它的旅程。厂商自己的新闻稿把它收窄成了“接近30倍”，行业媒体的标题写成了“最高30倍”，等到几个月后有人写操作教程再引用时，已经变成了“大约30倍的差距”。

从一个区间，变成了区间的一个端点，再变成一个确定的数。三步走完，中间那个更能说明问题的3.3倍消失了。

这不是谁故意造假，每一步转述单独看都不算错。但区间被反复压缩成端点，是行业数字在传播中最常见的一种失真。你下次看到一个干净利落的倍数时，值得回头翻一下原文，看看它本来是不是个区间。

最可比的那一组，为什么反而只有3.3倍？

这一节是我认为整份数据里最该被读出来、却几乎没人讲的一层。

三个AI平台里，Gemini的处境和另外两个不一样：它明确基于Google自己的本地数据。而作为对照组的本地三包，用的也是同一套Google地图数据。

同一份底层数据，同一套查询构造，比值只有3.3倍。

而ChatGPT那一侧是29.9倍。两者之间差出来的那一大截，指向的多半不是“AI看不上你这家店”，而是ChatGPT缺少一个中心化的本地商家数据源——它不像Gemini那样有Google地图可以直接读。

这个区分对你的行动方向影响很大。

如果差距的成因是“你的门店不够好”，那该做的是提升门店本身的信号——评分、评论、资料完整度。如果成因是“对方没有可靠的数据源可读”，那该做的是把你的门店信息铺到它读得到的地方去，这是两件事。

结合前面讲的第三方佐证那一节，逻辑就闭环了：ChatGPT那一侧的低命中率，恰恰印证了为什么第三方信号对本地商家这么关键——它没有Google地图可读，只能靠全网别的地方怎么说你。

Gemini那个100%的准确率，为什么一点信息量都没有？

同一份报告里还有一组关于商家资料准确率的数字，长这样：ChatGPT是68.3%，Perplexity是68.0%，Gemini是100.0%。

看到100.0%这个数你可能会想：Gemini在本地数据上是不是强得离谱？

但报告在这三个数字下面挂了一行小字注释，原话是：请注意，Gemini基于Google地图，而Google地图正是我们判断资料准确性的真值基准。

读到这行注释，那个100%就塌了。

拿Google地图当标准答案，去考一个直接读Google地图的模型——它当然得满分。这个数字不是测出来的，是定义决定的，它不携带任何关于Gemini能力的信息。

要给这家厂商说句公道话：这行注释是它自己主动写上去的，没有藏着掖着。真正出问题的是转述环节——注释在传播中被丢掉了，只剩一个漂亮的100%。

这里可以提炼一条通用的读法：看到某个参与者拿满分，先去找真值基准是谁定的。如果基准和满分选手同源，那这个满分就是个恒等式，不是发现。

“被推荐”到底是怎么算出来的，这个定义决定了什么？

百分比背后的操作定义，往往比百分比本身更值得看。这份报告的定义写在脚注里。

做法是：让每个平台在该品牌有门店的市场里，推荐10家对应主品类的商家；如果目标门店出现在前5个结果里，就算这家店“可能被AI推荐”。查询构造大致是“某市场的某某品类”这种形式。

这个定义里有个细节很容易被忽略：AI这一侧是10选5，而本地三包只有3个位置。

换句话说，AI那边给的坑位更多，命中率却更低。

这一点很重要，因为它堵死了一个常见的辩解。有人会说AI的差距是位置太少造成的——数据不支持这个说法，位置反而是AI那边多。差距是真实的，不是槽位几何的假象。

按门店计分这件事，为什么会系统性压低AI那一侧的数字？

不过这份对比里，确实藏着一处结构性的不对称，报告本身没有展开。

本地三包是按物理距离个性化的。同一个品牌在一个城市有5家门店，每家店都能在自己周边那片区域的搜索里进三包。分子按门店算的时候，这5家可以都算命中。

AI那条提示词不一样。在一个市场里问一次，它只返回一张榜单。品牌通常只被点名一次，最多带出两三家最近的店。

分子分母都按门店算，结果就是：门店密度越高的品牌，在本地三包那一侧被结构性抬高，在AI那一侧被结构性压低。

报告里有张截图恰好印证了这点：ChatGPT在回答一个查询时，一口气列出了同一个品牌在三个城区的三家门店，而且整个回答里没有提到任何别家品牌。

这就是AI本地推荐的分布特征——赢家能一次拿走好几个名额，输家一个都拿不到。这种极度两极的分布下，1.2%这个平均值被大量的零严重拖低了。

所以1.2%的正确读法不是“每一百家店里有一家多多少少能被提到”，而是“绝大多数品牌是零，少数品牌一次吃掉整张榜”。这两种读法对应的策略完全不同：前者让你觉得再努努力就能挪一挪，后者告诉你这是一道要么进要么不进的门槛。

同一批品牌之间的差距，能有多大？

平均数掩盖离散度。同一份报告里的单品牌数据，比那个总平均有意思得多。

Culver's这一组，两边只差不到2倍。Liberty Tax这一组，差了21倍。

同一份研究、同一套方法，两个品牌的差距能差出一个数量级。这时候再说“行业平均30倍”，就有点不知所云了。

更实用的一条结论藏在这里：差距大小很可能主要由行业决定，而不是由某个品牌做得好不好决定。餐饮这类用户高频问AI、且答案不太敏感的品类，AI愿意给推荐；金融服务这类涉及资质和风险的品类，AI明显更保守。

所以在给自己定目标之前，先看看自己所在的品类，AI到底愿不愿意开口。这比盯着一个跨行业平均值有用得多。

另一份研究说93%的商户AI都认识，这和1.2%矛盾吗？

不矛盾，但两个数放在一起特别能说明问题，值得专门讲一下。

另有一份对1万家本地商户的研究给出了一组很不一样的数字：93%的商户是被AI“知道”的，但其中只有约55%的资料是准确的；进入本地包的商户被推荐的频率高出3.5倍；可见商户平均有133条Google评论，而隐形商户平均只有11条。

93%对1.2%，差了七十多倍。哪个是真的？

两个都是真的，因为测的根本不是同一件事。

被知道，是你问“XX店怎么样”它答得上来。被推荐，是你问“这附近哪家好”它主动报你的名字。前者是记忆，后者是排序，中间隔着一整个竞争过程。

这个对照给出的通用教训是：两个数字打架的时候，先别急着判断谁对，去看它们各自测的是哪个动作。多数所谓的数据冲突，最后都是定义冲突。

落到行动上，这两个指标该分开管。认知层出问题，改的是资料准确性和一致性；推荐层出问题，改的是评论、第三方提及和差异化。用改认知的办法去救推荐，力气会白花。

这份报告是谁做的，它的结论指向谁的钱包？

最后必须补一句出身。这类数据基本都来自厂商，看的时候得把这层考虑进去。

这份报告的发布方，卖的正是多门店品牌的本地营销自动化——商家资料管理、本地落地页、口碑与评论管理、社媒发布。

而报告的结论是：98.8%的门店在ChatGPT里是隐形的，原因是资料准确度、评论情绪、跨平台一致性不达标。

这三条原因，恰好逐条对应它在卖的几个产品模块。报告页面底部挂着免费审计的转化入口，被当作正面案例的品牌里也有它自己的客户。

说这些不是要否定数据。这份报告的样本量、查询构造的平行性、以及主动披露真值基准这几点，在厂商研究里算是相当规范的了，前面那些分析也都建立在它给的数据上。

要提醒的是紧迫感是被设计过的。“隐形的代价前所未有地高”这类话术，和数据本身不是一回事。数据可以信，节奏得自己定。

更实际的做法是：把这些数字当成一把尺子去量自己，而不是当成一个必须马上够到的目标。你所在的品类、门店密度、单店还是连锁，都会让你的合理水位跟这个平均值差出很远。

那份1万家商户的研究，93%和55%能不能放在一起说？

上一节引用了那组93%和55%的数字，这里得补一个很容易读错的细节：这两个百分比的分母不是同一个。

报告的原话是，AI能识别出93%的商户，但在它认识的这些商户里，只有55%的资料是准确的。

换句话说，55%的分母是那93%，不是全部1万家。两个数连乘一下，按全样本口径算，资料准确的商户大约是51.2%。

差别看着不大，但决定了你怎么理解这件事。按55%读，你会觉得多数被认识的商户资料是靠谱的；按51.2%读，结论变成：随便抓一家本地商户，AI手上关于它的资料，准确和不准确基本各占一半。

这类分母切换在厂商研究里非常常见，也不一定是有意为之——报告自己那句话其实写得挺清楚，是转述的时候容易把限定语丢掉。读到并列的百分比，习惯性问一句“这两个数的分母一样吗”，能省掉很多误判。

这份研究到底问了哪几个AI？

这一点比分母更值得注意，因为它直接决定了结论能覆盖多大范围。

这份研究测的是ChatGPT和Perplexity两个引擎，不包含Gemini。

把它和前面那份报告放在一起看就有意思了：前面那份专门给出了Gemini资料准确率100%的数字，并且自己加注说明那是因为Gemini基于Google地图、而Google地图正是它判断准确性的真值基准。而这份1万家商户的研究，压根没把Gemini放进来。

所以当你看到“AI认识93%的商户”这句话时，准确的读法是：ChatGPT和Perplexity这两个引擎认识93%的商户。

这个限定很重要。这两个引擎的检索链路跟Google地图基本无关，它们读到的是全网第三方怎么说你。而Gemini那一侧的情况完全不同。把三家的结论混着用，会得出一些自相矛盾的判断。

133条评论对11条，这个差距为什么会被放大？

报告里那组很扎眼的数字是：被AI找到的商户平均有133条Google评论，对AI完全不可见的商户平均只有11条。报告自己把它称作12倍的差距。

有两个地方需要打个折扣。

第一，这是均值，不是中位数。报告用的词是averaged，而且没有披露中位数、标准差或者任何分布信息。评论数是典型的右偏长尾分布——少数几家评论上千的商户，就能把整组的均值拉得很高。所以133这个数，未必代表“一家典型的可见商户”长什么样。

第二，这两组是从两端取的。可见组的定义是被ChatGPT和Perplexity两个引擎都找到，隐形组的定义是对AI完全不可见。中间那一大批只被其中一个引擎找到的商户，被排除在这组对比之外了。

两端取极值再比，差距天然会比真实的梯度大。这不是造假，是统计口径的选择，但读的人得知道自己看的是两端而不是全貌。

落到行动上，我的建议是别把133当成一个要够到的目标。更有用的问法是：我所在的品类、我这个城市，同行的评论数中位数大概是多少，我在里面是什么位置。

进本地包被推荐多3.5倍，能不能反过来当行动指令？

报告里另一个被引用得很多的数字是：出现在本地包里的商户，被推荐的频率是没出现的3.5倍。

这个数字本身没问题，但有三条限制得说清楚。

一是没有绝对基数。报告没披露两组各自的推荐率是多少，所以3.5倍是从1%涨到3.5%，还是从20%涨到70%，完全不知道。这两种情况对应的行动优先级差得很远。

二是没有任何混杂控制。能进本地包的商户，通常评论也多、商家资料也全、网站也更像样——这些因素本身就会提高被AI提及的概率。把功劳全记在“进了本地包”头上，等于把一堆共线的因素揉成了一个。

三是最关键的：这份研究自己就声明是相关性研究。新闻稿里用的词是correlation study。相关性研究不支持因果解读，所以“挤进本地包就能让AI推荐我多3.5倍”这句话，报告本身并没有主张过。

那它还有没有用？有，但用法不一样。它适合用来判断方向——本地包和AI可见度是同向的，值得继续做；不适合用来许诺倍数。跟老板汇报的时候，这个区别能救你一次。

报告说网页体验指标没用，这个结论能信吗？

这份研究有个结论传播得挺广：核心网页指标跟AI可见度没关系。报告给的证据是，AI提及和不提及的两组商户，通过率几乎一样。

但把具体数字看一眼，事情就有意思了：两组的通过率分别是1.9%和1.1%。

注意这两个绝对值——都低到不足2%。也就是说，样本里绝大多数本地商户的网站，根本就没通过核心网页指标。

在一个几乎全员不及格的样本里，比较及格者的比例，能得出的结论其实很有限。这更像是“本地商户网站的性能普遍很差”，而不是“性能对AI可见度没影响”。真要验证后者，得找一批性能有明显分层的样本来比。

这条我特意拿出来说，是因为它是个很典型的陷阱：结论方向可能是对的，但给出的证据支撑不了那么强的结论。读研究的时候，看到“两组差不多”这种表述，顺手看一眼两组的绝对值，经常会有意外收获。

这份1万家商户的研究，又是谁做的？

前面已经拆过另一份报告的利益相关性，这一份也得同样对待，标准得一致。

发布方是一家英国的技术公司，产品是卖给营销代理商的商户审计与销售工具，自我描述里反复出现的动词是“卖”——帮代理商把AI可见度规模化地卖给本地商家，客户是40多个国家的200多家代理商。报告的署名作者是这家公司的CEO。

报告本身也不是一份公开文档，要填姓名、邮箱和公司规模才能下载。换句话说，这份研究同时也是一个获客表单。

最值得玩味的是结论的分布。研究认定“有用”的那些因素——评论数量、商家资料完整度、本地包表现、网站内容深度——恰好是这家公司审计模块的主打项；而认定“没用”的那些——核心网页指标、页面速度、结构化数据标记、H1、OG标签——恰好是免费工具和竞品最擅长展示的技术项。

我不认为这意味着数据是编的。样本量摆在那儿，几个结论方向也和我自己在客户那儿看到的情况大体吻合。但它确实意味着这份报告在选择讲什么、不讲什么的时候，是有立场的。

所以用它的正确姿势是：把具体数字当参考，把“所以你该赶紧做什么”当广告。这跟我在看SEO行业基准数据该怎么对标才不被带偏里说的是同一件事——厂商研究不是不能用，是用之前得先知道它想让你做什么。

常见问题解答

本地商家做AI搜索优化，是不是就得把原来的本地SEO推翻重做？

完全不用。AI能读到的关于你的基础信息，很多正是从本地SEO那套底子里来的——商家资料、网站服务页、评价，都是AI的原料。你要做的不是推翻，而是在这套底子之上加一层：补齐全网第三方信号，确保AI爬虫读得到你，把收录链路铺到Bing和Brave。老底子是地基，AI优化是往上加盖，不是拆了重建。

我的店在Google地图里排名很好，是不是AI里自然也会被推荐？

不一定，这恰恰是最大的误区。Google排名靠的是你自家资产的优化，AI推荐靠的是全网第三方互相印证的信号。很多店在Google很响、出了自己地盘却几乎没声音，AI就查无此人。想被AI推荐，得专门去挣第三方的提及和引用，这是Google排名替代不了的。

提交sitemap给Bing和Brave，真有必要吗？我一直只做Google。

很有必要。ChatGPT的实时结果很大程度走Bing，Claude的检索走Brave。你只在Google收录，等于在ChatGPT和Claude的检索链路上根本不存在，它们想引用你也找不到。提交这两处成本极低，却直接打通了两大AI的读取通道，属于典型的低投入高回报动作。

没什么预算，六个动作先做哪个最划算？

先做第一档几乎不花钱的：翻robots.txt确认没拦AI爬虫，把sitemap补交给Bing和Brave，把商家资料的名称地址电话、描述、服务、评价四块打磨到位。这几件一两天能完，却直接决定AI读不读得到你。等这些稳了，再逐步推目录一致性、FAQ加Schema，最后才是最花时间的第三方公关。

找不到第三方愿意提到我，这一层是不是就没法做？

别把它想成一定要大媒体报道。第三方提及可以很轻：本地生活平台上一条规范条目、行业目录里一个准确记录、社区里一次真诚的答疑，都算信号。先把这些低门槛的补满，再有新服务、有值得说的数据时，主动去跟本地媒体和行业号递选题。它是个慢工程，靠的是持续攒，不是一步到位。

这套做下来，大概多久能在AI里看到变化？

诚实说，没有一个固定的天数，但有个大致规律：第一档那些技术动作（放行爬虫、补交收录）通常最快，等各引擎重新抓取、AI再拉取，往往一两周内就可能看到网站开始被引用；商家资料和Schema这类打磨，效果跟着引擎的更新节奏走，通常几周内显现；最慢的是第三方提及那一层，因为它要等新内容被AI纳入信任来源，快则一两个月，慢则更久。所以别用做完立刻见效的心态去衡量它，而是把基线记好、每隔一两周复查一次，看趋势往上走就说明方向对了。