AI 可见性并非骗局，但多数衡量方式经不起数据质量检验

如果AI 可见性仪表板今年帮助你赢得了预算，那么在下一次季度评审前，先阅读四组数据。它们共同表明，AI 助手带来的流量只是 Google 带来的流量的一小部分。它们还表明，这些数据集都无法单独识别出许多人认为正在 Direct 流量和品牌搜索中显现的那种隐性 AI 影响。

这并不意味着 AI 可见性是骗局。这意味着，我们衡量它的大多数方式都无法通过基本的数据质量测试。

一次事件，还是趋势的开始？

2026 年 10 月 22 日，Rand Fishkin 在 SparkToro Blog 上发布了一期 5-Minute Whiteboard，标题为“AI 可见性是营销噱头吗？”。第二天，SparkToro 的首席布道师 Amanda Natividad 发送了她的 Audience Research Newsletter，提出问题：“如果 AI 可见性是骗局呢？”

很久以前，我就学会了区分事件和趋势。同一本书《Zero Click Marketing》的两位合著者在同一家公司工作，并且前后相隔一天发布两则警告，这看起来更像是一个事件，而不是两个事件。

但支撑他们警告的数据来自其他人。而且这些数据一直在不断累积。

来源	发布时间	样本	发现
Kevin Indig，Growth Memo	2026 年 10 月 19 日	12 个 GA4 属性，以及针对四个品牌进行的 632 项相关性测试	AI 可见性与之后的直接流量或品牌搜索之间没有可靠联系
Marie Haynes	2026 年 10 月 21 日	100 个网站，超过 1.45 亿次会话，12 个月	ChatGPT 带来的流量为 Google 自然流量的 0.62%；所有 LLM 合计为 0.73%
SEO Works	2025 年 9 月至 2026 年 8 月的数据	95 个 GA4 属性	自然流量带来的流量是 AI 助手的 39 倍
Ahrefs	2025 年 5 月 26 日	75,000 个品牌	品牌搜索量与 AI Overview 品牌可见性的相关系数仅为 0.392

流量数据很小，转化情况也好坏参半

Marie Haynes 研究了 100 个网站 12 个月的 GA4 数据。ChatGPT 访客的转化率为 13.8%，Google 自然流量的转化率为 3.02%。前者高出 4.5 倍以上，这正是 AI 可见性供应商会引用的统计数据。

但他们不会引用下面这个统计数据。在她的数据集中，Google 仍然带来了 96.5% 的总转化次数，而 Google 自然流量带来的转化次数是所有 LLM 合计的 27 倍。她还发现，ChatGPT 会话量的指数增长在 2025 年 8 月结束，大约是在 GPT-5 发布之际。

SEO Works 发现了一个更小的优势。AI 引荐的转化率为 7.18%，自然流量为 6.08%，合并比率为 1.18。然而，在 63 个拥有足够流量进行比较的网站中，有 23 个网站的 AI 流量转化效果更差。对于 B2B 产品企业，AI 的转化率是自然流量的 0.62 倍。

这项研究中，我会把下面这句话贴在每位 SEO 经理的显示器上。自然搜索提升 5%，每个网站每月就能带来 10.3 次额外转化。AI 引荐流量翻倍，则带来 6.6 次。

隐性影响尚未显现

通常的反驳是，点击从来就不是重点。人们在 ChatGPT 的回答中看到某个品牌，没有点击，之后却会搜索该品牌，或直接输入网址。

Kevin Indig 就是去寻找这种情况的。起初，他的 12 个属性中有 8 个显示 Direct 流量从 8 月增长到 9 月。随后，他筛选出了参与度较高的会话。在筛选后的 1 月至 9 月样本中，Direct 总量增长了 140.9%，而参与度较高的 Direct 变化为 −1.0%。在其中一个网站上，GA4 记录了 409,000 次 Direct 会话，但其中只有 198 次是参与度较高的会话。

那是机器人，不是买家。

随后，他对四个品牌进行了 632 次测试，将每周 AI 可见度与 Direct 流量和品牌搜索量进行比较，延迟时间从 0 周到 6 周不等。当他将数据移至故意错误的日期进行安慰剂检验时，其中几组错配仍与真实匹配一样呈现出强相关。他的结论是：“这种影响仍然可能存在。我只是无法将其单独识别出来。”

Natividad 将这一点与 Ahrefs 于 2025 年 5 月开展的一项针对 75,000 个品牌的研究联系起来。品牌相关网页提及与 AI Overview 品牌可见度的相关系数为 0.664，品牌锚文本则为 0.527。品牌搜索量排名最后，为 0.392。她认为，如果 AI 可见度能够可靠地产生品牌搜索，那么这个数字应该高得多。

另请参阅：直接流量与知名度——相关性，而非因果关系

Fishkin 和 Natividad 的实际结论

他们都没有说 AI 不重要。Fishkin 写道，AI“可能对某些行业中的某些买家具有相当大的影响力”。他认为 Mike King 的表述更为恰当：AI“更像是一个品牌渠道，或者说是一块数字广告牌，应该以这种方式进行投资和衡量。”

Natividad 的表述更加直接。“熟悉度本身就是一种营销成果。”随后，她补充了对任何构建仪表板的人来说最重要的一句话：“如果我们无法证明它，就不应该仅仅因为归因看起来合理而相信它。”

测量行业早在 5 月就预见到了这一点

SEO 界来得晚了些才参与这一讨论，而公关测量领域几个月前就已经开始了。

2026 年 5 月 20 日，AMEC，即国际传播测量与评估协会，在都柏林举行的全球峰会上发布了其 GEO 原则。两天后，我承认自己一直把 AI 引用视为新的搜索排名，而这种理解是错误的。出现在 AI 答案中是一种输出；它是否改变了人们的理解、信念或行为，则是一种结果。

AMEC 还通过配套白皮书深入探讨了这一问题：《AMEC 数据质量原则：应对 AI 时代非结构化数据质量挑战》。该白皮书的主要作者是 Converseon 创始人兼 CEO Rob Key，报告由 Global Data Quality Initiative 联盟共同制作，该联盟成员包括 Insights Association、ESOMAR 和 Market Research Society。

这份白皮书面向社交聆听和媒体分析师，而不是 SEO 从业者。不过，阅读时仍可在另一个标签页中打开 AI 可见度仪表板。白皮书提出了四个问题，任何数据集都应该在采取行动之前通过这些检验。

AMEC 问题	问题内容	AI 可见度数据如何未通过检验
来源	数据是否来自我们预期的来源，并且仅来自这些来源？	机器人会话夸大 Direct 流量，如 Indig 的 409,000 次会话示例所示
准确性	元数据是否完整，并且忠实反映底层数据？	将“提及”“引用”和“推荐”视为同一回事进行统计
现实世界	数据是否对应现实世界中的行为？	不会随品牌搜索、Direct 流量或销售管道变化的可见度分数
信任	最重要的相关人员是否信任这些数据？	CFO 看到 0.73% 的流量后便不再听取意见

第三个问题才是应该让 SEO 总监夜不能寐的问题。AMEC 称之为预测效度和构念效度。白皮书警告说，一项指标可能“在内部保持一致，却在外部并不真实”；而在 AI 时代，这类数据“不会被隔离在特定范围内，而是会不断传播”。

这正是对大多数 AI 可见度评分的准确描述。它们每周都很稳定。发布内容越多，分数就越高。至于它们是否能预测企业真正关心的任何事情，在 Indig 完成 632 次测试之后，仍未得到证实。

论文中还有两句话，应该出现在每一份 GEO 推介材料中。原则四指出：“只执行一次并束之高阁的评估是装饰，而非保护。”该原则与 AMEC 的 GEO 框架进行交叉对照后还指出，输出结果只是方向性的，应当“跨工具、提示词和时间”进行测试。一张 ChatGPT 推荐你品牌的截图，只是一则轶闻。

原则五更进一步。它要求从业者避免操纵性 GEO，也就是为了操纵生成式 AI、而不是向其提供信息而设计的内容。AMEC 对此的表述是“重推广、轻准确”。

根据这篇论文自身的精神，还需要注意一点。其中一些最引人注目的数据，包括现成情感模型的精确率徘徊在 60% 到 65% 之间这一说法，来自 Converseon 赞助的基准测试，而 Converseon 正在销售解决方案。论文称自己不带推广性质，我也认为它的原则本身就站得住脚。但也要把它的“来源”问题应用到这篇论文上。

我的结论

我不认为 AI 可见度是一个华而不实的项目。我认为华而不实的是 AI 可见度评分。

上述数据集并不能证明 AI 没有影响力。它们证明的是：我们一直在用流量渠道的数学方法评估一个品牌渠道，然后用一些从未通过行为验证的分数来填补空白。一个合理的想法就是这样变成了你无法为之辩护的预算项目。

Mike King 的广告牌框架是正确的，也符合我在关于 YouGov 品牌研究的专栏中一直提出的观点。AI 品牌在赢得信任之前，已经先赢得了考虑度。如果 AI 的回答像广告牌一样发挥品牌宣传作用，那就应该用品牌营销人员几十年来衡量广告牌的方式来衡量它们：关注曝光、回忆度和考虑度，不要再要求它们表现得像搜索结果。

如何衡量 AI 可见度，才能经得起 CFO 的审视

将 AI 引荐流量降级为诊断指标。继续报告它。停止围绕它设定目标。然后在你自己的 GA4 资源上运行 SEO Works 的计算方法。计算自然搜索转化提升 5% 的价值，再与 AI 引荐量翻倍的价值进行比较。如果自然搜索胜出，就像他们的样本中所显示的那样，那么你的路线图就应该明确写出这一点。

用 AMEC 的四个问题检查你的仪表板。在 AI 可见度数字被放入演示材料之前，记录产生该数字的工具和提示词、结果是在登录还是未登录状态下记录的，以及机器人会话是如何过滤的。明确你统计的是提及、引用还是推荐，因为它们并不可互换。如果无法回答这些问题，那么在任何人询问结果之前，这个数字就已经无法通过 AMEC 的来源和准确性问题。

按照 Indig 的方式测试你的评分是否具备现实世界有效性。提取你品牌每周的 AI 可见度数据，并将其与直接会话中的互动会话、品牌搜索和管道数据进行对照，设置一到六周的滞后期。然后将这些时间序列平移到错误的日期，再运行一次。如果错误日期的相关性与正确日期一样强，那么你就知道自己的评分还没有预测任何东西。在续签供应商合同之前，了解这一点很有价值。

建立受治理的提示词库，并按计划重新运行。 选择与真实买家问题相对应的提示词，而不是奉承你品牌的提示词。在多个 AI 工具中运行这些提示词，保存输出结果，并每月或每季度重复执行。AMEC 的原则是，准确性并非某个时间点的结果，知名度也是如此。

询问用户，然后进行交叉验证。 Indig 的建议是采用自我报告式归因。在演示和注册表单中添加一个免费的文本字段“您是如何了解到我们的？”，并在品牌提升调查中加入 AI 助手。Natividad 警告称，这类数据本身也存在缺陷，因此应将其视为一种输入。她提出的曝光、行为和业务成果框架，是综合权衡这些因素的合理方式。

把资金投入证据相互印证的地方。 SEO Works 发现，获得 AI 引荐增长的网站，正是自然搜索表现有所改善的网站，二者的相关系数为 +0.557。Ahrefs 发现，品牌在网络上的提及情况，比品牌搜索更能反映 AI Overview 的可见度。通过赢得的权威性可以一举两得。这是你计划中最不起眼的预算项目，而目前也是证据支持最充分的一项。

归根结底

Fishkin 曾问，AI 可见度是否是一场营销噱头。我的回答是：当我们报告一个尚未与客户实际行为进行核对的数字时，它就变成了营销噱头。

更多资源：

特色图片：PeopleImages/Shutterstock