AI 可见性仪表板为何大多是「无用功」

随着 ChatGPT、Claude、Google AI 等「搜索智能体」逐渐成为用户获取信息的新入口，一批号称能追踪品牌在 AI 回答中曝光度的 SaaS 仪表板应运而生。据估算，企业每年在 AI 可见性追踪工具上的花费已超过 1 亿美元。然而，多项独立研究表明，这些工具输出的数字背后几乎没有稳定信号，更多是「精准洗白」（precision laundering）：用高频重复测量把噪声平均掉，得到一个看似精确、实则毫无预测力的百分比。

核心问题：AI 回答本质上是分布，不是排名

这类工具的典型做法是每日向 AI 发送一组提示词，对结果取平均，输出一个带置信区间的「可见度百分比」。问题不在平均本身，而在于被平均的内容：提示词往往由分析平台自定、查询量权重是建模虚构、采样的查询方式也不是真实用户会用的，更关键的是，没有任何证据表明这个分数能预测任何对业务有意义的转化。

LLM 不是在「查」答案，而是一次生成一个 token。每一个词都是从一组合理选项中按概率抽样而来，这个「温度」参数正是让输出读起来自然流畅的关键。同一个问题问两次，答案会自然漂移；再加上联网搜索时模型会先做一次「扇出」式查询、再挑选引用来源，骰子又被多掷了两次。即便设置保持不变，请求一旦上线就会被批量处理、动态路由到不同模型副本，测量对象本身就在变。

研究证据：重复测量结果几乎不重叠

2026 年 1 月，Rand Fishkin 与 Gumshoe.ai 的 Patrick O'Donnell 联合发起了一项大规模实验：招募 600 名志愿者，在 ChatGPT、Claude、Google AI 上对 12 类品牌推荐提示进行了总计 2,961 次测试。结果令人意外——

• 同一提示运行 100 次，两次返回完全相同品牌列表的概率不到 1%；
• 同序同品牌的概率更接近千分之一；
• 品牌组成、排序、甚至条目数量都在剧烈变化。

Fishkin 直言，任何声称给出「AI 排名位次」的工具都是「bullshit」。

其他研究也得出了类似结论。一项 arXiv 论文发现，相同提示下返回的品牌集合在多次运行间重叠率只有 45%–59%；Ahrefs 的数据显示，Google AI Mode 和 AI Overviews 对同一查询引用不同的来源占比高达 87%。这种波动不是行业不成熟造成的暂时现象，而是模型按设计运行的结果——移除随机性，模型就会对每个用户给出千篇一律的模板化回答。

唯一稳定的信号：考虑集

在所有噪声之下，Fishkin 还是发现了一个相对稳定的量：「考虑集」（consideration set）——即模型在回答中可能调用的品牌池。在耳机类目下，Sony、Bose、Apple 几乎出现在每一次回答中，紧窄品类头部品牌的命中率维持在 90%–100%；而品牌设计这类宽泛品类的命中率则散落到 30%–40%。

Amanda Natividad 让 142 名真人针对同一意图自由撰写提示，提示间的语义相似度只有 0.081，几乎相当于俳句与购物清单的区别。但即便如此，考虑集依然稳定。这意味着品牌要么在池子里，要么不在，而要可靠估计这种「在 / 不在」，至少需要 60–100 次重复运行。这是一个狭窄但有效的信号，也是目前唯一可以依赖的信号。

对营销人的现实建议

文章的核心结论是：在 AI 搜索智能体的世界里，SEO 时代那套精确追踪排名的思路已经不适用。可见性是一个永久的分布，而不是一个固定的数字；目前几乎不存在能够主动提升 AI 回答中品牌曝光的「杠杆」，也没有可靠的方式去测量这种曝光。对于品牌方而言，比起为可见性仪表板付费，更务实的做法可能是把同样的预算花在内容真实度与口碑建设上——让品牌有更大几率进入那个「考虑集」，而不是执着于一个会随每次提问而漂移的排名。