📖 导读：阅读本文你将获得：
① 看懂「AI提到你」背后的四种完全不同的出场方式
② 一套可复用的四维验收指标：可见性、价值性、质量性、情感性
③ 一个真实监测切片：为什么出场率高却没带来询盘
④ 淇经GEO四步法的完整执行链路
⑤ 一张「被提到≠被推荐」的自查清单
一句最容易交学费的话
上周一位做工业设备的客户问我：「我们的品牌，AI已经会提到了，GEO这块是不是可以收工了？」
我让他把AI的原话截给我看。答案里确实有他——在一段罗列了七八个品牌的行业综述里，倒数第二行，「某某也是该领域的参与者之一」。
我问他：这句话，能给你带来询盘吗？他沉默了几秒。
这是GEO落地过程中最常见的错觉：把「被AI提到」当成验收标准。可AI提到你，和AI推荐你，中间隔着四道体检项目。
给品牌做一次AI体检——四个维度，四个体检项目
「提到」这个词，水分比你想的大
先说结论：AI提到你，至少有四种完全不同的方式，价值天差地别。
1. 埋没式提到——你的品牌出现在长答案的末尾，前面排着七八个同行。读者根本读不到那一行。
2. 并排式提到——AI做行业盘点时把你和竞品并列一嘴，谁也没多占一个字的篇幅。这叫「出场」，不叫「推荐」。
3. 口径错误式提到——AI带着旧信息或错误信息提你：历史沿革说错、产品定位张冠李戴。这种提到，出场越多伤害越大。
4. 推荐式提到——用户问「XX场景选哪家」，AI第一句就是你，还带上了应用场景和差异点。只有这一种，才算真正有效。
四种方式，AI都「提到」了你。但只有第四种在帮你做生意。所以验收GEO，只看「提没提到」是不够的——就像体检只查「人还在不在」，查不出血压和血脂。
同样是「AI提到你」，四种方式的商业价值天差地别
给品牌做一次AI体检：四个维度
我们在内部把这个问题拆成了四个可量化的维度，合起来叫四维KPI。这不是拍脑袋的四个词，每个维度背后都有明确的计算口径，都能下钻到AI的每一句原话。
维度一：可见性——你的出场率
算法很朴素：在监测周期内，AI回答中检出你品牌的次数，除以提问总次数。
问10次，AI提你3次，可见性就是30%。它回答的是「AI知不知道你」——这是所有指标的地基，但只是第一层。
维度二：价值性——你站在答案的第几格
同样是被提到，出现在答案第3位和第13位，是两个世界。AI的答案是从上往下读的，位置越靠前，被看到的概率越高。
我们的算法对位置做了归一化：越靠前分越高。它回答的是「AI把你摆在什么位置」——出场率再高，位置全在末尾，价值也有限。
维度三：质量性——AI替你说了几句话
这一维最容易被忽略。AI提到你时，给的那几行信息量有多大？
是「某某，某领域参与者」一句话带过？还是有产品线、有适用场景、有差异点？信息越完整，AI对你的「介绍」越接近一次真正的推荐。我们用信息完整度评分来量化它。
维度四：情感性——AI用哪种语气提你
正面占比减负面占比。AI带着三年前的旧故事提你，或者把别的行业的问题安到你头上，这种「出场」是在倒扣分。
3M在项目初期的真实情况就是典型：AI说错它的历史，口径飘忽。纠偏之后，AI的表述才逐步稳定下来。可见性没变，情感性完全是两回事。
四维KPI：可见性 × 价值性 × 质量性 × 情感性
一个真实的监测切片
用我们自己GEO监测系统的一个月度周期做例子：5个在管品牌、21个核心关键词、42次平台监测——这是那一期的完整工作量。
其中某个B端品牌的读数很典型：可见性不低，AI十次里能提到六七次；但价值性得分被拉得很低——检出位置集中在答案尾部；质量性也不高，AI提到它时基本只报公司名，不带产品。
翻译成人话：AI认识它，但没打算把它当答案推荐给任何人。
如果只看「提没提到」，这个品牌会以为自己已经赢了。按四维拆开看，问题清楚得像体检报告上的箭头：位置和完整度两个指标亮红灯，下一步动作就非常明确——补结构化的推荐型内容，让AI有料可引。
监测系统的仪表盘：数据比一句「AI提到了你」诚实得多
发现指标之后：四步法怎么接
指标只是诊断，真正的闭环是淇经GEO四步法：
第一步 诊断——50个核心关键词加300条高频用户问题，全平台扫描，把四维基线测出来。
第二步 纠偏——逐条修正AI嘴里的错误口径：错的历史、张冠李戴的定位、过时的信息，一条条对齐。
第三步 新知——创建AI愿意引用的推荐型内容：结构化、带场景、带差异点，让AI「有料可抄」。
第四步 监测——月度复测四维KPI，出执行报告。哪个维度动了，动了多少，为什么动，白纸黑字。
诊断发现问题，纠偏和新知负责改善，监测验证结果——四步法本身就是一条验收流水线。
这套体检，我们先后在不同行业的品牌身上跑过：从 3M 这样的外资制造业巨头，到纳尔、爱优特这样的细分领域品牌。行业不同，AI犯的错五花八门，但体检项目是同一套，处方逻辑也是同一套。
GEO四步法：诊断 → 纠偏 → 新知 → 监测
为什么「只报检出」的工具不够用
市面上不少监测工具的报告长这样：某平台检出率60%，某平台50%。看起来信息量不小，但对决策没用。
因为「检出」只是四维里最粗的那一维。知道AI提了你，你下一步做什么？不知道。知道价值性垫底、完整度不足，下一步就是补哪类内容、纠哪条口径——能下钻到每一句AI原话的指标，才能指挥动作。
这也是我们从第一天就把原始字段（检出次数、位置、完整度、情感倾向）全部落库的原因：四个维度的每个读数，都能点开看到底是哪次提问、哪句回答贡献的。验收不该是雾里看花。
自查清单：你的品牌被AI怎么提
不用买任何工具，今天就能做四个动作：
1. 挑10个客户真会问的问题，问遍主流AI平台，数一数出场率。
2. 出场时截图：你在答案的第几位？前面还有谁？
3. 逐字读AI介绍你的那几行：有产品、有场景、有差异点吗，还是只有一个公司名？
4. 检查有没有带旧故事、错误口径的「负面出场」。
四步做完，你手里就有了四维KPI的简化版。多数人做完会发现：问题不在「提没提到」，而在「怎么提的」。
四步自查清单——不用买工具，今天就能做完
写在最后
体检报告不会只写「活着」两个字。血压、血脂、心率，每一项都有正常区间，每一项都能对应一个动作。
品牌在AI嘴里的健康度也一样。被提到只是入场券，被推荐才是得分项——而这两件事之间的距离，就是四个维度的距离。
下个月，当有人告诉你「AI已经提到你们了」，你可以平静地回一句：提到了，然后呢？
互动一下
