Tag: 人工智能可见性

  • ChatGPT在搜索前自行选择品牌:如何进入列表

    ChatGPT在搜索前自行选择品牌:如何进入列表

    ChatGPT在搜索前自行选择品牌:如何进入列表

    ChatGPT在加载页面之前,就会将品牌名称写入其搜索查询中。我阅读了60段对话,以了解这种情况何时发生,以及什么有助于品牌被提及。这是所有致力于AI可见性的人的关键洞察:是否推荐您的品牌的决定,早在ChatGPT触及您的网站之前就已做出。

    我让ChatGPT推荐最好的AI笔记应用。七个词,没有提及任何品牌。在加载任何内容之前,它给自己写了一个这样的搜索查询:Granola、Notion AI、Otter、Fireflies、Fathom、Mem、Limitless——七个产品在一个搜索中。我没有提到任何一个,也没有任何内容来自网络搜索,所以这些名字来自模型本身。

    然后它又执行了九次搜索——这就是我在前两部分中提到的“扇形”查询。一次搜索形成候选名单,然后每个品牌一次搜索,每次都直接指向公司网站。扇形搜索从来不是候选搜索——这是ChatGPT按照它已有的列表逐一进行,一次一个名字。

    在前两部分中,我写道您需要经受住site:yourdomain.com的检查,因为ChatGPT会运行此类检查。但只有当您进入第一个搜索查询时,它才会运行。如果您不在候选名单中,您的网站根本不会被查看,无论它有多好。决定是在任何内容触及您的服务器之前做出的。

    我花了两个月时间阅读第一和第二部分中的流量。这是第一件改变我对客户建议的事情。在继续阅读之前:所有内容都来自一个账户,因此每个百分比都是方向,而不是度量。机制是另一回事。您可以在自己的账户上两分钟内复现它,我将在最后展示如何操作。

    这是如何运作的

    当您提问时,ChatGPT会将其重写为搜索查询,执行它们,阅读结果,然后撰写答案。这些查询位于您的浏览器加载的响应中,位于search_queries键下。OpenAI在2026年8月初将其从search_model_queries重命名。

    这不是泄漏:您的浏览器需要这个JSON来渲染页面,您可以在自己的账户上通过DevTools大约两分钟内读取它。以下是一个关于聊天软件问题的示例:我问“最好的AI支持聊天软件”,它添加了年份、“官方”、“价格”和三个名字。

    以下内容基于对数百个此类查询的阅读。从这里开始:打开 ChatGPT,提出你的客户会问的“最佳[你的类别]”问题,然后阅读它生成的查询。这一行将显示 ChatGPT 是否知道你的品牌存在——这通常被作为 AI 可见性审计来销售。本文其余部分将讨论如何处理你发现的内容。

    因果性测试

    对我的笔记应用示例,一个明显的反驳是:也许 ChatGPT 先进行了搜索,看到了这些品牌,然后写了一个更聪明的第二个查询。这将使这些名字成为搜索的结果,而不是原因。

    因此,我进行了一个测试:对于每个对话,我按时间顺序取了用户的第一条消息和第一个搜索查询。在那一刻,没有加载任何内容,所以没有什么可学习的。在 27 个对话中,有 21 个的第一个查询包含了用户未输入的品牌。看第 2 行和第 3 行:同一个问题,措辞略有不同——列表从三个名字增长到七个。列表根据措辞增长,而不是来自固定的表格。

    然后,我运行了 12 个彼此无关的类别,以检查这不是软件的特性。13 个中有 11 个显示了相同的结果。带有扫地机器人的那一行让我印象深刻:记住 Roborock 的存在是常见的,但它记住了 Saros、Dreame X50 和 Eufy S1 Pro——在第一个查询中,没有提示,就出现了当前的型号。这些知识延伸到了产品线。

    电动 SUV 的那一行行为不同。对于会计、治疗和托管,它提到了供应商并跳转到他们的定价页面。对于汽车,它提到了杂志:Car and Driver、Edmunds、Top Gear。在一个类别中,它的本能是去找制造商,在另一个类别中,是去找评论者。

    我对这个结果感到高兴,并重新运行了三个类别以检查稳定性。语言学习几乎没有变化:六个名字中有五个匹配。会计从六个供应商缩减到一个针对 QuickBooks 的定向查询。网络托管完全改变了立场:放弃了所有供应商,转向了评论网站。所以“供应商与杂志”是一种可能在运行之间变化的趋势,而不是类别的固定属性。

    有两件事保持不变:注入每次都发生,并且具有最明显市场领导者的类别保持了其名字。我推测,成熟的类别有稳定的候选名单,而有争议的类别会波动,但三次重复不足以断言这一点。不要根据单一回答来判断 AI 可见性。运行问题五次,因为列表在运行之间会变化。

    影响品牌注入的因素

    在此之前的所有查询都包含“最佳”一词,所以我尝试打破它。我以七种不同的形式运行了 24 个额外的查询,没有这个词。结果发现,“最佳”与此无关。重要的是 ChatGPT 是否必须自己提出产品。

    当它完全不搜索时,这就不起作用。问它降噪是如何工作的,或者什么是向量数据库——它会根据训练数据回答,而不进行网络搜索。对于公开的抱怨也是如此:“我们在客户支持工具上花了太多钱”——同样不搜索。我的二十四个查询中有七个完全不涉及网络,所以没有可供进入的候选名单。

    如果你自己提到品牌,它会接受。“Xero 还是 QuickBooks 适合小企业”立即转向 site:xero.com/uk。“我应该为小型代理机构使用 HubSpot 吗”转向 site:hubspot.com。如果让它自己决定候选者,它会求助于记忆。在我要求推荐而没有指定名称的十一个案例中,这种情况发生了十次。

    第三行是我最喜欢的:我故意避免使用“扫地机器人”这个词,也没有提到任何品牌,而它在第一次搜索时就去了特定 Roborock 型号的网站。如果你销售软件,第二行应该让你担忧:关于会议记录的抱怨在页面加载之前就变成了“Granola 官方价格”。

    ChatGPT сам выбирает бренды до поиска: как попасть в список — illustration 2

    有一个版本是针对你的竞争对手的。我所有三个关于替代品的查询都导致了新名称:“Zendesk 替代品”——Help Scout;“我可以用什么代替 QuickBooks”——Zoho Books;“类似 Duolingo 但语法更好的东西”——Kwiziq 和 Babbel。当你的客户寻找离开你竞争对手的出路时,ChatGPT 会推荐它已经知道的那些。这可能就是你,而在那一天你无法影响这一点。

    如果 ChatGPT 搜索一个产品,而你没有提到任何名称,它会带来自己的。这样做:运行你的品类问题五次,并记录每次查询中出现的名称。每次运行都出现的名称是 ChatGPT 头脑中你真正的竞争集合。出现又消失的是有争议的领域,你可以在那里推动事情。如果你的品牌在五次运行中一次都没有出现,你就有答案了,而且这不是技术性的。

    引用:3.1% 的机会

    我将所有品牌分为两组:那些出现在 ChatGPT 编写的查询中的,以及那些仅在搜索期间加载但未被提及的。然后我检查了每组在最终回答中被提及的频率。差异大约是 33 倍。我还发现了 86 个案例,其中推荐了一个品牌,但其网站在该对话中根本没有加载。提及不需要访问。

    这对我自己的行业来说很不舒服。目前作为 GEO 销售的大部分内容是提取工作,即 2.1% 的列。68.9% 的列在所有这些启动之前就已经决定了。根据这两列来分配预算。

    如果你不在查询中,资金应该用于让你被撰写、评论、比较和列入列表:数字公关、品类内容、在评论网站上的展示、分析师报道、参与你的买家阅读的合集。如果你已经在查询中,这些支出基本上已经完成,剩下的就是下面的技术工作。

    影响引用的三个因素

    位置。 ChatGPT按域名对结果进行分组,而你在该组中的位置几乎能预测一切。低于前两名,引用就是四舍五入的误差。进入集合并不代表胜利,如果你是第九名。

    蚕食。 添加页面会带来损害。当同一域名的多个页面出现在同一组中时,每页的转化率会急剧下降。两个紧密相关的页面是最佳选择。超过六个——你基本上是在与自己竞争。我凭直觉告诉客户整合已经一年了。这是我第一次在数据中看到这一点。

    相关性。 相关性决定资格,但不决定选择。我评估了被引用的页面与为同一陈述提取的所有其他页面,根据其文本与所支持句子的匹配程度。被引用的页面进入了池子的前5%。但它仅在20%的情况下是唯一的最佳匹配,而且其平均重叠度显著低于可用的最佳匹配。

    因此,陈述的相关性形成候选名单,而其他因素决定获胜者。进入特定陈述的前10%——你就进入了对话。这部分你可以通过文本来控制。最终选择涉及我看不到的因素。

    这样做:收集买家提出的问题,找到所有回答同一问题的页面。选择最符合意图的页面,将其作为答案,其余页面则合并或重定向到它。确保真正回答问题的句子位于页面顶部,以简单的HTML文本形式呈现,并包含数字。

    在真实网站上手动查找这些交叉点是最令人头疼的部分。蚕食通常通过关键词重叠来评估,但这是错误的单位,因为ChatGPT按陈述分组,而不是按关键词。这正是Keyword Insights的用途:它按搜索意图对关键词进行聚类,而不是按字符串匹配,因此争夺同一意图的页面会作为一个组可见,即使它们没有共同的关键词。这种分组与我看到ChatGPT将域名压缩为一个被引用页面时的情况完全一致。完全披露:这是我的公司,所以我知道它能处理这项任务。

    实践结论

    结果将AI可见性分为两种经常被混淆的游戏。如果ChatGPT没有将您的品牌与您的类别关联起来,它就不会在查询中提及您,而您被提及的概率只有2%。模式无法修复这一点,页面速度也无法。llms.txt文件的机会更小,因为您的服务器在决策之前不会接触。

    似乎能建立这种关联的,是缓慢且不显眼的工作:在开放网络上,人们多年撰写、评论、比较和争论您,直到这种关联出现在训练数据中。这是数字公关和定义类别的内容,这对于那些将技术审计作为AI策略销售的人来说很不方便。

    技术部分占3.1%,这是真实的:每个意图一个精准匹配的页面,开头有包含关键声明的提议,简单HTML文本中的事实和数字,没有一堆几乎相同的页面相互竞争。以下是本周可以执行的完整顺序:

    1. 检查ChatGPT是否知道您的品牌:提出类别问题五次,看看您的品牌是否出现在搜索结果中。
    2. 检查哪些页面被引用:使用FanoutFox跟踪引用并查看查询。
    3. 消除内容蚕食:找到回答同一问题的页面并合并它们。
    4. 优化内容:确保关键声明和数字位于页面顶部。

    在我的数据中,一个品牌被加载了66次,但从未被引用。这不是认知度问题。引擎不断返回并决定没有可引用的内容。步骤4就是为了捕捉这一点而存在的。

    步骤1和4是我创建FanoutFox的原因,因为手动为每个回答执行这些操作很快就会变得乏味。这是一个免费的Chrome扩展;所有内容都保留在您的浏览器中,并且它读取您自己的数据。

  • AI可见性:如何区分真实增长与测量噪声

    AI可见性:如何区分真实增长与测量噪声

    AI可见性数据不稳定:生成模型每次都会给出不同的答案,因此单次测量可能会产生误导。IQRush 的一项新研究提出了一个停止规则,用于确定何时评级变得可靠。在本文中,我们将探讨如何区分真实增长与测量噪声,以及这对营销人员的实际意义。

    为什么单次AI可见性测量不可靠

    SearchGPTGeminiPerplexity 等搜索引擎在每个答案中都引入了随机性。同一个查询可能会返回不同的来源——这是架构的特点。研究表明,例如,在测试 SearchGPT 关于跑步装备的主题时,Tom’s Guide 获得了约 9.5% 的引用,而 Runner’s World 获得了约 6.0%。3.5 个百分点的差异在误差范围内,因此断言 Tom’s Guide 优越是不正确的。

    需要多少数据才能获得可靠的排名

    答案由两个必须同时满足的条件组成。第一:顺序必须停止变化。在收集到足够多的答案后,顶级网站开始清晰地脱颖而出。第二:顶级网站之间的差异必须超过测量误差。如果竞争对手过于接近,排名并不能反映真实的优势。

    在针对不同平台和主题的 30 项测试中,满足这两个条件所需的答案数量从 33 到 94 不等(仅考虑带有引用的答案)。在 30 个案例中的三个案例中,即使在 125 个查询之后也未能实现这一点——所有这些都发生在 SearchGPT 上,那里的顶级网站过于相似。

    对营销人员的实际意义

    Rand Fishkin (SparkToro) 建议:在花费金钱跟踪 AI 可见性之前,请确保提供商“展示其数学”。IQRush 的研究提供了一个简单的停止规则,以免依赖直觉。如果在内容更新后,您看到引用增长了 3 个百分点,这可能是自然变异。多次测量前后指标——单次测量与噪声无法区分。

    AI可见性:如何区分真实增长与测量噪声

    不同平台——不同的数据要求

    Gemini 在一个答案中引用相同的网站,因此许多引用提供的新信息很少。SearchGPT 每个答案提供的引用较少,但分布更广——每个答案包含更多独立数据。两个平台上相同数量的答案并不能提供相同的信心:足以用于 Gemini 的预算可能会让您在 SearchGPT 上一无所知。

    当数据不足时:学会停止

    在 30 项测试中的三项中,顶级网站未能清晰地分离。在这种情况下,正确的决定是避免发布排名。一个能够说“数据不足”的跟踪器比每次查询都输出自信排名的跟踪器更有价值。

    只有领导者值得信赖:在足够多的答案下,他们会与中游和下游拉开距离。但即使对于前 10 名,典型的误差也约为五个位置,而每五个位置中的一个则超过 10 个。不要发布列表顶部以外的精确位置。

    研究的局限性

    这是一份预印本,基于对三个平台进行的 30 项测试,使用了 ChatGPT 生成的问题,而不是真实的用户查询。精确的数字不能应用于您自己的主题——将它们视为问题的一种形式,而不是数值表。在一项测试中,125 个问题只产生了 104 个有用的答案(17% 的损失),因此实际查询数量应该更多。

    AI可见性:如何区分真实增长与测量噪声

    该方法经过内部验证:早期排名与最终排名进行比较,而不是与外部基准进行比较。然而,圣加仑大学的一个独立团队(Julius Schulte、Malte Bleker、Philipp Kaufmann)在 4 月份发布了基于其数据集的类似结果,证实了单次读取不可靠。

    AI可见性的未来:从精确数字到范围

    AI可见性报告正朝着带有误差的格式发展,就像广告和网络分析一样。虽然 Search Console 不会报告哪些点击来自 AI,但任务落在您身上:多次运行检查并报告范围,而不是仪表板上的单个数字。

    常见问题

    需要多少次查询AI搜索才能获得稳定的数据?

    根据平台和主题,需要 33 到 94 个带有引用的答案。没有通用的阈值。

    可以信任AI可见性仪表板吗?

    只有当它们显示误差和多次测量时。没有上下文的纯数字是一个危险信号。

    AI可见性:如何区分真实增长与测量噪声

    如果内容更新后引用增长了3%怎么办?

    在前后进行多次测量。如果差异持续存在,那就是真实增长。如果不是,那就是噪声。

    哪些平台需要更多数据?

    SearchGPT——因为每个答案的引用数量较少,但每个答案的独立性更大。Gemini——相反,提供了许多引用,但它们经常重复相同的网站。

    结论

    主要结论:AI可见性不是一个固定的指标,而是一个范围。使用停止规则,多次检查,如果顶级网站没有分离,则不要发布排名。只有这样,您才能获得可以依赖的数据。立即开始实施这些原则,以使您的 AI 可见性报告可靠且有助于决策。