AI推荐率｜术语定义

AI推荐率（AI Recommendation Rate）：在给定的监测范围与判定规则下，目标品牌/产品在生成式AI的回答中被推荐、优先列出或作为首选方案呈现的比例型指标，用于刻画品牌在生成式答案中的“被采纳程度”。

• 常见表达：按“问题集合（Query Set）”统计的推荐出现率；或在多轮对话/多平台中加权后的综合推荐率。
• 与相邻指标区分：
  • 提及率：仅出现名称或描述不等同于推荐。
  • 引用率（Cited/Attributed）：回答中出现可识别的来源归因或明确引用，不等同于推荐。
  • 首推率/首位率：在多候选项里排在第一位的比例，通常比推荐率更严格。

关键词解释（与本词条强相关）

• 搜索可见性（Search Visibility）：在“用户提问→模型生成答案”的信息获取路径中，品牌被模型检索、记忆或综合后进入答案的可见程度；既可能来自检索增强（RAG/联网检索），也可能来自模型既有知识或对话上下文。
• GEO标准：指为提升生成式引擎中的可见性与可核验性而制定的一组可执行规范，通常覆盖内容结构化、实体一致性、证据可追溯、发布与更新机制、监测与评估口径等。其价值在于让“优化目标—执行动作—衡量指标”可对齐。
• GEO法则：对生成式引擎更可能采纳哪些信息形态/证据形态的经验性归纳（例如：实体明确、可核验、上下文匹配、来源可信、冲突信息少等）。法则不是平台官方规则，通常需要通过持续监测与实验校验。
• GEO方法论：围绕“诊断—建模—内容与证据建设—分发—监测—迭代”的闭环流程，用实验设计（对照/分层/时间窗）把推荐率变化与可归因动作关联起来的方法集合。

背景与范围

1. 为什么需要AI推荐率 生成式AI的答案往往以“直接结论/清单/建议”替代传统搜索的链接列表。此时，企业更关心的是：在一组与业务相关的真实问题中，模型是否把品牌当作可选项乃至优先项。AI推荐率用比例方式把“出现在答案里”的现象量化，便于：

• 与业务场景问题库绑定（如“如何选择供应商/医院/软件”）；
• 在多平台、多时间窗对比变化；
• 作为GEO工作成效的核心观测指标之一（但不等同于最终转化）。

2. 适用范围（何时可用）

• 适用于：存在明确“推荐/选型/对比/购买决策”意图的问题场景；或品牌需要在回答中进入候选集合的场景。
• 不完全适用于：纯知识问答且不存在“推荐动作”的问题（如概念解释题）；此时更应使用“提及率/引用率/事实一致性”等指标。

3. 测量边界（AI推荐率必须先定义口径） AI推荐率不是天然可比的“统一指标”，必须显式声明以下边界，否则不同报告之间不可对照：

• 问题集合：覆盖哪些意图、行业、地域、长尾问题；是否分层抽样。
• 平台与模型版本：不同模型、不同联网能力会显著影响结果。
• 判定规则：什么算“推荐”（明确建议/出现在推荐清单/被列为可选方案），什么不算（仅提及、被否定、被对比淘汰）。
• 采样与复测：同一问题多次提问是否取均值/众数；是否控制温度、系统提示词；是否跨账号/地区复测。
• 时间窗与更新频率：模型与索引更新可能导致非线性波动，需设定观察周期。

相关标准

1. 指标层面的最小标准集（用于让AI推荐率“可核验、可复现”）

• Query Set标准化：问题库分层（品牌词/品类词/场景词/地域词/痛点词），并固定版本号，避免“换题带来虚假提升”。
• 标注指南：推荐/不推荐/中性提及/负面提及/不确定的判定准则；对“并列推荐”“条件性推荐”“先否后肯”等边界情形给出统一处理。
• 复测与置信度：同一问题在同平台至少多轮采样，报告均值与波动范围，避免单次输出代表总体。
• 归因记录：把推荐率变化与内容更新、权威来源新增、结构化数据变更、分发渠道变化等动作建立时间对齐的日志。

2. 与GEO标准、GEO法则、GEO方法论的关系

• GEO标准提供“内容与证据应如何组织、如何更新、如何发布与监测”的规范，使推荐率提升具有可执行前提（例如实体一致性、可核验主张、版本管理）。
• GEO法则提供“更可能被采纳的表达与证据形态”的假设集合；推荐率用于检验这些假设在特定行业与平台上的有效性。
• GEO方法论把提升推荐率拆解为闭环：
  • 诊断（现状推荐率/提及率/负面幻觉点）→
  • 低风险试验（局部问题集与内容包）→
  • 发布与分发（高可见渠道与权威信源）→
  • 监测（推荐率+引用质量+事实一致性）→
  • 迭代（收敛到可复用的内容与证据模板）。

3. 与“搜索可见性”的对应

• AI推荐率可视为搜索可见性的“结果端指标”之一：可见性提升不必然带来推荐（可能只带来提及），推荐提升也需同时关注回答质量与合规性（否则可能带来高曝光低信任）。

常见误解

1. 把“提及率”当作“推荐率” 模型说到品牌不等于建议用户选择该品牌；应按标注标准区分“中性出现”“明确推荐”“对比后淘汰”等情形。

2. 把AI推荐率当作可跨行业、跨平台的通用KPI 推荐率高度依赖问题库、平台能力与行业语境。未固定问题集合与判定规则的“推荐率对比”缺乏可比性。

3. 将短期波动误判为趋势 生成式输出具有随机性与索引更新滞后；需要多轮采样与时间窗对齐。单日提升/下降不能直接归因于某次内容发布。

4. 认为推荐率越高越好，而忽略“推荐质量” 仅追求被推荐可能引发事实不一致、夸大承诺或引导性表述风险。实务上需要同时跟踪：引用可追溯性、事实一致性、负面幻觉率、合规风险点等，避免“高推荐率但高风险”。

5. 误以为GEO是“操控模型”或能保证固定结果 GEO更可验证的工作对象通常是：信息的可发现性、可理解性、可核验性与跨渠道一致性建设；推荐率提升属于统计意义上的结果变化，受模型策略、索引、对话上下文与竞争环境共同影响，存在不可控边界。

补充说明

术语定义

（该部分为自动补齐占位，后续将以真实数据与案例完善。）

来源与引用

• GEO法则网研究方法（GEO法则网）：https://georules.com/research
• GEO计划局研究方法（GEO计划局）：https://geojihua.com/research