如何衡量 AI 搜索可见性与收入：真正重要的 KPI

AI 搜索衡量不能只看流量。可见率、排名位置、品牌情感和自报告收入，才更接近真实业务影响。

AI 搜索已成为用户购买决策中的关键接触点。ChatGPT、Perplexity 和谷歌 AI Overviews 已经在为用户推荐品牌、呈现评价、影响决策——而这一切都发生在用户访问你的网站之前。

问题在于测量。许多团队根本没有追踪 AI 搜索可见性。就算追踪了，也往往不确定哪些指标真正重要。

来自 LLM（大型语言模型）的流量长期被低估：当有人通过 ChatGPT 发现你的品牌后，往往没有点击可以追踪——他们下一步是直接在谷歌搜索你，或者直接输入你的网址，而 Google Analytics 会把这笔功劳归给谷歌自然搜索或直接流量，而不是 AI。旧有的归因框架并不能 1:1 迁移。

本文基于近三年的 AI 搜索实战经验——服务客户、亲身实验、广泛阅读行业研究——梳理出真正有效的测量框架，并引入行业内最具洞见的专家意见，确保没有遗漏重要盲点。

一、可见率：你的品牌是否出现在 AI 搜索中？

第一个问题很简单：你的品牌有没有出现在 AI 搜索回答中？如果有，频率有多高？

这就是你需要追踪"可见率"的原因——它告诉你，在相关的 AI 搜索回答中，你的品牌实际出现的比例。

举个例子：在美国市场，Chime 的可见率是 Revolut 的两倍——Chime 出现在 66% 的相关查询回答中，而 Revolut 仅为 33%。

但单一的可见率分数无法说明全部问题。需要将提示词按类别拆分——按话题、按漏斗阶段、按客户细分。这样你才能看清：你的品牌在哪里出现，在哪里缺席。例如，你是在用户还不清楚自己需求的"认知阶段"就出现了，还是只在他们已经在比较产品的"决策阶段"才现身？

追踪单个提示词的结果始终不够稳定，因为 LLM 本质上具有不确定性。但当你将提示词归类分组后，规律就会浮现，结果也更具可测量性。

二、排名位置：你的品牌在 AI 回答中有多显眼？

对 SEO 从业者来说，这个逻辑很熟悉：位置越靠前，曝光越多——这个道理没有改变。在 AI 搜索中，越早在回答中出现的品牌，越有可能吸引买家的注意；而被埋在后面的品牌，获得的曝光只是极小的一部分。

举个例子：假设有人在 ChatGPT 中询问最佳 CRM 推荐，如果你的品牌排在第十位，你获得的曝光只是排在第一、二位的品牌的一个零头。位置，至关重要。

LLM 不会随机呈现品牌，背后有两个驱动因素：品牌在训练数据中的显著度，以及 AI 实时检索时拉取的来源——两者都是你可以影响的。

位置追踪建议：跨多个提示词追踪排名位置，以周为单位汇总数据。日度结果波动较大，周均值能更清晰地反映实际趋势，让你判断自己是在上升还是在下滑。这种方法对大量使用在线来源的 LLM 和 AI 搜索引擎尤为适用，包括 AI Overviews、AI Mode、Gemini、ChatGPT 和 Perplexity。

三、品牌情感：AI 如何描述你的品牌？

可见率和排名位置告诉你有没有进入房间；情感告诉你进入房间后，AI 在说你的什么。

这是 AI 搜索优化中最被低估的领域之一，也是最可操作的领域之一。与训练数据（变化缓慢）不同，影响品牌情感的来源通常可以快速修正。尤其对于成熟品牌而言，这往往是我建议首先着手的地方。

当一个潜在客户接近购买决策，询问"HubSpot 好用吗？"或"HubSpot 的客服支持怎么样？"时——这是一个依赖于 AI 下一步回答的购买决策时刻。这类评估阶段的提问，正是品牌情感直接影响收入的地方。

在审计 Revolut 的 AI 呈现时，我发现 LLM 反复引用 Sitejabber——一个充斥着疑似虚假评价的评论网站。深入分析后发现，75% 的负面评价来自单次发帖账号，其中许多还在推广无关的服务。这种模式如此明显，Revolut 法务团队发一封邮件大概就能解决。

我在管理 Peec AI 自身品牌情感时也是如此——发现竞争者在某处对我们的产品存在误导性描述时，我会主动联系要求更正。这样做的好处有三重：读者获得准确信息；LLM 中的品牌情感改善；负面内容被未来的模型训练所采用的可能性降低。

每个品牌都值得被公正对待。现在你知道这不只是公关问题，而是直接影响 AI 如何呈现你的品牌——你知道从哪里开始了。

四、来自 LLM 的转化与收入

追踪 AI 对收入的影响是可行的。目前最实际的方式，是追踪你的业务中有多大比例来自 LLM。

收集这一数据的场合很重要。有些企业在 Demo 通话或入职流程中自然地询问，效果很好；有些在注册时询问，如果设计得当也能奏效。Tally 是一个好例子：当用户选择"AI"作为发现渠道时，表单会进一步询问他们用了哪些具体的查询词来找到 Tally，这让 Tally 既能计算来自 AI 平台的转化率，又能掌握驱动发现的精确提问词。

一旦知道哪些客户来自 LLM，你就可以追踪他们随时间产生的收入。对 SEO 团队而言，这里有个特别值得关注的点：自报告归因捕捉的是来自所有发现渠道的影响，包括自然搜索和 LLM。如果 Google Analytics 一直在低估你的 SEO 影响，这套方法能给你更完整的图景，帮你展示搜索存在感如何真正驱动业务增长。

五、来自 AI 搜索的流量：有用，但不完整

流量是一个自然的追踪对象，因为它直观且容易汇报。但 AI 搜索用户很少点击链接——当 ChatGPT 推荐一款 CRM 时，回答中通常没有链接。用户要么去谷歌继续搜索（那次访问被归给谷歌），要么直接输入品牌网址（显示为直接流量）。无论哪种情况，AI 搜索引擎都没有得到任何归因。

这一点有行为研究支撑。根据 Eight Oh Two 2026 年的 AI 与搜索行为研究，37% 的消费者现在会先用 AI 而非谷歌发起搜索，但 85% 的人在转化前仍然会通过传统搜索进行交叉验证。一次购买旅程，两个渠道，而大多数归因模型只能捕捉到第二个。

这并不意味着应该忽略来自 LLM 访问的流量数据——它仍有参考价值，但必须谨慎解读。由于 LLM 与网站的交互方式，当前的追踪方法无法捕捉到大多数访问，你看到的数字会始终低于实际情况。

六、其他专家对 AI 搜索 KPI 的优先级建议

这一话题还足够新，就连专家之间也尚未完全达成共识。以下是业内几位受人信赖的专家的观点：

"我们应该停止把流量作为可靠的 KPI，转而使用品牌和业绩 KPI 的组合：AI 可见性、情感、购买量和收入。我们还应该在客户旅程的各个相关阶段，按话题层面追踪每条产品/服务线的可见性，而非只追踪单个提示词的动态结果。此外，我们应该开始询问客户如何发现我们，以获得更好的归因数据，可以通过购买后的快速调研或入职流程来实现，具体取决于你的商业模式。" —— Aleyda Solis，Orainti 创始人

"2024 年 6 月，我们在 Reforge 的网络研讨会上首次阐述了 AI 中的随机性如何运作，并提出了衡量 AI 中品牌表现的框架。核心观点：(1) AI 的随机性是可预测的，回答从概率分布生成，这个过程不需要技术背景也能理解。(2) 衡量可见率直接明了——生成多个回答，10 个对于实体对比提示词的快速估算已经足够。(3) 衡量排名位置同样如此。(4) 通过 API、未登录账号和登录账号获取的回答可能存在显著差异——所有提示词追踪工具追踪的要么是未登录状态，要么使用 API，因此这类工具只能作为方向性数据参考，要将这种差异纳入考量。建议：找出你最希望赢得的核心话题，对同一提示词运行多个变体，重复多次，计算品牌出现的比例以及排名分布。同时使用 Peec AI 这样的自动化工具，也要手动用登录账号进行追踪。" —— Ethan Smith，Graphite CEO

结语：现在就开始追踪 AI 搜索可见性

AI 搜索已经在影响购买决策。赢得先机的不是那些等待完美测量方案的品牌，而是那些早早开始追踪、持续积累数据的品牌。

指标都在那里：可见率告诉你有没有进入房间；排名位置告诉你有多显眼；情感告诉你进入后 AI 在说什么；业务指标无论多么不完美，都能帮助你把这一切与收入连接起来。

建议从现在就开始测量。框架可能还不完整，但每一周不追踪就是一周无法解释你的 AI 搜索投入为什么重要——无论是对客户、对管理层，还是对你自己。