营销人如何衡量 AI 搜索

完美的 GEO/AEO 归因并不存在。走在前面的营销负责人，正在搭建自己的衡量栈，然后照样推进。

营销一向存在衡量缺口。暗社交（dark social）、口碑、播客提及引发的一波品牌搜索——这些都不会干净地出现在仪表盘上。团队一向学会用残缺数据适应、用代理指标填洞、凑合着做。生成式引擎优化（GEO, Generative Engine Optimization）归因让人熟悉，但有一些关键更新正在冲击策略：

• 点击前问题（pre-click problem）：当有人用 AI 研究品类、评估品牌并收窄选项时，他们到达你站点时已准备转化，身后是一段不可见的研究旅程。等他们出现在你的分析里，决策大体已定。末次点击归因低估 GEO 的贡献，并扭曲整个漏斗。你记功的那次点击，可能是确认，而不是转化本身。
• 流量悖论：当自然流量下降时，本能是把它当业绩问题处理——用付费补、多产内容、填漏斗缺口。但新数据让这一常规智慧变复杂。对 Wix 的 Paula 来说，非品牌流量下降，而每用户平均转化同比两位数增长。AI 驱动流量更「紧」，但送来的是更强潜客。在那种环境下优化流量量级，可能掩盖真正奏效的事：你的内容正在触达你的细分目标受众。

这些变化的动力学意味着：把标准归因剧本套到 GEO 上，会得出错误结论。今天许多营销人的新方法，是搭建自己的衡量栈。

尽管完美 GEO 归因并不存在，我们投资组合中的营销负责人远非无所作为。我们与 Cloudinary 增长营销高级总监 Natalia Bandach、Wix 营销副总裁 Paula Ximena Mejia，以及其他纵向 SaaS 与 AI 团队的营销负责人坐下来，了解他们在工作流中看到什么、作为先行者在做什么、以及什么正在出成果。

营销负责人应对 AI 归因问题的关键洞察

• 别再等完美 GEO 归因。开始三角测量。AI 助手不像传统搜索那样传递 referral（引荐）数据。目标不是「修好它」，而是搭建一套代理系统，给你足够信号去做决策并改进。
• 更少流量可以意味着更好的业务结果。非品牌搜索在下降。GEO 来源用户在用 AI 做完研究后才到达。他们在点击任何 SERP 结果之前，就知道自己想要哪些品牌。
• 末次点击从来都是一种约定。末次点击归因从来不是决策如何做出的准确反映；它只是当时最可衡量的代理。GEO 让维持现状更难，但底层问题并不新。
• GEO 需要全公司买入。GEO 触及内容、社交、公关、社区，甚至员工生成内容。进展最大的公司，已在每个涉及品牌资产与传播的团队建立 KPI，并把 GEO 变成全公司优先事项，而不是一个营销项目。
• 现在就开始不完美地衡量。系统性低估 GEO 贡献的团队，是那些等干净归因才承诺的团队。把代理栈就位，每周复盘，并把每一次衡量决策当作你会持续打磨的实验。

别再等完美 GEO 归因，开始三角测量

AI 助手不像传统搜索触点那样传递同类 referral 数据，因此营销人现在被迫搭建引导正确方向的代理系统。Cloudinary 的 Natalia 不再寻找单一指标来衡量 AI，而是搭建了由三个代理组成的系统——合在一起，给她足够信号，以更高准确度与信心推进。「谁说自己已经完美搭建好了，大概是在卖东西，」她说。「现在根本不存在那种东西。」

1. 她的第一个代理是 AI 可见度分数（AI visibility score），自上而下通过 Profound 追踪，自下而上通过 Google Search Console。Cloudinary 在 Profound 上对其追踪的关键词 prompt 组，目标是总体 75% share of voice（声量份额）。这些是他们希望出现在 AI 生成答案中的具体问题与关键词簇。Natalia 对「好」的基准：Cloudinary 在「What’s a reliable image API for automatic pre-processing?」这一问题上目前持有 91% AI 可见度分数——直接反映他们通过多年开发者采用与嵌入式产品增长建立的产品主导权威。这个数字来自真正嵌入品类，而不是一场 GEO 战役。
2. 第二个代理是自我报告归因，即经典的「你是怎么听说我们的？」问卷。Natalia 这里的操作细节容易被忽略但值得记下：定期打乱选项顺序，以避免锚定偏差（例如偶尔把 AI 引荐放成第一项）。她还建议做效度检查：在两个不同受众队列之间对问题做拆分测试，并寻找一致性。如果跨队列撑不住，说明数据采集或解读出了问题。
3. 第三个代理是来自 AI 聊天机器人的 referral 流量。在 GA4 中，她把 ChatGPT、Perplexity 与 Claude 作为可识别来源追踪，现在也会出现在「AI Assistant」之下。对多数团队来说，这是最熟悉的衡量面，但单独看也最不完整——因为它只捕获从 AI 界面点击过来的用户，而不是被 AI 答案影响后、经其他路径到达的更大群体。

一位纵向软件 CMO 从不同方向逼近同一问题。Natalia 搭建衡量栈去捕获分析遗漏的东西；这位 CMO 则解读分析中已有的异常，并赋予合理含义。「别让归因保真度的损失阻止你发挥创意，」他们建议。

当某一季度「unknown」来源在数据中飙升时，他们的团队把它从 unknown 中拎出来，归到 AI，并相应追踪。逻辑是：如果有人落在一个此前几乎无人问津的、很深很具体的产品页上，他们找到它的方式只有一种。「我会说这是 100% 科学吗？绝对不是。但这就是眼下这头野兽的本性。」

Natalia 的代理系统与这位 CMO 的行为启发式，从不同方向解决同一问题，但都用信号替代单一干净指标。

更少流量可以意味着更好的业务结果

非品牌搜索全面下降。本能是把它当业绩问题——用付费补、多产内容、填缺口。在为 AI 搜索优化时，那种本能通常是错的。

在 Wix，Paula 注意到非品牌流量下降，而每用户平均转化同比两位数增长。另一个团队看到 GEO 来源线索转化为 pipeline（销售管道）的转化率，是其渠道平均的三倍。「我职业生涯里从没见过一个渠道把 pipeline 提高 3 倍，」那位 CMO 说。

解释是结构性的。GEO 用户在通过 AI 做完研究后到达。他们已评估选项、比较替代方案，并在访问你站点之前形成偏好。漏斗在顶部收窄，在中部变得更高效。AI 驱动流量更小，但送来的买家更好。

Paula 提醒：若不认识这一转变、伸手用付费把量级数字撑回去，会有风险。「你最终可能为了不丢流量而人为撑流量，」她说。「流量不是目标——转化才是。」对 Paula 来说，CMO 眼下更有用的问题是：你的自然与付费支出之间真实关系是什么？增量付费投资买到的是真实转化，还是只是盖住仪表盘上的一个数字？

末次点击从来都是一种约定

末次点击归因从来不是决策如何做出的准确反映，只是当时最可衡量的代理。GEO 让这一虚构更难维持，但底层问题并不新。

「决策现在开始发生在点击之前，」Paula 说。「过去驱动流量的教育内容，可能仍在塑造决策——我们只是再也看不见了。」

含义是：营销团队长期依赖的转化指标，一向是一种简化，而 GEO 让这种简化站不住脚。一份在买家访问站点之前、在 AI 对话里塑造其决策的教育资源，不会出现在你的任何分析里。

Paula 认为，一个更有韧性的指标，是你的品牌搜索表现如何。人们搜索你的品牌名，信号是上游某处正在创造需求——通过 AI 推荐、编辑报道、社区提及——即使你无法精确追溯来源。它是不需要点击也能存在的影响力足迹；在 AI 越来越多地在人们到达你站点之前就解决查询的世界里，它远比非品牌流量更耐久。

「我们的自然增长团队过去花很多时间创造很多内容，」Paula 说。「我现在问自己：所有内容都值得创造吗？答案是否定的。对某件事说 yes，代价是对另一件事说 no。」

现在的目标是解决一些人所说的品牌「语言层」缺口：不是推更多内容，而是优化内容以与品牌 ethos 对齐。这意味着确保你的内容在所有传播中共享一种「共同语言」——并且第三方语言也反映同一套信息。

GEO 需要全公司买入

单一团队可以拥有 SEO，因为他们控制多数输入、管理输出，并且大体可以把工作与组织其余部分隔开。GEO 无法那样被装进盒子——其基本面跨越内容、公关、社区、社交，甚至员工生成内容。

在 Wix，这意味着建立 Paula 所称的「semantic triples（语义三元组）」或跨每个创造资产的团队的共同语言。无论是 SEO 页面、社区帖子，还是记者简报，每一份内容都用同一套具体语言描述 Wix 产品，在模型中强化同一套品牌—主题关联。

这一方法最大的解锁来自公关。在 Wix，公关坐在营销之外，但现在每次重大报道前，记者都会用同一套词汇被简报。「如果发表了，就有帮助，」Paula 说。「它几乎成了 GEO 有效发挥作用的运营要求。」

在 Cloudinary，Natalia 说他们把 GEO 结构化为一个在品牌与非品牌之间划分的飞轮，漏斗每一阶段有明确所有者。每位所有者运行自己的查询与实验。他们最新的动作是她所称的 AX，即 agentic experience（智能体体验）：为替用户做决策的 AI agent 设计内容与产品表面。「这对基础设施公司至关重要，」她说。

一位纵向 AI 公司的 CMO 采取更文化取向的做法。每次营销会以十分钟「谁用 AI 做了新东西？」开场。公司上次 offsite 完全献给 GEO。他们说，认真对待 GEO 的指令必须自上而下、来自 CEO：「必须不可商量。这是如此变革性的时刻。」

现在就开始不完美地衡量 AI

系统性低估 GEO 贡献的团队，是那些等干净归因才承诺的团队。获得优势的，是那些已经开始无论如何都衡量的团队。

这位纵向 AI CMO 在自我报告问卷回复率低到足以使原始数字显著低估时，会给数据加一层「税」——抬高数字以帮助得出更扎实的结论。他们也基于启发式把行为异常标记为 GEO，因为他们的验证标准不是方法论纯度。「我们在系统性低估分配给 GEO 的东西，」他们说。

他们的团队还对可见度分数、情感与真相分数，以及推荐位置，运行每周复盘周期——一种不完美但结构化的方式，好足够贴近快速移动的渠道，在变化发生时抓住它。「现在事情移动太快，季度复盘不够用，」这位 CMO 说。

Natalia 说他们每季度在 Cloudinary 跑 120–150 个实验，并为 GEO 加码。每一次针对 AI 的操纵都被当作实验。他们做的一个实验是使用 recency keywords（时效关键词），即时间敏感的关键词。

「每个模型都有知识截止，而时效关键词——如『2026 年最好的 XYZ』——会触发对最新信息的实时搜索。当你试图在一两周内在特定查询上可见时，这是快速胜利。」

按 Natalia 的说法，用时效关键词优化的内容可以在 2–4 周内出现。

共同主线是：愿意在方向性准确的数据上实验并行动，而不是等待精确数据。搭建代理栈，定期（每周）复盘，并把每一次衡量决策当作景观成熟时迭代的机会。

搭建你自己的 GEO 衡量栈

这些学习应作为一份试探性但可行动的 GEO 衡量指南。合在一起，这些营销负责人的做法可以帮助你更好理解品牌在 AI 搜索中的位置。代理系统给你追踪基础设施，行为启发式是解读你已有数据的方式，归因重框（reframing）则告诉你真正在优化什么。

要搭建你自己的 AI 衡量系统，从追踪这些指标开始精炼或实验：