同一個問題執行兩次，AI 的答案為什麼會不一樣。

同一條 prompt 的兩次執行之間，至少有四樣各自獨立的東西在變，而其中只有一樣是語言模型的取樣 temperature。沿著AI 搜尋如何運作這個階段描述的管線走：第一樣是查詢展開。Google 的文件寫明，AI Overviews 與 AI Mode「可能會使用一種『查詢扇出』技術……來生成回答」，也就是跨子話題與資料來源發起多次相關搜尋。³ 這些子查詢是生成出來的，不是查表查到的，所以在任何排序發生之前，不同的子查詢集合就已經產生了不同的候選池。

第二樣是檢索本身。每一條生成出來的子查詢打到的，是一個持續重新抓取、跨機器分片、並受新鮮度與個人化邏輯影響的即時索引。第三樣是選擇：候選被合併、去重、重排，並裁剪到上下文預算之內，而卡在截斷線附近的近似並列，每次執行的解法都不一樣。第四樣是生成，模型在這裡決定把選中的來源裡的哪一個掛到哪一句上：一個來源可以被檢索到、被讀取，然後不被引用。

這四樣裡有兩樣位在你能控制的一切之上游，這就是為什麼把 temperature 調到零並不會讓系統變成確定性的。2026 年的批判性綜述把話說得很直白：報告出來的 temperature 為零，「既固定不了索引，也固定不了檢索，更固定不了外部服務的版本。」¹

因為冪律分布把幾乎所有人都放進了那條平坦的尾巴，而在尾巴裡，執行之間的變異大於相鄰者之間的差距。如果某個網域在一批 prompt 的 6% 的答案裡出現，競品出現在 9%，那三個百分點的差距，小於你換一個下午重跑同一批 prompt 會看到的離散程度。2026 年 3 月那些自助法區間在真實網域上顯示的正是這件事：這種量級的差距落在噪聲基底之內。²

為什麼會這樣，其算術沒有爭議，也不需要任何研究背書。對於在 n 次獨立執行上測得的一個比例，當它的取值接近 50% 時，95% Wilson 區間的半寬大約是 1.96 除以「n 加 3.84 之後開平方，再乘以 2」。5 次執行大約給出 ±33 個百分點，10 次約 ±26，30 次約 ±17，100 次約 ±9.6。要比較兩個這樣的測量值，這個月對上個月，或者你對競品，需要兩個區間互不重疊，這大約還要再多付 40% 的樣本量。這是二項分布的算術，不是任何論文的發現，它也解釋了為什麼五次執行的抽查偵測不到任何小於「巨大」的變化。

由此得到一個「在真實預算下什麼偵測得到」的層級。「我們在有些答案裡出現，有些裡沒有」，幾次執行就夠；「我們從幾乎不出現變成經常出現」，要幾十次；「我們對競品拉開了三個百分點的份額」，在小團隊真會跑的任何樣本量下都偵測不到。

一張截圖是從某個分布裡抽出的單一樣本，而那個分布的離散程度，比內容團隊想偵測的幾乎任何效應都要寬。它在三件很窄的事情上仍然有用：證明某種形狀的答案是可能出現的、捕捉一處具體的事實錯誤以便提出更正請求，以及讓相關方看看那個介面長什麼樣。它撐不起任何關於頻率、關於排名、關於隨時間變化，或關於競品的主張。

還有第二種失效方式被截圖藏了起來。引擎之間彼此的差異，大過它們與自己的差異：SIGIR 2026 上發表的那項 11,500 條查詢的研究報告，Google 自然結果、AI Overviews 與 Gemini 所返回的來源之間，平均 Jaccard 相似度低於 0.2，兩兩之間的數字落在 0.11 到 0.18，而這是同一家公司的三個介面。⁷ 一個介面的截圖對其他介面什麼都說明不了，所以「我們查過了，我們不在裡面」通常是一句關於某一個下午、某一個介面的陳述。用的是哪個介面、哪個模式、哪個地區，以及有沒有開啟搜尋，都會改變答案，而這些在圖片裡一個都看不見。