一份站得住脚的 AI 可见性报告都包含什么？

对照组是你 prompt 面板中被刻意“永不动它”的一部分：不为它写内容、不为它做站外工作、看起来难看时也不把它删掉。保留它，是为了让引擎层面的整体漂移与你工作的效应分开显现。没有它，在仪表盘上，“上涨”和“平台更新”看起来一模一样，“下跌”和“运气不好的一个月”也一样。

建一次，在面板创建时。十到十五条就够，而且它们必须映射面板其余部分的类别构成：不同类别的漂移速率不同，所以一个全由定义类问题构成的对照组，追不上一次只打到对比类问题的变化。把它和其他内容一起冻结进同一套版本方案，并标记得足够醒目，好让新同事不会不小心为它做优化。

用“双重差分”的方式读它。你的效应大约等于“优化组的变化”减去“对照组的变化”。如果两边都跌了八个百分点，那是引擎动了，你没做错什么。如果优化组涨了九个点而对照组持平，你手上就有证据了。正是这个减法，把一个前后对比的数字变成一条关于你自己工作的主张。

两条诚实的限制。十来条 prompt 的对照组，自己就带着很宽的区间，所以请把它的变动当作方向而不是精确修正：用一个有噪声的数字去减另一个有噪声的数字，不会得到一个干净的数字；而且这种合并比较所需的数据比任何单边都多，其算术见《统计功效》。以及，它只能控制那些对两组同等生效的变化：它能抓住一次模型更换，抓不住一场恰好瞄准你正在优化的那些问题的竞品攻势。

之所以值得为这一切付出代价，是因为这个领域的平台漂移很大。2026 年那篇批判性综述把“商业引擎彼此不同且随时间变化”评为高置信度。¹ 一份厂商时间序列让这个量级变得具体：从 2025 年 7 月采样的 190 万条 AI Overview 引用，到 2026 年 3 月覆盖 86.3 万个关键词结果页的 400 万个被引 URL，被引页面中同时排进自然结果前十的比例从约 76% 降到了约 38%。⁶ 一个横跨那个窗口做前后对比、又没有对照组的团队，测到的会是平台，而写下来的会是自己的成绩。

因为这些引擎看的根本不是同一个网络。SIGIR 2026 上一项研究比较了 Google 自然搜索、AI Overviews 与 Gemini Flash 2.5 对 11,500 条查询返回的来源，测得 URL 层面的 Jaccard 相似度为：AI Overviews 与自然结果之间 0.18，自然结果与 Gemini 之间 0.16，AI Overviews 与 Gemini 之间 0.11。原文写道：“无论取哪个查询子集、比较哪一对搜索引擎，检索到的列表都是不相似的，尽管这三者都由 Google 开发。”⁵ 同一家厂商的三个界面就已经彼此不一致。

综合分于是把读者最需要的东西藏了起来。假设你在一个引擎上是 41%、在另一个上是 9%，那么 25% 这个平均值对哪个引擎都不成立；它会在你改动权重时变动，而不是在你的可见性变动时变动。2026 年那篇批判性综述从审计文献出发得到同一个结论，指出商业引擎之间存在“来源重合度低、跑与跑之间波动大、以及持续存在的保真度缺口”。¹

请改成一张小表：每个引擎一行，各自带自己的观测数、置信区间和面板版本。如果管理层想要一个可追踪的单一数字，那就让它是某一个被点名的引擎，并用一句话说明为什么在商业上是这个引擎最要紧。

它该写“未检测到变化”，并在旁边印出本来能被检测到的变化幅度。“该引擎提及率 31%，200 次观测，相对上月 29% 未检测到变化；本面板可检测的最小变化约为 13 个百分点”，这准确告诉读者哪些东西被弄清楚了、哪些没有。而“上升 2 个百分点”告诉他们的是假的。

有两个习惯能保护空结果不被“收拾干净”。把每一次运行都留在分母里，包括那些你根本没出现的：2026 年那篇批判性综述的清单对此有明确要求，而悄悄丢掉空白运行，是一个面板开始讨好自己主人的最常见方式。¹ 以及，报区间而不是报点估计。2026 年 3 月那篇 AI 可见性测量的统计学论文发现，引用计数呈幂律形状，且排名“在重复采样之间不稳定，不只是排在最前面的域名，而是整个高频被引域名集合都如此”，该文用 bootstrap 重采样来报告这种不确定性。⁴ 当比率很低或很高时，正态近似会退化，所以那里该用精确区间或 bootstrap 区间；不过这一条属于普通统计学常识，并不是那篇论文的发现。

请把“没有变化”当成常态：NeurIPS 2025 的 C-SEO Bench 发现，“当前多数 C-SEO 方法不仅在很大程度上无效，还经常对文档排序产生负面影响”。⁷ 即便如此，一个数字没动的月份，也很少是一个没什么可报的月份。你的比率没变，引用清单也会变，而行动就在那里：谁的页面顶替了谁、你自己的哪些页面从来不出现，以及哪些答案现在开始说了关于你的不实之词。一份价值取决于比率上涨的报告，最终会被写成让比率上涨的样子。