简短回答： 快速的表达方式变化比大多数内容变化更能衡量品牌的知名度。 在整个37,804个AI回复中,5个引擎上的1,754个提示,关键词式提示比对话式表达更高25%的平均品牌可见度,排名式提示大约高20%,快速长度实际上没有影响。 问题设定一个供应商选择跟踪,可以将一个报告的可见度分数移动超过16分,而品牌根本没改变任何东西.
AI的可见度方案都悄悄地依赖于一个没有人说的假设:追踪的提示代表着买家们实际要求的。 2026年的两次大型研究从不同方向测试了这一假设,并且都发现问题的选择比品牌几乎所做的任何事情都更重要。
这篇作品阐述了他们测量到的,建造一个问题集的随后内容,以及为什么两个诚实的供应商可以报告一个品牌的非常不同的数字.
核心要点
- 关键字风格的提示,比对话措辞产生高达25%的平均品牌知名度,排名风格的提示,比5个引擎的1,754个提示,超过37,804个AI回复,则高出约20%.
- 快速长度实际上对品牌命名的测量效果为零,因此,用额外上下文来加注的提示是浪费了精力。
- 周围 88–92% 上方的人类笔迹对群集 0.50 余弦相似度,但漂移到最小的相似度带 被观测到的可见度被大致切除 50%.
- 同一品牌的参考率从 41.2% 建议催促 24.5% 单项研究提示 B2B 学习,a 16.7- 百分比的分布完全由迅速选择所驱动。
- AI Mode查询一般7.22字, 而传统Google搜索为4.0字, 因此标题用满句的提问来表示,
迅速变化研究发现什么了?
迅速的措辞比研究测试的任何其他变量更能改变衡量品牌的可见度,而迅速的长度几乎没有改变任何变化。
佩奇的Ehrlinspiel、Landwehr和Rudzki AI 进行了两项平行研究,并发表 10 6月(半天) 2026: 288 人类笔迹提示生成 17,000 聊天,还有 54 基点导线扩展为多于 1,000 语义变化生成到 20,000 聊天——横 ChatGPT, Gemini, Perplexity, Google AI 模式和 Google AI 概览,横跨 18 分五区分.
| 提示属性 | 衡量对品牌知名度的影响 |
|---|---|
| 关键词风格的词组对对话 | 最高 +25% |
| 排序式措辞 | 关于 +20% |
| 提示长度 | 有效 零( X) |
| 迅速的制约因素 | 依赖模型的——减少提及 ChatGPT 财务报告和已审计财务报表 Perplexity,增加它们 Gemini 财务报告和已审计财务报表 Google AI 概览 |
A 关键字样式提示 是一个短的,商业的短语查询,它围绕一个类别或意图术语(“最佳多语种数据注释供应商”)而不是一个完整的句子。界面是对话的,因此假设对话提示才是重要的。 具体地说,在品牌可见度方面,相反的情况是:简明的商业措辞保持了尖锐的检索主播,而对话或人气的提示将查询范围扩大到教育领域,因为在那里,品牌的命名较少。
系列破灭前的瞬间漂移能有多远?
重写在中等相似度阈值以下的提示符,与原停止测量相同事物的提示符,即使它询问同一个话题.
余弦相似性 是一个 0- 给...1 将两段文字的近距离分数表示为 1 意思是完全一样 大约 88% 改为: 92% 人类笔迹的对子 坐在一个相距的 0.50,并大约 95% 以上( 上) 0.40对照基准品牌提及率: 4.9%,提示漂流到最小的相似带(0.35–0.39(损失) 2.40 可见度百分比——大约a 50% 维持在a以上的稳定 0.50 改为: 0.60 类似阈值。
接下来有两个结论,它们以有益的方式向相反方向拉动.
- 快速的穷尽式点数是不必要的。真实的人类用词严格地组合起来,作为指导 如何衡量AI的知名度而不欺骗自己 也注意到——你并不需要一个问题的所有可能的措辞,只需要一组内的一个措辞。
- 重写提示是不同的测量。 漂移到下面大致 0.50 相似性将观测到的可见度减半。一旦一个序列开始,问题文本必须被冻结;编辑措辞会默默地改变基线,趋势线变得不可伪造。
原意型比引擎重要吗?
哪个类型的问题,即时面板赞成改变报告的引用率,比它所运行的AI引擎要多。
第二项独立研究从分析中测出了从另一个方向对以下两个方面产生的同样影响: B2B 具体提示 : 22,295 AI 答复和 115,843 整个引用事件 460 独立 B2B 提示和 37 组织 ChatGPT, Perplexity 财务报告和已审计财务报表 Google AI 模式。 模式。
A 提示原型 买方问题类别按意向、建议、比较或研究而不是按措词分类。 41.2% 提示 Perplexity,改为 34.7% 比较提示 Google AI 模式, 到 24.5% 用于研究提示 ChatGPT ——传播. 16.7 百分点 引擎内部的传播还很顺利 12.2 点数 Perplexity, 9.3 打开 Google AI 模式和 8.5 打开 ChatGPT.
以建议提示为主的小组,主要按下列标准衡量: Perplexity,在研究提示上测量的同一组织 ChatGPT 接近底部的土地——不是通过不诚实,而只是通过选择哪类问题来跟踪,一种影响是: 占答复比例 是为了揭露而不是隐藏
你怎么建立一个不自爆的问题集?
一套可辨识的即时装置在开始测量之前就固定了问题类型的组合,并分别报告每一种类型,而不是将它们混合成一个数字。
参考率 是一个有轨电车的AI答案中的份额, 某个品牌被命名, 不论排名或情绪如何。
| 类型 | 示例 | 典型的提及率 | 用它来测量 |
|---|---|---|---|
| 建议/短名单 | "什么是企业最好的X供应商?" | 最高 | 是否在考虑组中 |
| 比较/替代品 | "X对Y为多语种节目". | 中间 | 如何定位与名牌对手 |
| 研究/如何进行 | "X怎么实际工作的?" | 最低 | 您的解释性内容是否可以检索 |
| 准确率 | "公司做什么的?" | 不是能见度的衡量标准 | 无论你所说的是不是真的 |
- 包含所有原型, 并分别报告。 混合数字以您所偶然包含的多数原型为主 。
- 开始前要修改比例。 如果在报告周期之间的混合变化, 趋势线是混合的动脉, 而不是对任何东西的测量 。
- 更倾向于简洁、商业用语的问题,以便衡量能见度,因为这样可以产生尖锐的检索锚——但并不声称结果代表了所有用户的行为。
- 冻结措辞,下面大概有0.50个相似度,你正在测量一个不同的问题。
- 不要提示。 长度没有测量效果, 因此额外的上下文只会使问题更难复制 。
- 使用框架,在比对其它人之前,先问一个供应商是否使用原型混合, AI 可见度审计同一品牌的两个诚实的测量标准单是混合就可以有16点的不同.
这是类别中最没有经过充分考量的杠杆。 每个人都在争论购买哪种工具; 几乎没有人会问跟踪提示是推荐提示的比例。 第二个问题决定了数量远远多于第一个。
人会打什么字?
达到AI答题表面的查询比搜索引擎查询时间更长,更完整地形成,尽管长度本身并不改变品牌知名度.
Semrush数据由AEO Vision汇编,将Google AI模式查询的平均长度定为7.22字,对4.0进行传统Google搜索。这是写作指令,而不是测量指令:7.22字的查询是一个问题,而不是关键字片段。 回答问题,并直接回答 下方直接匹配这些查询; 围绕关键字目标排列的页面不匹配 。
这项研究的局限性是什么?
这两项研究都是最近才进行的,设计良好,而且可能比标题数字更窄,因此,它们应该为迅速设计提供信息,而不是直接解决。
- Peec AI研究是最近进行的,是单小组研究,它异常庞大,设计良好,尚未独立复制。
- 原型研究是 B2B-具体。 460 提示和 37 组织是一个坚实的样本,但范围很窄;消费者类别的行为可能有所不同。
- 引用率不是准确的。 这里的每个数字都算一个品牌是否被命名,而不是有关该品牌的句子是否真实。
- 这些是相对效果,而不是直接操纵品牌控制。 选择更好的方式会促使你改变所衡量的,而不是买家要求的。
怎么样 Lifewood 应用这个?
Lifewood 将及时登记册本身视为可见度方案中最导致的动脉动脉,置于读取该表盘之前。
典型比例在第一次运行之前固定,单独报告而不是混合,因此,按照所描述的方法,可以将移动追溯到一个问题类别,而不是吸收到一个数字中。 测量引擎的LLM可见度。 语句在系列开始时被冻结,在变化时被修改,并记录下来,因为证据表明重写提示是不同的衡量方式,而不是精细的。提示被保持简洁和商业措辞,用于衡量可见度,报告中说明了限制,而不是留有暗示。
对于非英语市场,登记处是本地撰写的,而不是翻译的,因为翻译清单衡量的是翻译,而不是市场。 Lifewood的,因为 100+ 语言 和 40+ 跨省服务中心 30+ 国家 使本地作者成为工作人员的决定而不是妥协,同样的纪律适用于 GEO 服务工作 更广义地说。