簡短回答： 快速的表達方式變化比大多數內容變化更能衡量品牌的知名度。 在整個37,804個AI回覆中,5個引擎上的1,754個提示,關鍵詞式提示比對話式表達更高25%的平均品牌可見度,排名式提示大約高20%,快速長度實際上沒有影響。 問題設定一個供應商選擇跟蹤,可以將一個報告的可見度分數移動超過16分,而品牌根本沒改變任何東西.
AI的可見度方案都悄悄地依賴於一個沒有人說的假設:追蹤的提示代表着買家們實際要求的。 2026年的兩次大型研究從不同方向測試了這一假設,並且都發現問題的選擇比品牌幾乎所做的任何事情都更重要。
這篇作品闡述了他們測量到的,建造一個問題集的隨後內容,以及爲什麼兩個誠實的供應商可以報告一個品牌的非常不同的數字.
核心重點
- 關鍵字風格的提示,比對話措辭產生高達25%的平均品牌知名度,排名風格的提示,比5個引擎的1,754個提示,超過37,804個AI回覆,則高出約20%.
- 快速長度實際上對品牌命名的測量效果爲零,因此,用額外上下文來加註的提示是浪費了精力。
- 周圍 88–92% 上方的人類筆跡對羣集 0.50 餘弦相似度,但漂移到最小的相似度帶 被觀測到的可見度被大致切除 50%.
- 同一品牌的參考率從 41.2% 建議催促 24.5% 單項研究提示 B2B 學習,a 16.7- 百分比的分佈完全由迅速選擇所驅動。
- AI Mode查詢一般7.22字, 而傳統Google搜索爲4.0字, 因此標題用滿句的提問來表示,
迅速變化研究發現什麼了?
迅速的措辭比研究測試的任何其他變量更能改變衡量品牌的可見度,而迅速的長度幾乎沒有改變任何變化。
佩奇的Ehrlinspiel、Landwehr和Rudzki AI 進行了兩項平行研究,並發表 10 6月(半天) 2026: 288 人類筆跡提示生成 17,000 聊天,還有 54 基點導線擴展爲多於 1,000 語義變化生成到 20,000 聊天——橫 ChatGPT, Gemini, Perplexity, Google AI 模式和 Google AI 概覽,橫跨 18 分五區分.
| 提示屬性 | 衡量對品牌知名度的影響 |
|---|---|
| 關鍵詞風格的詞組對對話 | 最高 +25% |
| 排序式措辭 | 關於 +20% |
| 提示長度 | 有效 零( X) |
| 迅速的制約因素 | 依賴模型的——減少提及 ChatGPT 財務報告和已審計財務報表 Perplexity,增加它們 Gemini 財務報告和已審計財務報表 Google AI 概覽 |
A 關鍵字樣式提示 是一個短的,商業的短語查詢,它圍繞一個類別或意圖術語(“最佳多語種數據註釋供應商”)而不是一個完整的句子。界面是對話的,因此假設對話提示纔是重要的。 具體地說,在品牌可見度方面,相反的情況是:簡明的商業措辭保持了尖銳的檢索主播,而對話或人氣的提示將查詢範圍擴大到教育領域,因爲在那裏,品牌的命名較少。
系列破滅前的瞬間漂移能有多遠?
重寫在中等相似度閾值以下的提示符,與原停止測量相同事物的提示符,即使它詢問同一個話題.
餘弦相似性 是一個 0- 給...1 將兩段文字的近距離分數表示爲 1 意思是完全一樣 大約 88% 改爲: 92% 人類筆跡的對子 坐在一個相距的 0.50,並大約 95% 以上( 上) 0.40對照基準品牌提及率: 4.9%,提示漂流到最小的相似帶(0.35–0.39(損失) 2.40 可見度百分比——大約a 50% 維持在a以上的穩定 0.50 改爲: 0.60 類似閾值。
接下來有兩個結論,它們以有益的方式向相反方向拉動.
- 快速的窮盡式點數是不必要的。真實的人類用詞嚴格地組合起來,作爲指導 如何衡量AI的知名度而不欺騙自己 也注意到——你並不需要一個問題的所有可能的措辭,只需要一組內的一個措辭。
- 重寫提示是不同的測量。 漂移到下面大致 0.50 相似性將觀測到的可見度減半。一旦一個序列開始,問題文本必須被凍結;編輯措辭會默默地改變基線,趨勢線變得不可僞造。
原意型比引擎重要嗎?
哪個類型的問題,即時面板贊成改變報告的引用率,比它所運行的AI引擎要多。
第二項獨立研究從分析中測出了從另一個方向對以下兩個方面產生的同樣影響: B2B 具體提示 : 22,295 AI 答覆和 115,843 整個引用事件 460 獨立 B2B 提示和 37 組織 ChatGPT, Perplexity 財務報告和已審計財務報表 Google AI 模式。 模式。
A 提示原型 買方問題類別按意向、建議、比較或研究而不是按措詞分類。 41.2% 提示 Perplexity,改爲 34.7% 比較提示 Google AI 模式, 到 24.5% 用於研究提示 ChatGPT ——傳播. 16.7 百分點 引擎內部的傳播還很順利 12.2 點數 Perplexity, 9.3 打開 Google AI 模式和 8.5 打開 ChatGPT.
以建議提示爲主的小組,主要按下列標準衡量: Perplexity,在研究提示上測量的同一組織 ChatGPT 接近底部的土地——不是通過不誠實,而只是通過選擇哪類問題來跟蹤,一種影響是: 佔答複比例 是爲了揭露而不是隱藏
你怎麼建立一個不自爆的問題集?
一套可辨識的即時裝置在開始測量之前就固定了問題類型的組合,並分別報告每一種類型,而不是將它們混合成一個數字。
參考率 是一個有軌電車的AI答案中的份額, 某個品牌被命名, 不論排名或情緒如何。
| 類型 | 示例 | 典型的提及率 | 用它來測量 |
|---|---|---|---|
| 建議/短名單 | "什麼是企業最好的X供應商?" | 最高 | 是否在考慮組中 |
| 比較/替代品 | "X對Y爲多語種節目". | 中間 | 如何定位與名牌對手 |
| 研究/如何進行 | "X怎麼實際工作的?" | 最低 | 您的解釋性內容是否可以檢索 |
| 準確率 | "公司做什麼的?" | 不是能見度的衡量標準 | 無論你所說的是不是真的 |
- 包含所有原型, 並分別報告。 混合數字以您所偶然包含的多數原型爲主 。
- 開始前要修改比例。 如果在報告週期之間的混合變化, 趨勢線是混合的動脈, 而不是對任何東西的測量 。
- 更傾向於簡潔、商業用語的問題,以便衡量能見度,因爲這樣可以產生尖銳的檢索錨——但並不聲稱結果代表了所有用戶的行爲。
- 凍結措辭,下面大概有0.50個相似度,你正在測量一個不同的問題。
- 不要提示。 長度沒有測量效果, 因此額外的上下文只會使問題更難複製 。
- 使用框架,在比對其它人之前,先問一個供應商是否使用原型混合, AI 可見度審計同一品牌的兩個誠實的測量標準單是混合就可以有16點的不同.
這是類別中最沒有經過充分考量的槓桿。 每個人都在爭論購買哪種工具; 幾乎沒有人會問跟蹤提示是推薦提示的比例。 第二個問題決定了數量遠遠多於第一個。
人會打什麼字?
達到AI答題表面的查詢比搜索引擎查詢時間更長,更完整地形成,儘管長度本身並不改變品牌知名度.
Semrush數據由AEO Vision彙編,將Google AI模式查詢的平均長度定爲7.22字,對4.0進行傳統Google搜索。這是寫作指令,而不是測量指令:7.22字的查詢是一個問題,而不是關鍵字片段。 回答問題,並直接回答 下方直接匹配這些查詢; 圍繞關鍵字目標排列的頁面不匹配 。
這項研究的侷限性是什麼?
這兩項研究都是最近才進行的,設計良好,而且可能比標題數字更窄,因此,它們應該爲迅速設計提供信息,而不是直接解決。
- Peec AI研究是最近進行的,是單小組研究,它異常龐大,設計良好,尚未獨立複製。
- 原型研究是 B2B-具體。 460 提示和 37 組織是一個堅實的樣本,但範圍很窄;消費者類別的行爲可能有所不同。
- 引用率不是準確的。 這裏的每個數字都算一個品牌是否被命名,而不是有關該品牌的句子是否真實。
- 這些是相對效果,而不是直接操縱品牌控制。 選擇更好的方式會促使你改變所衡量的,而不是買家要求的。
怎麼樣 Lifewood 應用這個?
Lifewood 將及時登記冊本身視爲可見度方案中最導致的動脈動脈,置於讀取該錶盤之前。
典型比例在第一次運行之前固定,單獨報告而不是混合,因此,按照所描述的方法,可以將移動追溯到一個問題類別,而不是吸收到一個數字中。 測量引擎的LLM可見度。 語句在系列開始時被凍結,在變化時被修改,並記錄下來,因爲證據表明重寫提示是不同的衡量方式,而不是精細的。提示被保持簡潔和商業措辭,用於衡量可見度,報告中說明了限制,而不是留有暗示。
對於非英語市場,登記處是本地撰寫的,而不是翻譯的,因爲翻譯清單衡量的是翻譯,而不是市場。 Lifewood的,因爲 100+ 語言 和 40+ 跨省服務中心 30+ 國家 使本地作者成爲工作人員的決定而不是妥協,同樣的紀律適用於 GEO 服務工作 更廣義地說。