**AI推荐位置统计是按回答顺序、名单层级、解释篇幅和首屏可见性，量化品牌在 AI 答案中的推荐强度。**它解决的不是“AI 有没有提到我”，而是“当用户问推荐、对比、选型问题时，AI 把我放在什么位置、用多大篇幅说服用户”。
答案先行：AI推荐位置统计看哪 6 个指标
做 AI推荐位置统计，建议先把“有效答案”定义清楚，再统计 6 个字段：提及、名单、名次、首提、解释、首屏。只看其中一个，容易误判。
| 指标 | 回答的问题 | 推荐公式 |
|---|---|---|
| AI提及率 | 品牌有没有出现 | 品牌被提到的有效答案数 / 全部有效答案数 |
| 名单进入率 | 是否进入推荐候选集 | 品牌进入明确名单的有效答案数 / 全部有效答案数 |
| 平均推荐名次 | 出现时排第几 | 品牌出现时的名次总和 / 品牌出现答案数 |
| 首提率 | 是否第一个被推荐 | 品牌作为第一个被点名品牌的有效答案数 / 全部有效答案数 |
| 重点解释率 | AI 是否给出充分理由 | 达到解释阈值的答案数 / 品牌出现答案数 |
| 首屏可见率 | 用户不滚动能否看到 | 首屏可见答案数 / 品牌出现答案数 |
这里的“位置”不是传统 Google SERP 的第几名，而是 AI 回答文本里的实体顺序、推荐层级和注意力分配。同样被提到，出现在第一段、主推荐表格第一行、带有独立理由和来源，价值远高于在“其他可选工具”里被顺手带过。
先定义有效答案，否则统计会失真
AI推荐位置统计的第一步不是跑 Prompt，而是确定哪些答案可以进入样本池。MaxAEO 在项目里通常把有效答案定义为：回答了目标问题、包含可识别品牌实体、没有明显联网失败或拒答，并且能判断推荐层级的答案。
应剔除的样本包括：
- 拒答、跑题、只解释概念但没有推荐品牌的回答。
- 明显幻觉答案，例如虚构不存在的产品、把官网域名写错、把竞品功能归到本品牌。
- 平台联网失败、答案被截断、表格加载失败导致无法判断顺序。
- Prompt 明显偏置，例如“为什么 MaxAEO 是最好的 AI推荐监控工具”。
还要先建立实体词典。品牌英文名、中文名、产品名、旧名、常见错拼应合并到同一实体；域名、创始人、客户名、媒体报道标题不应误算为品牌提及。否则，AI提及率和首提率都会被高估。
首个提到怎么算：衡量默认推荐优先级
首个提到，指在有效答案中，本品牌是否是 AI 第一个明确点名的品牌。它比“有没有出现”更接近用户感知，因为很多用户只读第一段或前几个候选项。
推荐同时看两个口径：
首提覆盖率 = 本品牌作为第一个被提到品牌的有效答案数 / 全部有效答案数
条件首提率 = 本品牌作为第一个被提到品牌的有效答案数 / 本品牌出现答案数
平均推荐名次 = 本品牌出现时的名次总和 / 本品牌出现答案数
判断顺序时按用户实际阅读路径记录：标题段先于表格，表格从上到下、从左到右，编号列表按编号，项目符号按出现顺序。如果 AI 先说“没有唯一最佳选择”，随后列出品牌，仍以第一个被列出的品牌作为首提对象。
示例 Prompt：
请推荐 5 个适合消费品牌监测 ChatGPT、Gemini、DeepSeek、豆包、Kimi 和通义千问回答表现的 AI品牌监测平台，并说明每个平台适合什么场景。
如果答案顺序是 A、B、C、D、E，A 的首提记为 1，B 的名次记为 2。若品牌只在“也可以考虑”段落里出现，不算首提，但可进入边缘提及。
入选名单怎么算：区分候选资格和随口提到
入选名单，指品牌进入 AI 明确给出的推荐、候选、对比或工具清单。它回答的是“品牌有没有进入用户考虑集”。
名单进入率 = 本品牌进入明确名单的有效答案数 / 全部有效答案数
“明确名单”包括编号列表、推荐表格、项目符号清单、横向对比表，以及“可以考虑以下平台”后面的品牌列表。不包括泛泛提到，例如“市场上还有很多工具，例如……”后面被带到的品牌。后者只能算弱提及。
| 层级 | 统计规则 | 解读 |
|---|---|---|
| 核心名单 | 主推荐列表前 3 位，或表格中的重点推荐区 | 已进入高意向考虑集 |
| 扩展名单 | 主列表第 4 位及以后 | 有候选资格，但优先级较弱 |
| 边缘提及 | 不在主列表，只在补充段出现 | 不应等同于推荐位 |
| 来源提及 | 只出现在引用来源、网页标题或脚注 | 只能算来源曝光，不能算正文推荐 |
做竞品复盘时，名单进入率应与竞品同口径比较。若本品牌提及率不低，但核心名单占比明显低于竞品，说明问题不是“AI 不知道你”，而是“AI 不把你放进主要推荐位”。竞品差距的设定方法可参考 MaxAEO 的 AI Search Competitor Benchmarking。
重点解释怎么算：统计 AI 是否真的在替你说服用户
重点解释，指 AI 不只是点名品牌，还给出独立、具体、能影响选择的理由。它衡量的是推荐说服力，而不是品牌名字出现次数。
推荐使用“篇幅 + 信息类别”双阈值：
解释篇幅占比 = 本品牌解释字数 / 所有入选品牌解释字数
重点解释率 = 达到重点解释标准的答案数 / 本品牌出现答案数
在 B2B 软件、营销工具、SaaS 选型等场景，MaxAEO 常用的重点解释标准是：解释篇幅占比 ≥ 20%，且至少包含 2 类有效信息。有效信息包括功能能力、适用场景、行业对象、优势限制、价格区间、客户类型、第三方来源、对比结论或使用建议。
不计入重点解释的内容包括：
- “比较受欢迎”“值得关注”“功能丰富”这类无证据形容。
- 只重复品牌 Slogan，没有说明为什么适合该 Prompt。
- 与用户问题无关的公司介绍。
- 把竞品功能误写到本品牌名下的幻觉内容。
这也是很多 AI可见度报告容易误判的地方：品牌 A 可能提及率 70%，但多数出现在靠后位置且没有解释；品牌 B 提及率只有 40%，却经常获得整段对比和使用场景说明。后者在真实选型里的影响力可能更强。更细的篇幅、位置和显著性分析，可结合 MaxAEO 的 Depth of Mention 方法拆解。
首屏可见性怎么算：把推荐位转成真实注意力
首屏可见性，指用户不滚动时能否看到品牌名称或关键推荐理由。它把“被 AI 推荐”转化为更接近真实注意力的指标。
首屏可见率 = 本品牌在首屏可见区域出现的有效答案数 / 本品牌出现答案数
建议固定设备口径：
| 场景 | 推荐口径 |
|---|---|
| 桌面网页 | 固定 1366×768 或团队常用浏览器窗口，记录默认缩放比例 |
| 移动端 | 固定 390×844 或目标用户主流机型，记录第一屏截图 |
| API 文本 | 不称为首屏，用“答案前 600 个中文字符可见率”作为替代指标 |
| 可折叠答案 | 记录默认折叠状态，不把展开后内容算作首屏 |
如果平台会折叠来源、压缩表格、把推荐放在追问卡片后面，必须记录界面状态。否则，同一段文字在桌面端可见、移动端不可见，最终看板会把两种注意力价值混在一起。
为什么不能只跑一次 Prompt
AI 答案会受 Prompt 表述、平台版本、联网状态、个性化上下文和采样波动影响。单次结果只能当截图，不能当排名。
最小可用抽样设计：
- 每个业务意图准备 5–10 个真实 Prompt，覆盖推荐、对比、替代品、适用场景和预算约束。
- 每个平台每个 Prompt 至少采样 3 轮，核心词建议分日采样。
- 每条答案保存 Prompt 原文、平台、时间、模型或产品版本、答案全文、截图、来源链接和品牌排序。
- 以周为单位看趋势，以月为单位复盘主题簇，不用单条答案下结论。
例如，一个 B2B SaaS 品牌监测“AI舆情监控工具推荐”主题，可以设置 8 个 Prompt，覆盖“推荐工具”“竞品对比”“适合市场团队”“适合公关团队”“适合跨境品牌”等问法；在 4 个平台各跑 3 轮，共 96 条答案。这个样本量不代表行业基准，但足够让团队看到首提率、名单进入率和重点解释率是否稳定。
Prompt 改写对品牌排序的影响很大，尤其是“best tools”“alternatives”“for PR teams”“for ecommerce brands”这类修饰词会改变候选集。可进一步参考 Prompt Wording Sensitivity。
建议采集哪些字段：一张表就能复盘
AI推荐位置统计不需要一开始就做复杂系统，但字段必须完整。推荐用下面这组最小字段搭建看板：
| 字段 | 说明 |
|---|---|
| prompt_id | 同一意图下的 Prompt 编号 |
| intent_cluster | 业务意图，例如“AI品牌监测工具推荐” |
| platform | ChatGPT、Gemini、Perplexity、DeepSeek、豆包、Kimi、通义千问等 |
| answer_time | 回答生成时间，精确到分钟 |
| brand_entity | 统一后的品牌实体 |
| mention_status | 未提及、边缘提及、名单进入、核心推荐 |
| mention_rank | 品牌在答案中的出现名次 |
| first_mentioned_brand | 答案中第一个被点名的品牌 |
| list_tier | 核心名单、扩展名单、边缘提及 |
| explanation_chars | 解释本品牌的字数 |
| info_types | 功能、场景、限制、价格、来源、对比等类别 |
| first_screen_visible | 是 / 否 |
| cited_sources | AI 引用或提到的来源 URL |
| evidence_snapshot | 答案原文、截图或快照编号 |
这张表的价值在于可追溯。推荐位置突然下降时，团队可以回到原文判断：是竞品新增了权威报道，还是官网内容过时，或只是某个 Prompt 改写导致候选集变化。
一套可落地的加权分数
推荐位置可以汇总为 0–100 分，但必须保留原始字段。总分用于看趋势，明细用于找原因。
| 指标 | 权重 | 计分建议 |
|---|---|---|
| 首提 / 名次 | 35% | 第一名 100，第二名 70，第三名 50，其后 30，未出现 0 |
| 名单层级 | 25% | 核心名单 100，扩展名单 60，边缘提及 20，未出现 0 |
| 重点解释 | 25% | 按解释篇幅占比和有效信息类别评分 |
| 首屏可见 | 15% | 首屏可见 100，不可见 0 |
推荐位置分 = 名次得分 × 35% + 名单得分 × 25% + 解释得分 × 25% + 首屏得分 × 15%
这套分数不适合拿来做唯一 KPI。更好的用法是定位短板：
| 现象 | 可能原因 | 优先动作 |
|---|---|---|
| 名单进入率低 | AI 没把品牌当作候选项 | 补清晰的品类页、替代品页、第三方评测和对比内容 |
| 首提率低但名单进入高 | 竞品默认心智更强 | 增加差异化证据、场景页和竞品对比页 |
| 重点解释率低 | 缺少可摘取的功能、案例、数据和限制说明 | 重写官网关键页，增加可引用段落 |
| 首屏可见率低 | 品牌排序靠后或答案结构不利 | 优化高意图 Prompt 下的证据来源和列表位置 |
| 波动大 | Prompt 敏感或来源不稳定 | 扩大样本，按 Prompt 类别拆分趋势 |
学术研究也支持“位置与篇幅”共同影响生成式答案可见性。GEO: Generative Engine Optimization 将生成式搜索中的可见度形式化，并报告通过补充来源、统计和引用等内容策略可提升生成式答案中的可见性。品牌实操不必照搬论文指标，但应保留“位置 × 篇幅 × 证据”的统计思路。
匿名化案例：同样被提到，价值差多少
下面是一组匿名化项目样本，用于展示同一批 Prompt 下的口径差异。样本来自 4 个 AI 平台、8 个 Prompt、3 轮采样，共 96 条有效回答；品牌名已匿名化，不代表行业均值。
| 品牌 | AI提及率 | 首提覆盖率 | 名单进入率 | 重点解释率 | 首屏可见率 | 结论 |
|---|---|---|---|---|---|---|
| 品牌 A | 72% | 38% | 69% | 44% | 61% | 强推荐，已进入主要候选集 |
| 品牌 B | 76% | 12% | 70% | 18% | 29% | 出现多，但常排在靠后位置 |
| 品牌 C | 41% | 21% | 38% | 52% | 47% | 提及少，但细分意图解释强 |
| 品牌 D | 25% | 4% | 22% | 9% | 11% | 尚未进入主流推荐名单 |
如果只看 AI提及率，品牌 B 最强；但结合首提、重点解释和首屏后，品牌 A 的推荐价值更高。品牌 C 的全量曝光不高，却在特定细分意图里获得充分解释，说明它更适合做垂直场景突破，而不是立刻追求全品类覆盖。
下一步诊断要回到来源：AI 引用了哪些页面？这些页面是否过时？第三方评测是否覆盖本品牌？媒体文章是否有明确的功能、行业、客户和对比段落？如果 AI 长期引用旧信息，优先做内部内容准确性审计，可参考 Your Own Stale Pages Are Feeding Wrong AI Answers。
如何用统计结果指导优化
AI推荐位置统计的目的不是做漂亮报表，而是把监控结果转成内容、PR 和技术 SEO 待办项。
| 统计结果 | 优化重点 |
|---|---|
| 没被提到 | 建立品类关联：官网品类页、对比页、案例页、第三方目录和媒体报道 |
| 被提到但不进名单 | 明确适用场景和差异化定位，让 AI 有理由把品牌列入候选 |
| 进名单但不首提 | 强化权威证据、客户案例、评测结论和与竞品的可验证差异 |
| 有解释但无来源 | 补可引用来源：行业媒体、分析报告、公开案例、评测文章 |
| 首屏不可见 | 提升在高意图 Prompt 下的排序，而不是只扩大低价值提及 |
| 本周突然下降 | 检查平台更新、Prompt 变化、竞品新内容和引用来源失效 |
推荐每周看核心 Prompt，月度看主题簇。若品牌处在新品发布、公关事件、负面舆情或大促期，应提高到每日采样。对于“上周被引用，本周消失”的问题，还要单独跟踪引用稳定性，可结合 Citation Durability 做持久度复盘。
常见错误清单
做 AI推荐位置统计时，最常见的问题是把不可比较的数据放进同一张表。检查时优先看这些项：
- 是否把品牌名、产品名、旧名和常见错拼合并到同一实体。
- 是否区分答案正文提及、来源链接提及和网页标题提及。
- 是否把边缘提及误算为推荐名单。
- 是否同时记录 Prompt 原文，而不是只记录关键词。
- 是否按平台分开统计，不把 ChatGPT、Gemini、Perplexity、DeepSeek、豆包、Kimi、通义千问混成一个均值。
- 是否剔除拒答、跑题、联网失败和明显幻觉答案。
- 是否保存截图、时间戳、平台版本和答案全文。
- 是否保留原始字段，而不是只输出一个综合分。
只要这些基础项缺失，后续谈 AI搜索优化、AI引用来源优化或 AI品牌可见度增长，都会变成猜测。
常见问题
AI推荐位置统计和 AI提及率有什么区别？
AI提及率只回答品牌有没有出现；AI推荐位置统计还回答品牌出现在哪里、是否进入推荐名单、是不是第一个被提到、解释是否充分、用户首屏能否看到。前者是曝光指标，后者更接近推荐强度。
品牌没被第一个提到，就一定表现差吗？
不一定。若品牌在高转化 Prompt 中稳定进入前三，或在细分场景里获得重点解释，仍有商业价值。判断时要看意图权重，而不是只看全量平均名次。
重点解释必须人工判断吗？
早期建议人工抽样校准。字数、段落、品牌实体和排名可以自动统计，但“是否给出有效选择理由”需要规则和复核，尤其是竞品评价、价格限制、适用行业等容易出错的内容。
API 输出没有首屏，怎么统计？
不要把 API 文本直接叫作首屏。可以改用“答案前 600 个中文字符可见率”或“答案前 30% 内容可见率”，并在看板里标注为文本前段可见，而不是网页首屏可见。
多久统计一次比较合适？
常规品牌监测建议每周统计核心 Prompt，每月复盘主题簇和竞品变化。新品发布、公关事件、负面舆情或大促期间，应提高到每日采样，并保留原文快照。
优化推荐位置应先改官网还是先做外部内容？
先看短板。如果 AI 抓到的信息不准，优先修官网品类页、对比页、案例页和结构化内容；如果官网准确但 AI 不引用，补第三方评测、行业媒体、分析报告和可引用案例。推荐位置通常来自官网、内容、PR 和引用来源共同作用。