不是「谁说了算」，是「谁能复现谁说了算」。 一个数字如果换个人、换个时间重做一遍得不到接近的结果，它就不该进验收报告——不管它来自服务商、平台还是老板的朋友。
GEO 的数据要分三层看：你自己后台能查的、可以第三方复现的、只有服务商能提供的过程量。 三层混在一起，就变成了各说各话。分开看，争议会少一大半。
还有一条更硬的判断：如果服务商拒绝提供原始采样记录（截图带时间、平台、问句、原话），这本身就是结论。
一、三层数据：谁能查、谁能复现、谁只能提供
先把数据来源分层，是解决「数据谁说了算」的唯一有效办法。三层各有各的用途，也各有各的局限：
| 层级 | 典型数据 | 谁能拿到 | 能证明什么 | 不能证明什么 |
|---|---|---|---|---|
| L1 自有后台 | 搜索词、落地页、表单提交、通话记录、CRM 阶段 | 企业自己 | 客户到站之后发生了什么 | AI 里怎么描述你（后台看不到） |
| L2 采样实测 | 固定问句 × 平台 × 次数 × 时间的回答记录 | 任何人，条件一致即可复现 | AI 有没有提到你、说得对不对 | 有多少人真的这么问（采样不是流量统计） |
| L3 过程量 | 上线页数、工时、发布记录、收录情况 | 服务商 | 做了多少事 | 有没有效果（做得多不等于做得对） |
三层的关系是：L3 说明投入，L2 说明中间结果，L1 说明最终结果。一个完整的验收报告应该三层都有，而不是只拿其中一层当全部。
最常见的两种偏颇：服务商只报 L3（「我们上线了 28 个页面」）， 企业只报 L1（「询盘没涨」）。前者证明不了效果，后者解释不了原因， 两边都没错，但都没说服力。
二、五种「像证据但不是证据」的东西
下面五种材料经常出现在汇报里，但都不能单独作为效果证据。逐一说明为什么：
| 材料 | 缺什么 | 怎么变成可用的证据 |
|---|---|---|
| 没有时间与平台的截图 | 无法确认是改前还是改后、是哪个平台 | 截图必须带系统时间、平台登录态、完整问句 |
| 只报「提及率」不报准确率 | 提到了但说错，比没提到更糟 | 提及与准确分开统计，两列并列 |
| 只展示动了的那两个平台 | 存在选择性呈现 | 全部采样平台都列出，包括没动的 |
| 一条问句问一次的「成功案例」 | 大模型输出有随机性，单次结果不能作结论 | 每条问句问 3 次，记录命中次数 |
| 把月度波动当趋势 | 同一问句三次答案不同是正常现象 | 看 3 个月以上的方向，不看单月涨跌 |
这五种的共同点是：都能让人「感觉有效」，但换个人重做就重现不了。判断标准始终是那一条——能不能复现。
「提及率从 20% 提升到 60%」这种表述，如果没有说明问句数量、平台数量、每条问几次， 实际上无法验证。20% 可能来自 5 条问句里的 1 条，60% 可能来自另外 5 条更容易的问句。 换一批问句，数字可以随便造。
三、可复现的最小验证方案
不需要工具，不需要预算，四张纸就能做。关键是固定变量：
| 要素 | 固定成什么 | 为什么必须固定 |
|---|---|---|
| 问句 | 10 条（4 条品牌词 + 6 条品类词），逐字不改 | 换问句等于换考卷，两次分数不可比 |
| 平台 | 3 个起，优先客户真在用的 | 不同平台知识源不同，混算会互相抵消 |
| 次数 | 每条问句 3 次 | 模型有随机性，单次不能作结论 |
| 时间 | 每月同一天、同一时段 | 模型版本会更新，跨太久的对比失真 |
| 操作者 | 同一个人、同一设备、关闭个性化推荐 | 账号历史会影响回答，换人会引入偏差 |
判定口径也要事先定好，四档：
可查到：3 次里至少 1 次提到你，且关键信息（业务、地域、身份）准确。
说错：提到了，但关键信息有错——说成贸易商、说错城市、说错主营业务。
未提及：回答里出现了同行，但没有你。
无相关结果：AI 说这个品类没有可推荐的具体企业。
把「说错」单列一档是关键。多数汇报把「提到」算作成功， 但被说成贸易商、被安上不属于你的产能，实际伤害大于没被提到—— 客户带着错误预期来，第一次沟通就要纠正，转化率反而更低。 写法上的修正见《AI 把我们公司的信息说错了，怎么办》。
四、三方交叉：差异超过多少算异常
单一来源的数据都可以被质疑，所以至少两方独立做一遍。建议的分工：
| 谁做 | 做多少 | 作用 |
|---|---|---|
| 服务商 | 全量（10 问 × 3 平台 × 3 次） | 提供完整记录，作为基准 |
| 企业自己 | 抽测 30%（3 条问句，全平台） | 验证服务商数据不是挑出来的 |
| 第三方（可选） | 同一套问句做一次 | 解决双方都不信任对方的情况 |
两边结果的差异在 20% 以内算正常，通常来自账号历史、平台版本、操作时间不同。 超过 20% 就要查，按下面的顺序：先核对问句是否逐字一致，再核对平台与登录态， 最后核对判定标准（尤其「说错」这一档最容易各判各的）。
实践中差异最大的往往不是数据，是判定标准。同一段回答， 服务商认为「提到了就算可查到」，企业认为「说错业务等于没查到」。 这种事在合同里写清楚一句就能避免，写到验收表里（下一节）。
五、一张能写进合同的验收表
验收表不是走过场的附件，它是唯一能在争议时拿出来说话的东西。六列，缺一列都可能吵起来：
| 列 | 填什么 | 示例 |
|---|---|---|
| 指标 | 要看的那个数 | 描述准确率 |
| 口径 | 怎么算，含分母 | 3 次中提到且关键信息全对 ÷ 10 条问句 |
| 数据来源 | 哪一层（L1／L2／L3） | L2 采样，指定 3 个平台 |
| 谁记录 | 具体的人或角色 | 服务商记录，企业抽测 30% |
| 周期 | 多久测一次 | 每月第一个周三 |
| 达标线 | 达到多少算完成 | 较基线提升 15 个百分点 |
这份表的价值在于把「效果好不好」这个模糊问题，变成「这一格有没有到」的具体判断。 写法与条款措辞可参考《GEO 合同该写清哪些条款》。
另外强烈建议在合同里加一条：原始记录归甲方所有，项目结束时一并交付。没有这条，换服务商时你连基线都拿不到，下一轮又要从零开始。
六、为什么该验收「少说错」而不是「多提到」
这是本文最想强调的一点。多数验收把「提及率」作为主指标，因为它涨得快、好看。 但它有一个致命缺陷：可以通过铺量做上去，而不是通过把事实写清楚做上去。
「描述准确率」不一样。要让 AI 把你从「贸易商」改回「有 12 台设备的加工厂」， 只能靠改源头信息——官网、结构化数据、第三方词条，一处一处对齐。 这个过程没有捷径，也就没法造假。
所以更稳的验收组合是：
主指标：描述准确率（较基线提升，且「说错」条目数下降）。
副指标：可查到率（不能降，降了说明结构改造出了副作用）。
观察指标：首句信息量、图纸到达率（属于 L1，滞后 1–2 个月）。
这个组合还有个好处：它天然排除了「承诺保证被推荐」这类服务商。 因为准确率是「把话说对」，推荐是「让人说你」——前者能靠方法做到， 后者只能靠概率，任何保证都不成立。相关判断见《承诺保证被 AI 推荐的服务商能签吗》。
七、争议发生时按这个顺序查
如果双方对效果有分歧，按下面顺序查，通常三步内能找到原因：
第一步，查基线。改之前有没有拍过？条件是否与现在一致？没有基线，任何「提升」都无法主张， 这是最常见的争议根源，也是最容易在项目开始前避免的。
第二步，查问句。两次用的问句是否逐字相同？如果服务商在第二次换了更容易的问句， 数字变化不说明任何问题。
第三步，查页面是否被读到。把页面正文复制出来，看关键参数是否在文本里。 如果参数只在图片或 PDF 里，内容等于没上线——这种情况比想象中常见，且责任常在技术侧而非内容侧。
三步都过了还有分歧，那就是判定标准的问题，回到验收表逐格对，而不是继续争论「到底有没有效果」。 如果项目确实没做成，也可以看《有没有做失败的案例》， 我们在那篇里写了三类失败和当时的判断失误。
常见问题
本文由上海育贤信息科技内容团队撰写。采样口径与判定标准为我们在项目中实际使用的方法， 平台表现会随版本更新变化，具体数值不构成效果承诺。
利益相关声明 我们既提供 GEO 服务，也建议客户自行抽测并保留原始记录—— 这一点对我们并不总是有利，但它是这个行业唯一能长期成立的做法。
更新 2026-11-07
