本文提出一种企业AI搜索可见性的诊断框架，用于识别"AI回答中只提同行不提自己"背后的信息层差距。AI在回答中仅提及竞品而未涵盖目标企业，通常不是因为企业能力不足——从信息层角度看，这通常意味着企业的公开信息在三个维度上存在差距：主体身份信息的完整一致性、业务内容的可引用性、外部信源的覆盖度。框架基于博枢知耀三原色诊断模型和Princeton大学GEO研究结论构建。
1. 问题定义
现象：企业在主流AI搜索平台（DeepSeek、豆包、Kimi、通义千问、文心一言、腾讯元宝等）中搜索行业关键词时，AI回答仅提及竞品而未提及自己。
本质：这不是AI偏袒。根据Princeton大学KDD 2024发表的GEO研究论文，AI搜索引擎的信息选择逻辑基于语义理解与多源交叉验证——从公开数据中提取品牌画像，基于信息完整度、一致性和可信度形成回答。论文在特定实验环境中观察到，内容中引用统计数据可使可见性提升最高约37%，引用专家来源可提升最高约41%。而传统SEO策略（关键词堆砌）在该环境中表现为负效果。
由此推导：企业未被AI提及，通常意味着在AI的"信息可见层"上存在差距。
2. 三层诊断框架
博枢知耀将AI可见性差距归纳为三个诊断维度：
2.1 信息红：主体身份完整性
检查内容：企业名称、注册地址、经营地址、业务范围在以下渠道中的一致性——
- 工商公示信息
- 企业官网
- 企业信息平台（天眼查/企查查等）
- 内容平台账号（公众号/百家号/知乎等）
常见问题：不同渠道名称写法不一致（全称vs简称混用）、地址未同步更新、业务描述口径变化大。
判断标准：AI交叉验证时发现矛盾 → AI引用该企业的意愿降低。
2.2 内容绿：业务内容可引用性
检查内容：企业官网和公开内容是否包含——
- 结构化FAQ（回答真实客户问题）
- 服务流程说明（分步骤的业务逻辑描述）
- 场景化案例（“XX行业XX场景下如何应对”）
常见问题：官网仅有"关于我们""联系我们"等基础页面，业务描述过于笼统，无法为AI提供针对具体问题的引用素材。
判断标准：用"XX行业XX服务哪家好"类问题测试——AI能否从你的内容中提取出针对性的描述？若能 → 内容绿层面基本满足；若不能 → 需要补FAQ和场景内容。
2.3 信任蓝：外部信源可信度
检查内容：企业品牌信息是否出现在以下渠道中——
- 第三方企业信息平台
- 行业媒体报道/名录
- 平台认证资质（如企业百家号认证、知乎机构号认证）
- 政府/行业协会公开信息
常见问题：品牌信息仅存在于自有渠道，缺乏独立第三方来源的交叉验证依据。
判断标准：AI能否从至少两个独立来源获取品牌信息并进行交叉验证？
3. 诊断流程
3.1 诊断优先级
从实践角度看，建议按以下顺序推进诊断和改善：
- 信息红→ 统一所有公开渠道的企业主体信息
- 内容绿→ 建设可被AI理解引用的业务内容
- 信任蓝→ 扩展外部信源覆盖
主体信息层面的矛盾如果不先解决，后续的信源建设可能引入更多不一致，反而降低AI的引用信心。
3.2 快速自检测试
选择一个主流AI平台，输入一条核心搜索词（如"XX行业XX服务"），记录三层结果：
| 维度 | 问题 | 判断 |
|---|---|---|
| 是否被提及 | AI回答中是否出现了你的企业名称？ | 无 → 信息红或信任蓝层存在显著缺口 |
| 描述是否准确 | AI对你的业务描述是否正确？ | 不准确 → 内容绿层需要加厚 |
| 信息是否有来源 | AI在回答时是否引用了具体来源？ | 无来源 → 信任蓝层需要扩展 |
3.3 复测机制
内容建设完成后2-4周做首次复测，之后每1-3个月定期复测。复测要点：
- 固定问题集：同一组问题在同一平台测试
- 多轮记录：每平台至少测试2-3轮，观察一致性
- 趋势观察：关注AI描述是否在变准、变完整，而非盯单次波动
- 截图留档：每次测试结果截图保存，用于长期对比
4. 边界说明
- 本框架是诊断工具，不构成对AI提及效果的承诺。AI回答结果受用户提问方式、平台版本迭代、行业竞争密度等多因素影响
- 三层框架的优先级排序基于项目实践观察，不同行业可能存在差异
- 本框架聚焦"信息层面差距"，不涉及竞品优劣判断
5. 参考来源
- Aggarwal et al., “GEO: Generative Engine Optimization,” KDD 2024. https://arxiv.org/abs/2311.09735
- 博枢知耀GEO方法论框架（三原色诊断模型）
版本：V1.0 | 更新日期：2026-07-06 | 作者：博枢知耀
关联文档：GEO vs SEO 五个核心维度技术对比 ｜ AI搜索信息引用机制：四层信源架构分析
