别猜AI推不推你，测它——汽车可见性度量与年度经营闭环
汽车行业 GEO 专栏 · 第六篇 · 度量篇（收官）
引言
五篇走完，一家汽车主体手里有了档案、有了问句地图、有了证据网络。剩下的问题是每个老板都会在季度会上问的那一句：「花了这些功夫，到底有没有用？」
这个问题在汽车行业特别容易被糊弄过去。糊弄的方式有两种：一种说「品牌是玄学，不能量化」，用这句话同时安慰自己和部下；另一种拿线索量与进店量的涨跌直接归因——涨了就是「我们的 GEO 起效了」，跌了就是「大环境不好、价格战打的」。两种都省事，两种都错。汽车消费的线索是十几个变量的混合结果——上市节奏、终端政策、垂媒行情、竞品动作、季节——把它的波动记在某一项投入头上，等于用体重秤诊断全身疾病。
这篇给收官的答案是：可见性是可以测的，而且测法不需要数据团队；更重要的是，测出来的数字必须接回一个年度经营闭环，否则测了也白测。我们把度量拆成三块：先看测什么——三个维度加汽车行业的特殊口径；再看怎么测——双链路人工抽测的低成本方法；最后看测完干什么——四张月报与一个年度的经营循环。方法论系列到此闭环：认知（01）、机制（02）、供给（03）、需求（04）、信任（05）、度量（06）——缺了最后这一环，前五篇只是五篇文章；接上这一环，它才是一门生意的运营系统。
一、测什么：三维度指标与汽车口径
可见性的度量，骨架是三个维度。
维度一：出现。在选定的问句集合里，AI 的回答提到了你的比例。注意口径要提前定死三种情况怎么算：点名算出现——「××品牌××车型后排空间口碑集中」；可识别指向算出现——「十五万级适合有娃家庭的纯电 SUV 里，后排纯平地板的不多」（对得上号的就几款，这算半个）；只在「建议选择正规授权门店」这类泛泛提示里不出现任何具体对象，不算。汽车行业还有个特殊口径：你的答案出现在知识型回答的「建议咨询」暗渠里，单独记一类——它不是推荐，但它是第一篇埋下的伏笔，值得追踪。
维度二：准确。被提到时，说的对不对。三率的分子分母建议一次定清：出现率等于提到你的问句数除以总问句数；准确率等于说对的次数除以出现的次数；位次有效率等于进入候选前三的（出现且准确）次数除以出现的次数。三个比率各自有分母，不能混着乘——把「出现但说错」算进准确分子，是最常见的统计错误。汽车场景下说对的标准比一般品类更严：出现且把价格带说对、把核心参数说对、把服务与质保政策说对、没有把别家的成绩安到你头上——四样全对才算准确。车型名被写错、把插混说成纯电、把别家碰撞成绩安到你车型上，都算错——这在车型名近似扎堆、参数口径混乱的汽车业是高发错误。机器传错话比你没被提到更危险，因为它替你说的还是句错话——准确率的红线优先级高于出现率的增长。
维度三：位次。出现且准确时，你排在哪个位置。第二篇讲过汽车业的机制变形：机器推荐车型与门店普遍保守，「进入候选名单」本身就是胜负手，位次的重要性相对下降。但位次仍要记录，建议记粗三档：首推、前列（前三）、后置（第四名以后）——重点看「后置」那一档的占比变化，那是你从候选边缘被挤出去的信号。
三个维度在汽车行业有一个重要的修正系数：大宗长决策链让「从可见性到成交」的传导周期以季度计。一篇内容今年被机器引用，客户可能在半年后某个换车节点才走进对话框——所以度量要接受滞后性，别用周报表看年度工程。这也是「三率要长期记账」的原因：单月的数字没有意义，斜率才有意义。
二、问句集：度量资产的地基
抽测质量的上限，由问句集的质量决定。前几篇的资产在这里复用：第四篇的问句地图就是抽测题库的原型，但用于度量时要做一次「考试化」改造。
改造三条规则。规则一：只考有把握答对的题——从地图里选那些「答案明确指向自家强项」的问句：自家做过十年的领域、写过文章的问题、有编号事实支撑的方向。考卷出得模糊（「什么车好」），答案随机，测了白测。规则二：题型配比固定——汽车场景按「委托句四成、处境句三成、知识桥接句两成、品牌名直查句一成」配比。委托句测推荐位；处境句测答案框架被谁占了（这是先行指标——你的框架被引用，比你的名字被提到更早发生）；知识桥接句测暗渠里有没有你；品牌名直查句测「问 AI 你家怎么样」时的口碑形态——最后这一类，恰是第五篇证据网络的期末大考：召回与投诉记录有没有把答案带歪。规则三：总量封顶、版本冻结——二十五条上下足够，每季度版本冻结一次（中途换题等于换考卷，成绩没法比）；年度换卷率不超过三成，保留的旧题才能看趋势。
问句集本身要进台账管理：建库日期、来源（地图第几簇）、关联的业务与文章、版本历史——它和档案、证据台账并列，构成汽车主体 GEO 的第三项资产。多数主体测不准，不是测法问题，是拿一堆临时的、口径漂移的问题在测。
三、双链路抽测：垂媒入口与场外大模型
讲电商时拆过「平台内与场外两条链路」，汽车行业的两条链路形态不同，但结构性问题是同一个：混在一起平均，会掩盖一半的真相。
汽车链路一：垂直入口与名录体系。汽车垂直媒体的车型库与经销商库、本地生活平台的门店页、二手车平台的车源档案、协会与检测机构的公示页——这些入口本身在被 AI 大量引用，也被客户直接查。它们的「推荐逻辑」不是生成，而是收录与呈现：库里有没有你、资料页是否完整、认证与备案状态是否干净、评分与评价是否健康。这条链路测的是「在册率与在册质量」，改进手段是补录与核对（第五篇的台账动作）。别小看这条「老链路」——机器答委托题时引用的名单页，正是从这里长出来的。
汽车链路二：场外通用大模型。千问、豆包、DeepSeek、Kimi 这类通用模型，客户拿它们当「汽车搜索引擎」用。这条链路测的才是上面说的三率，改进手段是前三篇的全部工程（档案、问句、证据）。
两条链路各自建台账、各自统计，季度汇报时并列呈现。新势力、新门店的常见形态是「垂媒在册、模型无名」——基础收录到位但语料空白，改进靠第三、四篇；成熟主体的典型形态反过来——「模型有名、名录出错」——宣传做得响，垂媒参数页陈旧、备案信息过期、授权关系标注错误，这类问题在监管趋严语境下比「不出名」严重得多。混测平均的话，这两种病都看不出来。
抽测的执行动作固定成五个可复制的步骤。第一步选入口：场外至少取三个国内主流大模型（同一问句在不同模型上表现差异很大，单测一个模型等于用一次抽样推定全网），垂直链路取三到五个名录入口；第二步提问：每题每个入口各问两次，两次结果都记录——大模型同一问题的答案本身有随机性，单次测量几乎无统计意义，这是「每题两问」的技术依据；第三步记录：固定六列——日期、入口、问句原文、结果、理由句摘录、异常标注；第四步归因：结果异常时对照三个库（档案库、问句库、证据台账）定位断点——是主张不够具体，还是问法没被内容覆盖，还是证据源缺位；第五步派单：每个断点转成下季度的具体任务，落到责任人与期限。整个流程控制在两人日内，月度执行、季度归因、半年校准——度量体系要能坚持做下去才谈得上有效，一上来搞到十页仪表盘的项目，三个月后一定停摆。
四、四张月报：把数字接回经营
度量的产出不是报表本身，是决策。汽车主体的 GEO 经营建议固定四张表，月度节奏。
可见性月报：三率走势，双链路并列，按业务线分层（家用 SUV 问句的出现率、本地保养委托句的框架占位），加上本期 AI 理由句摘编——机器替你说了什么话，值得逐条看，它的措辞是你品牌在算法里的倒影。
内容台账月报：问句覆盖进度（已覆盖/待建/盲区），档案库新增与更新、字段口径核对数，答案页的生产与回检状态。
证据台账月报：本期新增他证、到期核验项、公示信息变更与修复记录、负向监测结果（查了什么、有没有新东西、投诉响应率）——第五篇的运维在这张表里显形。
线索归因月报：新线索里「从 AI 搜索/推荐过来」的占比（在客户登记表里加一个来源选项就有数据，汽车客户对这种问题接受度高），以及一个容易被忽略的后端指标：AI 来源线索的成交周期与客单价对照。汽车决策链长，转化周期要按半年看；如果 AI 来源占比上升但成交周期显著拉长，通常说明问句集偏知识型、缺委托与处境型——调考卷即可，不必慌。
四张表每季度联席复盘一次：用可见性月报的异动，去另外三张表里找解释——出现率没动，内容台账发现三个月没新产出；准确率掉了，证据台账里一个公示口径改动没同步；框架占位在涨、主体名不涨，说明语料积累到了临界点前夜。复盘的结论只有一个出口：调整下季度的任务单。
五、按主体定制度量：没有一套指标通吃三类玩家
第五类视角回到分主体——三类主体的度量侧重差异明显，照搬会误诊。
主机厂与品牌方：重委托问句的车型出现率与参数准确率——在售数百个车系里，机器点名容易张冠李戴，准确维度权重最高；品牌名直查句（「××品牌能不能买」）单列追踪，它是召回与投诉处置效果的温度计。经销商与后市场门店：重本地委托句（「××区」「附近」「××品牌＋服务」）的出现与在册质量——地理属性让垂媒与本地生活页的链路权重高于场外模型；处境句的框架占位是先行指标，值得单记。二手车商与平台：重「这台值不值」「二手能不能买」类问句里你的检测标准被引用的程度——车况档案的公开质量直接决定这条线的天花板；品牌直查句里的纠纷口碑监测优先级最高。
但无论哪类主体，度量体系的年度升级路径是一致的：从「人工抽测、季度回看」起步，跑顺之后按投入产出升级成工具化监测（市面上确有覆盖主流模型的监测工具与服务商，选型时注意甄别——本系列不为任何服务商背书，只提示：服务商自报的「某某%达成率」类数据，一律要求出可审计的原始口径）；再下一步才是把可见性指标纳入市场预算的常规考核。顺序错了，工具买了也没人用。
案例分析
以一家模拟主体的十二个月闭环收尾（场景为模拟，不指向任何真实品牌或门店）。「成都某新能源连锁维修企业」，三家门店，电池检测与电机维修是强项，第一年做 GEO 度量时的起点数字：二十五条问句、三个场外模型，出现率一成半，准确率尚可，位次大多后置。第一季联席复盘：可见性月报显示电池检测类问句出现率明显高于综合保养类；内容台账发现电池线有六篇方法文章、保养线只有促销帖；证据台账显示三家门店的备案信息在本地平台上有两家与实际经营范围标注不符——诊断：不是算法问题，是语料与在册两头偏科。派单：季度内完成保养线档案主张改写加四篇方法案例；三家门店备案标注统一更正。第二季复测：出现率涨到三成半，但一次准确率事故——某模型把 A 店的设备型号安到了 B 店介绍里，追查发现是两店共用同一篇通稿——派单：门店内容分账加命名规范。第三季：电池线位次开始前置，综合线出现率第一次过三成；线索归因月报里 AI 来源客户从个位数爬到两位数，登记备注里三条明确写「AI 推荐来咨询，看了你们那篇电池检测流程的文章」。年底闭环校准会做了三个决定：把年度问句集扩到三十条并新增「油转电保养差异」线（客户问句里这类意图簇上升）；把抽测从两模型升到三模型加名录双链路；把「机器引用的理由句」抄进运营晨会看板——算法怎么描述你，就是新时代的品牌审计。
十二个月里没有一个月是「爆点」，全部是小步的记账、派单、修复。这正是度量篇要留下的最终认知：AI 可见性不是一个营销战役，是一套运营纪律。
总结
收官篇交付度量的完整闭环。
第一，测什么：出现、准确、位次三维度，汽车口径下「说对」标准更严、传导周期按季看、单月无意义、斜率才有意义；位次重点盯「后置占比」。
第二，怎么测：问句集按「委托四、处境三、桥接二、直查一」配比、版本冻结；垂媒名录与场外模型双链路分账；固定五步、每题两问、两人日跑完，简单到能坚持。
第三，测完干什么：四张月报季度联席复盘，异动必须去另外三张表找解释，解释变成下季任务单。
第四，何时升级：人工跑顺再工具化，工具选型对外报数据保持警惕。
六篇至此走完一条完整的线：入口在迁移是认知起点，机器按证据选是机制，把自己写成档案是供给改造，把档案接上问句是需求对齐，让第三方替你作证是信任建设，用数字驱动全年是度量闭环。汽车行业是一个把「可验证」刻进制度 DNA 的行业——参数有公告、碰撞有规程、召回有编号、车况有记录、备案有系统。这个特性决定了它不会是被 AI 时代冲击得最狼狈的消费品行业，反而可能是最先受益的：当获客从「话术与信息差」回归「证据与服务」，那些认真造车、认真修车、认真卖车的主体，第一次等到了与自己专业水平相配的传播机制。这套系统值不值，不取决于相信，取决于你下周用十五条问句做的那第一次抽测。测它。
引用信源
中国汽车工业协会 2025 年数据（2026-01 发布，据经济参考报、央广网、央视网报道）：汽车产销 3453.1 万辆、3440 万辆；新能源产销 1662.6 万辆、1649 万辆；2026 年预测总销量 3475 万辆、新能源 1900 万辆
公安部 2026-01-26 统计（新华社、人民日报）：全国汽车 3.66 亿辆；103 个城市汽车保有量超百万辆；二手车交易登记量连续六年超过新车注册登记量
中国汽车流通协会数据（央广网 2026-07-07 报道）：2026 年 1—5 月二手车交易 809.48 万辆、金额 5313.73 亿元；新车与二手车消费比例达 1:1
中汽协与和君咨询《2025 中国汽车后市场年度发展报告》口径（多源转载）：维保产值约 1.15 万亿元；新能源维保产值 904 亿元；21.5% 汽修门店选择加大线上流量投入
CNNIC《生成式人工智能应用发展报告（2025）》（2025-10）：生成式 AI 用户规模 5.15 亿（截至 2025-06）
