大家好，我是Neo。

今天想聊一个很微妙的话题：GEO（生成式引擎优化）工具，为什么卖不动？

你可能已经注意到了，过去一年冒出来一堆号称能“测量AI可见性”的SaaS工具：监测你的品牌在ChatGPT、Perplexity、Google AI Overviews里被提及了多少次、被引用了多少次、排在什么位置……价格从几百刀到几千刀一个月不等，PPT做得一个比一个漂亮。

但最近一份来自前Bing高管 Duane Forrester 的调查，把行业的老底揭了出来：数据是值钱的，工具却没人信。

这不是我拍的脑袋，是163位一线从业者的真实投票。今天我就带老板们把这份调查拆开看看——顺便聊聊，这对咱们独立站卖家买不买工具，到底意味着什么。

一、调查说了什么：两个数字之间的巨大裂缝

先交代一下背景。今年7月，Duane Forrester（曾在微软Bing工作多年，现在做AI搜索咨询）用三周时间发起了一项调查，问的是那些靠AI搜索可见性吃饭的人——SEO顾问、代理机构、企业内团队——怎么看市面上那些专门测量AI可见性的平台。

最终收到 163 份有效回答。样本是通过他自己的社交网络、两次newsletter推送、两个行业newsletter转发，加上LinkedIn和X上的付费广告召集来的，属于“圈内活跃从业者”，不是全行业普查——这个限制条件很重要，后面会说到。

问卷问了两组问题：

1. 这些AI可见性数据，你觉得值钱吗？（涵盖：超越关键词的查询对齐、竞品对比、判断提及来自训练数据还是实时检索、段落级归因、引用状态）
2. 现在花预算买一个专门的测量平台，值得吗？

结果很有意思：

问题	评分（满分5分）
AI可见性数据的价值	4.20
购买测量平台的意愿	3.19

只有 44% 的人觉得买这类工具“值得”，将近三分之一的人只给了 1-2 分（满分5分）。

一个数据的价值评分4.20，一个工具的购买意愿3.19——中间这整整1分的裂缝，就是这份报告最值钱的地方。

而且这不是抽样噪声。Forrester 把数据分四次快照记录（36份→75份→100份→163份），两个数字从头到尾几乎纹丝不动。“样本翻了四倍，结果没变过。”

Neo的解读： 这个裂缝太真实了。咱们独立站圈子里，GEO工具刚火的时候，我身边不少人脑子一热就下单了年付套餐，理由是“AI时代不测一下品牌可见性怎么行”。但冷静下来发现：报告里的数字到底怎么算出来的？凭什么信你？这恰恰是大部分卖家在付款前没想清楚的问题。4.20 vs 3.19，说明这不是某个人的偏见，是整个行业的集体犹豫。

二、为什么没人买？57%的人说“我不信这个数”

调查里最有冲击力的一组对比是这样的：

• 只有 7% 的人 抱怨“太贵了”
• 57% 的人 说的是“我不相信这个数字“或”我无法把数字和收入挂钩“

价格根本不是问题。信任，才是问题。

75% 的人（123位）在开放文本框里写了东西，Forrester 本来以为会收到一堆功能需求清单，结果收到的是另一种东西。把这些开放式回答归类后，主题分布是这样的：

主题	占比
信任、准确性、方法论不透明	24%
ROI和商业价值归因	20%
非确定性、方差、个性化	15%
合成prompt vs 真实用户需求	11%
“告诉我现在该做什么”（不可操作性）	9%
价格	7%
引用vs提及vs推荐的区别	4%
段落级归因	4%
prompt数量限制	4%
“LLM没有GSC那样的官方工具”	3%

几个回答特别扎心，我挑出来给老板们品品：

1. “prompt清单跟踪是自我实现的预言。” 这些工具的常见玩法是：让你自己选一批prompt（提示词），然后测量你在这些prompt下的可见度。但问题来了——prompt是你自己定的，等于你提前决定了“我应该在哪里可见”，然后拿自己列的单子考自己。 一位受访者一针见血：这是“self-fulfilling prophecy”。

2. “这些工具没有分母。” 排名跟踪器有明确的“分母”——你排在第几位，分母就是全部参与排名的网站。但AI可见性工具的分数来自虚构的prompt列表，而不是真实观测到的查询量。模型自身的随机波动，会被当成“涨了”或“跌了”汇报给客户，底下没有任何东西支撑这个结论。

3. “引用工具和排名工具是两种完全不同的东西。” 有受访者指出：排名跟踪可以反向工程“什么策略有效”，但AI引用每次问答案都不一样，你根本没法逆向推导。所以引用测量更接近品牌知名度信号，而不是诊断工具。

4. “我们按了50多个客户的代理机构，被夹在中间。” 一家跑50多个客户的代理机构说得直白：不买测量工具，就没法把“AI可见性服务”卖给客户；可没卖出去服务，就没法说服自己买工具。 这是个死循环。

5. 最狠的一句，直接冲着厂商去的：

“你们根本做不到宣称的事——因为每个模型的每个用户，得到的体验都不一样。蛇油。魔法豆。”

Neo的解读： “没有分母”这个洞察，我建议老板们拿小本本记下来。咱们做独立站这些年，习惯了看GSC里的展示量、点击率——这些数字背后有Google的真实用户行为撑着。但GEO工具给的分数，很多是拿AI模型问几轮prompt，数一数品牌被提到几次，然后除以一个自己发明的分母。分母是你定的，分数当然由你说了算。这不是说所有GEO工具都是骗局，而是说：你得搞清楚这个分数是怎么来的，再决定要不要为它买单。

三、关键验证：不是价格问题，是信仰问题

Forrester 把回答交叉分析之后，发现了三个站得住的规律：

规律一：质疑信任的人，对数据的估值和别人一模一样。

• 质疑信任的人给数据的价值评分：4.20
• 其他人给数据的价值评分：4.19

差百分之一分。预算也几乎没差别。

但——他们对购买平台的意愿骤降到 2.76，而其他人是 3.36，而且他们明显更不愿意为任何东西付费。

同样的估值，同样的钱包，完全不同的结论。拦着他们的不是“数据值不值”，不是“买不买得起”，而是“我信不信”。

规律二：几乎没人自己动手建工具。

只有 8% 的受访者自己建了内部工具。在质疑信任/非确定性的群体里，这个比例是 9%；在78%认为“供应商准确性是必须的”那批人里，只有 6% 自己建。

Forrester 说他不觉得这是双标——建这种东西真的很难——但这句话重新框定了问题：“数字不可信“并没有被当成一个需要动手解决的诊断，而是变成了”请别人帮我彻底解决“的请求。

规律三：买过的人，态度完全不同。

在所有人群分类里——代理机构、企业内团队、独立顾问——“数据价值”和“平台付费意愿”之间的裂缝几乎一模一样。唯一能让裂缝缩小的变量，是你买没买过。

• 当前订阅用户：裂缝几乎消失
• 非订阅用户：裂缝大三倍

Forrester 很诚实地说，他分不清因果方向：是买了工具才消解了怀疑，还是本来就不怀疑的人才去买？但这是数据里最大的一次分裂，说明从订阅内部看问题，和从外面看，完全是两个世界。

而且有个暗示性的发现：订阅用户更常说“数据没告诉我该做什么”，更少说“我怀疑数据”。没买的人怀疑数字；买了的人接受数字，但不知道该拿它怎么办。

Neo的解读： 规律三特别值得玩味。“买过的人不再怀疑”——这句话放在营销语境里有个不太好听的名字，叫认知失调（花了钱，就得说服自己这钱花得值）。但反过来想，也可能真的只有亲身体验过，才知道这些数据在实际工作中怎么用、边界在哪里。所以我给老板们的建议是：真想试，先买月付或者最小套餐，把它当成一次“实地考察”，别一上来就签年付大单。用三个月，拿真实业务数据去对照它给你的分数，自己验证一遍，再决定要不要续费。

四、厂商的困境：方法论是资产，公开就是自杀

调查里被吐槽最多的点是方法论不透明：“告诉我数据从哪来，凭什么让我信你。”

这要求合理吗？合理。但Forrester（他自己就做过这类平台，他坦诚这是利益冲突）说了一句大实话：任何厂商都做不到。

原因很残酷：

对于一家拿了风投的公司来说，方法论就是资产本身。把它公开，等于把产品变成“带烧钱率的免费工具”。

任何看起来“打开黑箱”的厂商，给你看的都是精心挑选的子集。你要的透明度，要么是商业自杀，要么是表演——没有第三条路。

而且这不是GEO工具独有的问题。整个测量行业一直如此——包括咱们用了二十年的关键词工具，我们从来没真正看过它们的内部算法。Forrester 说他在这类系统里工作了近十年，他知道这中间的差别。

但问题依然悬着：如果拿不到方法论，什么才能让你相信一个数字？可复现性？公开方差？第三方审计？ 163个受访者里，没有一个人提出解决方案。这个空白，比工具本身更值得关注。

Neo的解读： 这段话值得反复读。它不是在给GEO工具洗白，而是在告诉我们一个残酷的行业真相：测量工具的“不透明”，不是这些公司的道德缺陷，而是商业模式决定的。 咱们做独立站的，其实早就习惯了——Ahrefs、Semrush的排名数据怎么来的？它们也从没公开过。区别在于：排名是Google公开呈现的东西，第三方可以独立验证；而AI模型的回答是黑箱，第三方想验证都无从下手。工具的“黑箱”叠加上模型的“黑箱”，这就是双倍的黑箱。 买之前，这个认知得先立住。

五、更深的问题：这东西，可能根本测不准

更让厂商头疼的是下面这个观点——而且Forrester承认他反驳不了：

AI可见性可能“原则上”就无法测量。

理由站得住：

• AI系统是非确定性的：同样的prompt，问十次，可能得到十种不同的回答；
• 每个用户的体验是个性化的：你看到的AI回答，和隔壁老王看到的可能完全不同；
• 所以“周二用合成prompt对模型做的一次快照”，可能根本不能推广到任何真实场景。

Forrester 说：“我不认为这是对的，但我证明不了它不对——任何一个卖你仪表盘的人，也证明不了。”

Kevin Indig（独立SEO顾问，他的《AI年中报告》我之前专门写过一篇）对这个问题也有过类似的论断，他说：

追踪品牌在AI搜索中的存在，复杂到离谱。你得考虑引擎、个性化、推理层级、模型更新、随机性……测量是碎片化的。91%的引用只出现在ChatGPT、Perplexity、AI Overviews三者的其中之一。 Prompt跟踪应该更像民意调查和焦点小组，而不是SEO排名跟踪。

Neo的解读： “91%的引用只出现在单一平台”这个数据，老板们一定要记住——你在ChatGPT里被引用了，不代表你在Perplexity里也被引用；反过来，你在某个平台“可见度暴跌”，可能只是模型更新了，跟你没半毛钱关系。Kevin Indig说得对，AI可见性测量更像民意调查：样本、时机、问题措辞全都影响结果。民调有误差，你接受；但如果你把一次民调当成了体检报告，那才是真正的危险。工具的数据，是方向，不是判决书。

六、最后那块遮羞布：163人 vs 71.5万人

报告最后有个数字，Forrester 自己都绕了很久才敢写出来：

美国SEO和网络营销咨询行业，IBISWorld统计约有 71.5万人。这次调查，163个人回答了——大约每4400个人里，只有1个人。

而且这163个人还是他拼命拉来的：newsletter推了两次、两个行业newsletter转发、大约20个圈内人帮忙扩散、还在两个平台买了整整一周的付费推广。响应稀稀拉拉。

最讽刺的是：他后来不再客气地请求，而是直接点破“来参与的人太少了”，结果两天内收到的回复比之前一周加起来还多。

Forrester 的总结很克制：

一个把AI搜索当生存威胁的行业，却凑不齐一个像样的样本。行业里关于这件事的讨论声量，和真正在做事的人数之间的差距——可能是这份调查最诚实的发现。

数据值4.20分，平台值3.19分。而71.5万人里，只有163人愿意花三分钟说这件事。

Neo的解读： 这个“讨论声量vs实际动手”的落差，我太有共鸣了。咱们独立站圈也一样：朋友圈里人人都在聊AEO、GEO、AI搜索，但真到了落地层面——有多少人认真做过prompt面板？有多少人真的在跟踪品牌在AI平台的提及？比例恐怕同样惨淡。这恰恰是机会：当大多数人还在讨论AI可见性的时候，你已经开始测量它、优化它，你就跑在了前面。 这163个人里没有你，没关系——从今天开始，你可以成为那“千分之几”里的一个。

七、给独立站卖家的实操建议

聊了这么多行业层面的东西，落到咱们独立站卖家身上，Neo给你四条可执行的建议：

1. 买GEO工具前，先问三个问题

• 这个分数有“分母”吗？（它拿什么做基准？）
• 我能看到原始数据吗？（还是只给我一个打分？）
• 这个数字能翻译成收入吗？（涨了10分，对我的订单有什么可验证的影响？）

三个问题都答不上来的工具，先别买。

2. 把prompt跟踪当“民调”，别当“体检报告”

参考Kevin Indig的框架：自己建一个覆盖行业核心场景的prompt清单（比如每季度更新一次），定期跑，看趋势而不是看单次数值。民调的价值在于长期方向，不在于某一次的数字。

3. 先做免费的，再决定要不要付费

Google Search Console已经推出了生成式AI功能表现报告（虽然Forrester和多位从业者都指出它还不够细），加上手动跑prompt、用免费的AI引用检查工具，你完全可以用极低成本先搭起一个粗糙的测量体系。跑三个月，如果发现“看趋势”这件事确实需要自动化，再考虑付费工具。

4. 别把工具当信仰，把“信任”当护城河

Kevin Indig的另一个发现值得刻在桌上：75%的消费者会选AI短名单里的第一名，但如果他们看到信任的品牌出现在名单里，就会选那个品牌。 换句话说，AI搜索时代，品牌信任是最硬通货。工具测不测得出你的可见度是小事，你的品牌值不值得被AI推荐，才是大事——而这件事，靠的是长期的内容、口碑和第一方数据资产，不是靠买一个更贵的仪表盘。

总结

今天这份调查，本质上是在说：GEO测量工具行业遇到了“信任危机”，而不是“价格危机”。

数据有价值（4.20/5），工具没人信（3.19/5）；57%的人说“我不信这个数”，只有7%嫌贵。方法论不透明是商业模式决定的死结，而AI系统本身的非确定性和个性化，让“精确测量”这件事在原理上都存疑。

对咱们独立站卖家来说，这份报告真正的价值是提醒我们：别急着为焦虑买单。 AI可见性测量是个真需求，但“测量工具”不等于“测量能力”。先搞清楚数字怎么来的，先搭自己的低成本测量体系，先经营真正值钱的品牌信任——这些东西，比任何一个仪表盘都贵。

至于那些厂商……Forrester最后那句话，我原样送给还在犹豫要不要下单的老板们：

问题不是“太贵了”。问题是“我不信”和“我不知道它和钱有什么关系”。而这两个问题，买再好的数据也解决不了。