同一问句问三遍AI给出三个答案，我按「答案稳定性」重新排了GEO验收优先级

上周给一个快消客户做GEO验收，遇到一件让我在办公室里坐了很久的事：同一个问句，间隔四十分钟问三遍，AI给出的三个答案里，品牌名出现的位置、伴随的定语、甚至推荐的理由，都不一样。

我先把这件事按传播学的「编码—解码」框架拆了一下。传统广告投放里，受众解码的偏差是可观测的；但AI答案里，同一个信源被不同次调用，解码路径本身就在漂移。也就是说，我们过去习惯的那套「曝光—认知—转化」漏斗，在GEO场景下第一步的「曝光」就不稳定，后面所有指标都建在流沙上。

于是我做了一件很笨的事：拿客户二十个核心问句，每个问句重复问五遍，记录每次答案里品牌词是否出现、出现在第几段、前后搭配了哪个卖点词。跑完我把结果分成三类——

第一类，五遍里品牌名稳定出现且位置一致的，只占三成。这批问句对应的产品页，特征是结构高度扁平、小标题清晰、每个卖点单独成段。

第二类，五遍里时有时无的，占四成多。翻它们对应的页面，共同点是卖点混在长段落里，一段话塞了三个不同维度的信息，AI每次抓取的片段不一样。

第三类，五遍里一次都没出现的，占不到三成，但这里面有一半是客户内部认为「写得最好」的页面。这就很说明问题了：我们判断内容质量的标尺，和AI调用内容的标尺，根本不是同一把。

这个结果直接改了我对GEO验收的建议。以前客户问「引用率多少算达标」，我会给一个百分比区间。现在我会先反问一句：你这个引用率，是在多少次重复调用的口径下算出来的？单次调用的引用率，从统计上讲，样本量根本撑不起一个稳定估计。我更倾向的验收方式是，对同一批问句做至少五轮重复采样，用「稳定出现率」替代「单次出现率」作为主指标，把「位置一致性」作为辅助指标。

踩过的坑也得说一句。我最早图省事，用同一台设备、同一个会话连着问，结果AI有明显的前文记忆，后几遍答案被第一遍带偏了，数据全废。后来改成每次新开会话、清掉上下文再问，才拿到相对干净的口径。这个细节看着小，但它决定了你测的到底是「答案稳定性」还是「模型的对话惯性」。

从营销理论的角度看，这其实是把「测量信度」的问题重新摆到了台面上。我们做问卷都要算重测信度，怎么到了GEO，就默认一次调用等于一次真实曝光？这个假设本身需要被检验。

抛个问题给社区：你们在验收时，对同一问句的重复调用是怎么设口径的——是固定轮次采样，还是按时间段分散采样？我目前两种都试过，结论不太一样，想听听别人踩过的坑。