从传播学视角看，AI答案的「信息源层级」比引用次数更值得统计

最近带研究生做GEO课题，翻了一批企业提供的AI答案日志，发现一个被普遍忽略的口径问题：大家都在数「品牌被引用了几次」，却没人问这个引用发生在答案的哪个信息源层级上。

从传播学视角看，AI答案的结构其实类似一个二级传播链条：模型先召回若干信源，再对信源内容做二次编码输出。品牌名出现在「直接引述」层面和出现在「模型转述」层面，传播效力完全不同。前者接近传统营销里的权威背书，后者更接近口碑扩散，二者的转化路径和衰减曲线根本不是一个东西。

我们拿某快消客户的三个月数据做了个小样本对照：把引用按「原文直引」「模型概括」「隐含提及」三层打标后，发现直引层的线索转化率是概括层的2.3倍，而概括层又比隐含提及高出近一倍。但客户原来的考核表把三层加总成一个「引用总数」，等于把不同量纲的东西硬塞进一个分母，ROI自然算不准。

更麻烦的是口径漂移。同一批问句隔两周重跑，直引层占比从41%掉到27%，总数却没怎么动。表面看数据稳定，实际传播结构已经变了。如果只盯总数，这种结构性退化完全看不见。

我的判断是：GEO的度量体系要往「引用质量分层」走，而不是停在「引用频次」这个粗颗粒指标上。频次回答的是「有没有被看见」，分层回答的是「以什么身份被看见」，后者才更接近营销理论里说的信源可信度效应。

抛个问题给社区：各位在做引用统计时，有没有试过给「直引」和「转述」分开记口径？分开之后转化数据差多少？