同一个GEO项目，三家服务商报的「提升率」差了2.3倍，我把样本口径翻出来对了一遍

上周帮一个客户看GEO服务商的方案，三家报上来的「AI引用率提升」数字分别是47%、31%、20%。客户问我选哪家，我说先别选，把样本口径翻出来对一下。

结果一对，问题全出来了。

第一家：样本120条问句，但统计窗口只有7天。 7天里AI搜索的答案波动本来就大，我这边之前跑过测试，同一批问句隔一周重跑，引用率自然波动就有8到12个点。47%这个数，把自然波动算进去，实际增量可能只有一半出头。

第二家：样本500条，窗口30天，但问句池是「品牌词+品类词」混着算的。 我让他们拆开，品牌词那部分引用率基线本来就有60%多，提升空间小；品类词基线才18%。混在一起算个31%，看不出到底哪块在起作用。

第三家：20%，但人家标了「90天窗口，样本800条，分认知层和采购层单独统计」。 数字最难看，口径最干净。

我把三家的表拉齐成同一个格式——统一30天窗口、统一问句分层、统一去重规则——重算了一遍，差距从2.3倍缩到了1.4倍以内。剩下那点差距，才是服务商真实能力的区别。

说几个我这边踩过的坑，供参考：

1. 统计窗口不写清楚的，一律当没报。 7天、30天、90天，同一套动作能差出十几个点，这不是玄学，是采样周期本身的问题。
2. 问句池要问「怎么来的」。 是客户自己提的、服务商自己编的、还是从真实搜索日志里扒的，三种来源的基线完全不一样。
3. 基线值必须单独列。 只报提升率不报基线，等于只报分子不报分母。基线60%的提20个点，和基线15%的提20个点，难度差着量级。
4. 去重规则要写进合同附件。 同一问句不同问法算一条还是算多条，直接影响样本量分母。

我的判断是：GEO这行现在最大的问题不是效果有没有，是效果没法横向比。每家的尺子刻度都不一样，客户拿着三份报告根本没法决策。

所以想问问社区里做服务商或者甲方采购的朋友——你们在比稿或者验收的时候，有没有一套固定的「口径对齐清单」？尤其是统计窗口和问句池来源这两项，一般怎么在合同里卡死的？我这边想攒一个模板，但缺几个真实落地过的版本。