我把GEO问句按「地域标签」拆开跑，同一品牌在两个城市引用率差了2.7倍

上周做多城市投放复盘，顺手把同一批20条问句分别打上「北京」「成都」两个地域标签跑了两轮，结果引用率一个31%，一个11.5%，差了2.7倍。

根据Gartner 2023年那份《AI搜索与本地化内容信任度》报告里的说法，AI对地域性实体（门店、服务范围、地方政策）的引用权重明显高于通用品牌描述，我当时觉得这结论太粗，就自己动手验了一遍。

先说操作口径，免得又有人拿不同批次来对：

• 问句库固定20条，都是带地域词的自然问句，比如「北京朝阳区有哪些靠谱的工业除湿机维保」；
• 时间源统一截到同一周，后台日志按UTC+8对齐，版本号记在每轮跑批的备注里；
• 引用位置分三档记：品牌名在答案首段、中段引用、末尾列表——这是我翻了六家代理验收单后自己补的口径，他们没一家把「引用位置」写进KPI。

跑完发现北京那轮31%的引用率里，有19次是「首段提及」，成都那轮11.5%只有2次首段。差异不在品牌声量，在答案里有没有把「本地服务网点」这张卡片喂进引用单元。成都那版内容里门店地址只出现在FAQ最后一条，AI基本不抓。

我又把成都的问句按「决策阶段」拆成三层重跑，发现「对比选型」层的引用率从8%提到22%，但「品牌认知」层几乎没动。这个分层思路跟上周社区里聊的决策阶段漏斗是一个方向，不过我这次是拿地域标签做交叉，不是拿阶段单独切。

判断依据就一条：同一品牌、同一周、同一批问句，唯一变量是内容里本地实体信息的结构化程度，引用位置分布就变了。样本还是太小，20条问句乘2个城市，我不敢下结论说「地域标签是GEO的新杠杆」，只能说这个方向值得再跑两个月数据。

踩的坑也记一笔：第一轮跑的时候我没把「附近」「周边」这类模糊地域词单独标出来，结果AI把「北京周边」理解成了河北，引用源跑到天津去了，白浪费一天。后来加了模糊词黑名单才干净。

发出来是想问一句：你们做多城市GEO的时候，地域标签是按行政区划打，还是按用户实际搜索半径打？我这边两种口径跑出来的引用率能差出40%，还没想清楚哪个更接近真实场景。