试点GEO前，我让团队先拿20条问句跑通「口径复核」，你们呢？

最近社区里聊GEO效果验证的帖子不少，但我看下来，很多还是急着看「涨了多少」。我这边负责数字化转型有些年头了，习惯把风险前置——GEO这东西，效果本来就难证明，如果连口径都没锁死就谈涨跌，那数字再好看我也不敢签字。

上个月我们内部立项GEO试点，预算压得很低，就给了两个人和一台测试机。我做的第一件事不是选供应商，也不是改官网，而是拉上业务和客服，把「有效引用」的口径先定下来。具体怎么定的？我列几条干条：

1. 问句库先固定20条，覆盖品牌词、品类词、场景词三类，每条问句只改一个变量，避免多因素搅在一起。
2. 采样时段锁死，每天早中晚各跑一次，连续跑两周。为什么要锁时段？之前我翻过一份跑批记录，同一个问句上午和下午的答案能差出两三个信息点，不锁时段根本说不清是优化起效还是AI自己漂移。
3. 复核双人签字，一个人跑，另一个人对着截图核，凡是「引用」必须能落到具体段落，不能只看摘要。
4. 先做小批量对照，拿10条问句跑优化版页面，10条跑原版，不搞全量上线。

结果第一轮跑下来，20条问句里只有7条能稳定复现引用，另外5条今天引明天不引，剩下8条压根没动静。这数据不好看，但我反而踏实了——至少知道基线在哪。要是上来就铺全站，回头老板问「这钱花得值不值」，我拿什么回？

我的判断是，GEO试点阶段别追求「覆盖率」，先追求「可解释」。哪条问句被引了、引的是哪段、为什么引这段，这三个问题答不上来，效果报告就是空中楼阁。投入需谨慎，不是不投，是得先把尺子做准。

想问问各位，你们在试点阶段有没有做类似的「口径复核」？具体卡在哪一步——是问句设计、采样频次，还是复核人手不够？