引用率上升了，但销售团队毫无变化时
你收到报告称，自家品牌在 ChatGPT 或 Perplexity 中出现得更频繁了。内容也被多次引用，曝光表现优于竞争对手。但询问销售团队后，却无法知道哪些潜在客户来自 AI 搜索，也不知道带来了多少销售管道。
此时若将引用率确定为成果指标会有问题。因为并非所有在生成式 AI 回答中看到品牌的人都会访问网站，也并非所有访客都会提交咨询或签约。要说明 AEO 的成效，必须将汇总型曝光指标与实际潜在客户的销售结果分开记录。
Blend 自身的案例很好地说明了这种差异。其在 90 天内跟踪了 500 多个具有商业意图的提示词，结果 LLM 曝光率从 17.1% 升至 34.7%，提高了 17.6 个百分点。Blend 未披露比较基准及起止数量，却报告称 2025 年第四季度 AI 来源 MQL 增长了 133%。其还披露，2025 年下半年 AI 来源销售管道约增至上半年的 3.5 倍，超过 50 万美元。 这并不是将特定提示词曝光关联至单个潜在客户或交易后的结果，因此不应将该增长率视为已经验证的 AEO 效果。
衡量阶梯需要分成两条线
从 Blend 案例中应吸取的不是高增长率，而是同时观察提示词曝光这一汇总型领先指标，以及推荐流量之后的潜在客户层面滞后指标的结构。他们一并跟踪了一致的商业提示词、LLM 推荐流量、客户自行填写的发现路径、MQL 和销售管道。
| 衡量范围 | 应记录的数值 | 能够回答的问题 |
|---|---|---|
| 汇总型领先指标 | 按期间和引擎划分的总运行次数、品牌出现的运行次数、引用 URL | 在相同条件的购买问题中，品牌可见度是否发生了变化？ |
| 网站流量 | 观察到的 AI 推荐会话、落地页、关键事件 | AI 推荐域名是否带来了真实访问和行为？ |
| 自行填写的发现路径 | 咨询者填写的 AI 工具及其记得的问题语境 | 是否存在推荐信息未被保留的 AI 触点？ |
| 潜在客户层面滞后指标 | MQL 数量、销售机会数量、销售管道金额 | 可识别的潜在客户是否转化为可由销售跟进的需求？ |
| 签约结果 | 合同数量和营收、按潜在客户队列划分的观察期 | 在平均销售周期过后，是否产生了实际营收？ |
提示词面板并不代表真实访客。它是在相同问题和引擎组合下执行固定次数、用于观察可见度变化的合成观测值。应以总运行次数而不是问题数量为分母，以免将一次偶然出现夸大为曝光率。如果没有重复运行，应标记为“一次基线快照”，而不是曝光率或趋势。Blend 虽称跟踪了 500 多个提示词，但未披露各引擎的运行次数、每个提示词的重复次数及结果方差。
相反，推荐会话、咨询、MQL 和合同是从真实访问或潜在客户开始的滞后指标。要将具体的获客信息关联到潜在客户，网站分析与 CRM 之间必须具备共同标识符或经过验证的集成。若没有这种连接机制，则只能将 GA4 结果作为汇总数据，并且只将由咨询者直接留下 AI 发现路径的潜在客户与 CRM 结果关联。
每个字段除了比例外，也应保留分母和绝对值。例如，写“总共运行 30 次，其中出现 15 次”，而不是“曝光率 50%”；写“从 2 个增加到 4 个”，而不是“MQL 增长 100%”。这些数字是用于说明记录格式的假设示例，并非推荐的样本量或评估标准。
GEO 研究报告的“最高提升 40%”同样需要谨慎解读。它是在由 1 万个查询构成的基准中，反映位置和引用等因素的生成式引擎内来源可见度相对提升值，并不意味着会话或营收增加了 40%。效果也因查询领域而异。
高倍数是观测值，不是成功公式
Optimist 公开的案例中出现了延伸至营收和转化的数据。一家 B2B 技术企业的案例称，14 个月内来自 ChatGPT、Perplexity 和 Claude 推荐流量的营收增长了 4,900%，推荐流量增长了 2,622%。 一家零售技术企业称，来自相同三个渠道的营收同比增长了 13 倍。 一份金融科技详细案例写道，8 个月内推荐流量转化增长 8 倍，流量增长 25 倍。
但这三个案例都没有公开客户名称、起止营收、交易数量和比较组。B2B 案例标题中的“49 倍增长”与正文中的“增长 4,900%”严格来说也不是同一种计算，而金融科技案例的汇总页写 6 个月、详情页写 8 个月，彼此不一致。 Optimist 也表示，AI 使用增长、用户行为变化等多种因素都会产生影响，因此很难将结果明确归因于某项具体措施。
因此，请不要把案例中的倍数当作目标值。
这些数字并不能证明 AEO 会为所有企业带来同等规模的增长。更准确的解读是：它们展示了一种衡量方向，即不要停留在引用率，而要分别观察推荐流量、转化和营收。
今天先确认 GA4 与 CRM 能否连接
无需安装额外软件。首先登录 GA4，打开目标媒体资源，并准备好 CRM 或潜在客户记录。第一项检查内容是：是否已有集成能在表单提交时，将流入信息与潜在客户标识符一同保存到 CRM 中。User-ID 同样要求组织自行创建并发送标识符，因此仅仅打开 GA4 报告，并不会自动建立与单个 CRM 潜在客户的关联。
- 先判断潜在客户连接条件。
检查网站分析和 CRM 两端是否具有共同标识符或已验证的集成。若有，请创建一条测试表单提交，确认流入信息和潜在客户标识符是否被保存到同一条 CRM 记录中。若没有，则为本次检查设定范围：仅将 GA4 用作汇总型流入数据，并只把具有自行填写发现路径的潜在客户与 CRM 结果关联。 - 设定固定问题和运行条件。
从销售通话、客户访谈和搜索记录中选择有关问题定义、候选方案比较、推荐和采用条件的非品牌问题。为每个问题与引擎组合设定可承受的重复次数，并固定模型、搜索模式、登录状态和运行日期。重复次数是为了建立可比较分母而作出的运营选择，并不意味着统计上足够的样本量。 - 按运行单位保留曝光基线。
每次运行时，将问题、引擎、模型和模式、日期、品牌是否出现、引用 URL 和推荐语境记录在同一行。下一次衡量时也保持相同条件和重复次数，并以“品牌出现的运行次数 ÷ 总运行次数”计算曝光率。若每个组合只运行一次，请作为“一次基线快照”保留，不要称其为期间趋势。 - 在 GA4 中以汇总方式确认推荐流量。
进入报告 → 获客 → 流量获取，将主维度改为“Session source / medium”，并添加“Landing page + query string”作为次级维度。 记录真实数据中出现的各 AI 相关来源会话、落地页和预先定义的关键事件。Google 将 Source 说明为具体的平台、网站或应用，将 Medium 说明为 referral 等流入类型。 - 用自行填写的信息补足推荐信息消失的触点。
在咨询表单或销售记录中加入“您是在哪里了解到我们的？”，若对方选择了 AI 工具，请其在记得的范围内写下当时的问题。用户在看到 AI 回答后通过品牌搜索或直接输入访问，很难仅凭推荐来源找到。只有咨询者直接留下问题语境时，才将其关联到该潜在客户记录。 - 只将可连接的潜在客户延伸到销售结果。
仅对通过已验证集成保存了流入信息的潜在客户，或通过自行填写确认了 AI 发现路径的潜在客户，关联 MQL、销售机会、销售管道金额和签约营收。若没有共同标识符，不要任意将 GA4 会话与特定 CRM 潜在客户配对。比较已超过平均销售周期的潜在客户队列，并将提示词曝光作为同期的独立领先指标并列展示。
输入示例——这是虚拟记录，不是实际评估值
衡量期间: 2026-09-07~2026-09-13
问题: 请比较适用于中型制造企业的库存管理软件
引擎: Perplexity
模型和搜索模式: 运行界面中显示的值
重复次数 / 总运行次数 / 品牌出现次数: 3 / 3 / 1
引用 URL: 运行结果中出现的实际 URL
GA4 来源和媒介: 实际报告值
潜在客户连接依据: 自行填写
MQL: 是
GA4 当前默认渠道的正式名称为单数形式的“AI Assistant”。来自 ChatGPT、Gemini、Deepseek、Copilot、Grok 等的推荐流量可能会归入其中，而来自 Google AI Overviews 和 AI Mode 的流量被排除在外，并归入 Organic Search。 分类规则可能会变化，因此除了默认渠道外，也请一并检查实际的 Session source / medium。
归因报告同样不会原样显示完整路径。Google 的付费和自然最后点击模型会排除直接流量，并将关键事件价值的 100% 分配给转化前最后一个非直接渠道。 相反，用户看到 AI 回答后通过搜索或直接输入返回时，可能不会留下 LLM 推荐域名。因此，不能将某一个渠道的数字解读为 AI 影响的全部。
首次检查的成功标准是保留四类记录。 需要有写明引擎、模型、模式和日期的运行记录；区分总运行次数与品牌出现运行次数的曝光值；在 GA4 中确认的实际 AI 相关来源、落地页和关键事件；以及每条潜在客户是否具备连接依据。这些记录应集中在一处。若没有连接依据，就不要计算营收归因，应以“仅确认汇总型流入”完成检查。
当两条线同时变化时，再选择下一步内容
如果曝光增加了，但推荐流量和自行填写的潜在客户没有变化，不要立刻断定失败。应依次检查：AI 回答是否缺少点击理由、路径是否因品牌搜索而消失、是否只衡量了远离购买的问题。
反过来，如果具有连接依据的 AI 来源潜在客户产生了 MQL 或销售机会，则在留出足够观察期后，可以扩展到相邻问题的内容。不过，如果没有比较组，与其说“AEO 创造了营收”，不如表述为“可观察的 AI 触点对这条销售管道作出了贡献”，这样更准确。
如果想进一步深入
Real-World AEO & GEO Case Studies for B2B 这是比较多个行业 AEO 观测案例及其公开范围的起点。 yesoptimist.com
Engineering AI Search Visibility: Our AEO Case Study 可了解同时观察商业提示词、自行填写归因、MQL 和销售管道的结构。 blendb2b.com
GEO: Generative Engine Optimization 如需了解生成式引擎可见度指标及不同查询领域的差异，请阅读原始研究。 arxiv.org
Traffic acquisition report 介绍在 GA4 中查看会话来源和媒介的官方页面路径。 support.google.com
