一张截图结不了账：GEO 效果验收正在被写进可复算的口径
11 月 2 日，一份名为《GEO 服务商评估标准实施指南白皮书（2026 版）》的文件在行业内流传开来。它本身不是标准，而是标准落地的方法论工具书——七章正文加四个附录，包含五维评分锚点、三套参考权重方案、五周实施流程和完整核查底稿索引。真正让它在圈内被反复转发的，是编写组的一个动作：全部核查底稿随文公开，接受任何人按附录独立复算，并可以对结论提出异议。
这件事的分量，要放在今年的行业背景里看。8 月到 10 月，三家不同背景的协会先后发布 GEO 团体标准；10 月 23 日，中国广告协会归口的三项标准随中国国际广告节开幕正式实施。规则文本已经有了，接下来的问题变得很具体：谁来证明一家服务商真的按标准做了，以及一个 GEO 项目到底算不算交付成功。
过去两年，这两个问题在实操中往往由一张截图回答。现在，这个答案正在失效。
一、三套标准，管的是不同环节
先把容易混淆的部分理清楚。目前国内已生效的 GEO 团体标准分属三条线，各管一段：
- 中国商务广告协会 T/CAACCHINA 001—005—2026 五项标准，2026 年 9 月 9 日发布、9 月 10 日实施，由 41 家单位、75 位专家共同参编。覆盖通论术语、服务商评估、计价评估与测量、可信语料、服务流程合规与安全。
- 中国广告协会 T/CAAAD 046—048—2026 三项标准，2026 年 10 月发布、10 月 23 日实施，26 家参编企业参与。分别对应服务要求、效果监测与验证要求、内容源主体分类分级与选用要求。
- 中国新闻技术工作者联合会 T/CAPT 026—2026，2026 年 8 月 11 日发布、8 月 12 日实施，从信息生态治理视角切入，给出治理能力 L1/L2/L3 三级划分。
三套标准不是竞争关系，而是分别从「服务商怎么评」「效果怎么验」「信源怎么选」「生态怎么治」四个切口咬合。对甲方来说，真正能拿来当验收依据的，是其中关于测量的那几条。
二、标准把「算数」写成了可执行条款
这是今年最实质的变化。以前「AI 搜索里品牌被提到多少次」是一个可以随口报的数字，现在它有了分子、分母和采样规则。
按公开披露的条款内容，几条硬底线值得记住：
| 约束项 | 具体要求 | 出处 | | --- | --- | --- | | 引擎覆盖 | 中国市场内采集的生成式引擎不少于 5 个；采集引擎不少于 2 个时，单一引擎样本占比不超过全样本的 80% | T/CAACCHINA 003 第 5.3 条 | | 最小样本量 | 最小颗粒度的有效提问样本量不低于 30 次 | T/CAACCHINA 003 第 5.3 条 | | 原始数据 | 至少保存至项目结案后三年 | T/CAACCHINA 003 第 5.3 条 | | 时间窗口 | 正式效果验证宜采用不少于 3 个时间窗口的重复采样，单一关键指标不少于 30 次有效观测 | T/CAAAD 047 第 8 章 | | 基线纪律 | 优化实施前应基线采样并固定基线，排除短期波动；目标引擎模型或产品版本发生重大变化时，应重新标注监测周期并重建基线 | T/CAAAD 047 第 8 章 | | 归因边界 | 服务主体不宜将全部效果变化简单归因于 GEO 服务 | T/CAAAD 046 第 7.5.5 条 |
为什么 30 次这个数字重要？因为大模型的回答本身带概率属性。同一句提问，在不同平台、不同入口、不同联网状态、不同时间点，答案可能不一样。样本太少时，波动会被误读成效果。这也是行业里长期存在的一个技术事实：单次截图或某一条回答的「上榜」记录，在证据等级上等同于轶事。
三、为什么一张截图结不了账
把「AI 回答」当作可截图的静态对象，是这门生意里最普遍的方法论错误。
第一层原因是采样。低频采样必然产生偶发命中，而偶发命中在扩大采样后往往无法复现。行业报告对此有一句很准的判断：效果争议多数不是真假问题，是颗粒度问题。 团体标准已经把可见率、指定信息正确率、信源引用率的分子分母写清楚，也给了样本量与时间窗口的底线；但按这套口径回看市面案例，能同时交代五项要素的极少，缺任一项，记录只能当故事看。
第二层原因是归因。AI 搜索的答案会随平台索引更新整体漂移。如果只做「优化前」与「优化后」两个孤立时点的对比，平台自身的波动会被算进服务商功劳。规范做法是设定未优化查询作为对照组，看优化组的趋势是否显著偏离对照组趋势——验收的对象是分布，不是帧。
第三层原因是机制本身。生成式引擎把一个问题拆成多个子查询再去检索，所以「排在前面」和「被引用」不再强绑定。Ahrefs 2026 年 3 月的一项分析发现，被 Google AI Overviews 引用的 URL 中，只有 37.1% 同时排在自然结果前十，而差不多同样比例的页面根本不在前一百名。一个页面可能因为回答了某个子问题而被引用，这既解释了为什么「没排名也能被引用」，也解释了为什么「有排名不等于会被引用」。
四、别把「可见」当成「说对」
还有一个更隐蔽的坑：只测「有没有被提到」，不测「说得对不对」。
品牌在 AI 回答里出现，不等于出现的是正确信息。成立时间、产品型号、价格区间、资质编号、服务范围——这些字段一旦被模型拼错，越是被引用，伤害越大。所以成熟的测量体系会把「事实准确率」和「版本一致性」当作独立维度来监测，而不是把它塞进「可见度提升」这一个笼统指标里。一句话概括：「说对」是资产，「说到」只是曝光。
顺带一提，曝光本身的价值也需要重新校准。皮尤研究中心 2026 年 2 月对 5,119 名美国成年人的调查显示，49% 的人用过 AI 聊天机器人，高于 2024 年的 33%；60% 的美国成年人在常规搜索结果中遇到过 AI 生成的摘要。而基于近 69,000 次 Google 搜索的分析发现，出现 AI 摘要时用户点击传统结果的比例只有 8%，没有摘要时为 15%；只有 1% 的用户点击了摘要里引用的来源。这意味着 GEO 的主要产出更接近「在提问时刻的品牌暴露与认知影响」，而不是「直接导流的流量渠道」——把这个预期写进合同和汇报里，比事后解释要省事得多。
五、甲方验收该问的五个问题
结合上述条款，一个可执行的验收清单其实只有五问：
- 基线封存在哪？ 优化开始前有没有固定基线，样本条件和时间窗口是否记录在案。
- 问题集是谁定的、能不能公开？ 意图问句库是项目的核心资产，口径不透明，结果就无法复算。
- 样本量够不够？ 单一关键指标是否达到 30 次有效观测，引擎覆盖是否达到 5 个，单一引擎是否超过 80%。
- 原始数据给不给？ 能否导出带时间戳的原始采样记录，并允许第三方按同样协议复测。
- 换版之后怎么办？ 目标引擎模型或产品版本重大变化时，是否重建基线、是否重新标注监测周期。
五问答完，选谁反而次要。走到这一步的企业，已经不太容易被话术带走。
六、企业该怎么做
规则落地之后，GEO 的竞争逻辑正在从「谁敢承诺」转向「谁敢被核查」。11 月 2 日那份白皮书里有个细节很能说明问题：两家服务商在同一套五维评分下差了 5 分（87.4 分与 92.4 分），编写组的点评是——接下来拉开差距的，往往不是能力，而是证据建设。
对企业而言，三件事可以立刻做起来。其一，把「可复算」写进采购条件：不接受没有采样协议的交付，不接受单张截图作为结项依据。其二，把 GEO 的效果指标从「曝光」拆成三层——被提及、被正确表述、被引用到具体页面，三层分别设口径、分别考核。其三，把项目沉淀的意图问句库、品牌事实底稿、信源清单的权属与交接格式写进合同，这是合作结束后唯一还能继续用的东西，也是目前行业里普遍空白的条款。
GEO 不是把 SEO 换个名字。它换掉的是计量单位——从「点击」变成「被采信」。计量单位一变，验收方法就必须跟着变。这一步走扎实了，预算才敢持续投；走不扎实，行业就会一直停在「谁的截图更好看」的阶段。
星锚GEO 在做的事，本质上就是把这条链路做成可复现的：固定问题集、固定采样协议、原始记录留档、按换版重建基线。标准给了公共尺子，剩下的功课是每个人都得自己量一遍。