36.1% 追平 35.9%:本地 AI 推荐不发排名,只发名单
11 月 11 日,本地营销平台 SOCi 提前披露了《2027 本地可见度指数》的 AI 分析部分。这组数字值得单独拿出来看:在美国约 3000 个多门店品牌、44 个行业、300 万条本地查询的样本里,品牌在 ChatGPT、Gemini、Claude 三个平台的本地推荐中平均出现率是 36.1%。同一家机构 2026 年指数里,品牌进入 Google 本地三包的比例是 35.9%,进入 Yelp 结果首页是 37.1%。
三个数字并排,误差范围内基本重合。而在 SOCi 上一份指数里,AI 这一项还只有 7%。
一年之内,本地生意的第二个入口,入场率追平了第一个。
一、追平的不是排名,是入场率
先把口径说清楚,否则这组数字很容易被读错。SOCi 的做法是让三个平台各推荐 10 家同品类、同商圈的商家,落在前五位的算作「可能被推荐」。所以 36.1% 不是「排第一的概率」,而是「进不进得了候选名单的概率」。
消费端的变化同样陡:SOCi 的 2026 本地发现指数显示,52% 的美国消费者每月至少一次用 AI 工具找本地推荐,一年前这个数字是 9%,接近六倍。
对企业来说,这意味着本地获客的前台从「地图列表加点评页」变成了「一段答案」。答案里没有你,用户不会翻页——因为答案没有第二页。
二、每个答案只有 3 到 6 个引用位
比 36.1% 更值得琢磨的是它的结构。
SOCi 统计到,AI 每回答一个本地问题,平均引用 3 到 6 个来源。十个候选、五张入场券、三到六条脚注——这不是一个「名次可以慢慢往上爬」的排序系统,而是一份名单。
排名制和名单制的成本结构完全不同。排名可以单点冲:一篇稿、一次投放、一批外链,冲上去当场就能看见。名单要靠持续一致:档案、评价、事实口径,任何一处自相矛盾都会被交叉校验扣分。前者的预算花在「产出」上,后者的预算花在「对齐」上。很多企业把 GEO 预算按前者编,然后困惑为什么看不见效果。
名单制的直接后果,是行业之间的落差被放大。零售品牌在三个平台的推荐率是 49.1% 到 49.7%,物业管理只有 17.1% 到 20.4%,餐饮同样靠后。差距接近 2.5 倍,而这个差距与传统本地搜索里的行业分布大体一致——说明 AI 并没有重新洗牌,它只是把原来的牌局换了个桌子。
换个说法:如果你的品类在 Google 三包里本来就挤,AI 里大概率一样挤;如果本来就空,现在还有位置。真正变的是进场的动作。
三、0.2 颗星,值多少条评论
SOCi 这次给出的最有操作性的一组数,是评分与评论量之间的「汇率」。
被推荐概率高的门店(第 1 到 5 位),三个平台的平均星级分别是 Gemini 4.32、ChatGPT 4.24、Claude 4.22;排在 6 到 10 位、大概率不被推荐的门店,平均在 4.0 星上下。
差距不到 0.35 星。按 SOCi 的口径,这 0.2 星的缺口可以用评论量补——代价因平台而异:
| 平台 | 前五位平均星级 | 补 0.2 星所需评论增量 | | --- | --- | --- | | Gemini | 4.32 | +64% | | ChatGPT | 4.24 | +4% | | Claude | 4.22 | +14% |
同一颗星,在 ChatGPT 上值 4% 的评论量,在 Gemini 上值 64%。汇率差 16 倍。
这组数字的用法不是「去买评论」,而是回答一个此前只能靠感觉的问题:先补哪个平台的档案。答案是先补评论权重最低的那个——同样的运营投入,在 ChatGPT 上的边际收益最高。
四、官网从入口退成了定义页
来源结构上,SOCi 的结论和很多人预期相反:本地 AI 答案里最重要的第三方来源是 Google Maps 和 Yelp,企业官网(尤其是为每个门店单独做的落地页)整体排第二。
三家平台的取数路径也被拆了出来:Gemini 直接取 Google Maps,Claude 疑似走 Google Places API,ChatGPT 在本地结果上最重要的公开合作方现在是 Yelp。
对照另两份独立测量,这个结构会更清楚。Boring Marketing 在 11 月 13 日更新的审计数据里,51.7% 的引用指向品牌自有页面,指南与博客 14.3%,榜单 12.4%——那是通用品类问题下的分布。GeoBuddy 截至 11 月 15 日实测 2716 个品牌,59.6% 在四个引擎里从未被点名,平均可见度分只有 14.7%。
三份数据放在一起,指向同一件事:问「最好的 CRM」时官网是主源,问「我附近哪家靠谱」时地图和点评是主源。同一个品牌,两种问题,两套信源结构。拿一套打法覆盖全部提问,是当前最常见的浪费。
官网排第二,其实不算坏消息。第三方源你只能影响、不能控制;官网是唯一完全自主的信源。Boring Marketing 同一份审计里还有一组更扎心的数:2225 个被分析的页面中,36% 内容稀薄或不可摘取,77% 没有可见日期,只有 21.2% 带作者信号。官网的问题从来不是权重不够,而是机器读不出可用的东西。
五、把数字搬回国内,要打三个折
第一,AI 推荐不等于固定排名。这一点连 SOCi 自己的分析稿都提示了:AI 答案每次生成都可能不同,36.1% 是方法学下的统计结果,不是消费者发现率的普适度量。
第二,跨行业的平均数不能当 KPI。49% 和 17% 混在一起算出来的 36.1%,对单个企业几乎没有指导意义。要对比的是同城、同品类、同商圈。
第三,也是最容易忽略的一条:国内本地答案的第一信源不是 Google Maps 和 Yelp,而是高德、百度地图、大众点评、抖音来客这些平台。结构相似——实体档案、第三方评价、门店落地页——但数字不能直接套。 引用 36.1% 去给国内客户做承诺,是错配。
企业现在能做的五件事
按性价比排序:
- 逐门店建档。多门店品牌最常见的漏洞是「总部有档案、门店没有」。SOCi 此前的分析称,约一半美国品牌没有为每个门店建 Facebook 门店页——Yellowpages、BBB 这类次级站点几乎每次都会被 AI 查,但常常缺档。
- 先把地图和点评改对。地址、电话、营业时间、品类、服务范围,全平台一个口径。这是唯一不需要内容团队参与、却能直接影响采信的动作。
- 给每个门店做一张能被摘取的落地页。服务清单、服务范围(点名片区,不写「大区」)、营业时间、支付方式、是否需要预约、真实评价——六块事实,越具体越好。
- 把评论当成基础设施。数量、新鲜度、回复率一起看,别只盯平均分。
- 先记基线,再谈优化。同一批问题、同一批平台、固定周期重跑,记录被推荐次数与被引用次数。没有基线的「AI 里能看到我们了」,和截图结账一样,不可复核。
本地生意的入口确实搬了家。但搬过去之后,考的不是谁文章写得多,而是谁的实体档案更干净、更一致、更经得起交叉核对。
要不要现在就投入,有个简单的前置问题:你的客户会不会用一句话问「附近哪家能做这件事」。会,实体档案就是基础设施,越早建档越省事;不会,那你先要解决的是被准确描述的问题,而不是被推荐的问题——这两件事的动作完全不同,混着做通常两头落空。
这件事没有捷径,也恰好是能被工程化、能被复核的部分。星锚GEO 目前在做的,就是把实体一致性、门店落地页事实与引用监测这三件事,串成一条可复算的流水线。
