The Bearing Method

五个阶段

Assess(测定)。我们首先测定方位——对您的公司当前在目标市场买家实际使用的 AI 系统中如何呈现(或未能呈现),进行结构化、可重复的检测。

Understand(理解)。每一个缺失或不准确的结果都有具体成因。我们追溯它——追溯到平台所依据的信息来源、可获得信息的结构,以及它所遇到的语言与语境。

Optimize(修正)。我们着手修正方向——直接针对塑造 AI 系统如何描述和呈现您的信息来源、结构与内容开展工作。我们控制的是输入,而不宣称能控制某一模型最终输出的内容。

Verify(核实)。我们在相同条件、相同平台下,将修正后的结果与最初的基线进行比对。改善是被衡量出来的,而不是被假定的。

Monitor & Refine(持续监测与优化)。我们定期重新测定方位,并根据需要再次修正——因为平台与信息来源不会保持静止。这是方法本身的第五个阶段,而非附加的后续服务:对一个持续移动的目标进行一次性修正,是无法长期保持正确的。

Assess 阶段衡量什么

针对一组明确的真实买家问题,我们评估六个方面:您的公司是否出现;出现时是否被引用或提及;相对于同类选项的呈现是否突出;描述是否准确;是否被作为相关推荐呈现;以及同一问题再次被提出时这些结果是否保持一致。

我们如何衡量

AI 生成的答案在不同查询之间并不稳定。关于 AI 搜索可见度的独立研究发现,同一问题的重复运行结果会有所不同[1]——这意味着单次测试所能告诉您的信息非常有限。我们在多个平台上、在一段确定的时间内多次运行每个查询,而不是一次性测试并报告一个快照。

证据是什么样子的

一份书面报告,展示实际的输出结果——不仅是一个分数,还有背后的证据:AI 系统说了什么、何时说的、针对什么问题说的。

我们不承诺什么

一项针对 2023 至 2026 年间发表的 45 项生成引擎优化(GEO)研究的独立综述发现,大多数被宣传为能提升 AI 可见度的技术,并未在不同 AI 平台上表现出稳定、可复现的效果[2]。研究中保持一致的两个要素是:内容与所提问题的直接相关程度,以及内容在其中的呈现位置。我们基于证据实际支持的内容开展工作,并对证据仍然薄弱之处向客户坦诚说明。

当前独立研究尚未找到能够可靠保证 AI 引用或排名结果的方法——因此我们不作此类承诺。

为什么这很重要

在一个大多数 AI 可见度宣称都无法被验证的市场中,我们认为更值得出售的是证据本身。关于重复运行协议背后的研究,详见洞察与研究栏目中的《为什么 AI 答案在多次运行中会变化》。