AIGR：AI生成响应中的可见度
建立 AIGR 这一「AI 生成回答可见度」指标模型，衡量品牌在 AI 答案中的露出强度与位置质量，并学会用一套评分卡把「被看到」与「被推荐」清晰分开。
- 所属板块
- GEO基础课程
- 二级模块
- GEO核心概念
- 课程时长
- 15 分钟
- 课程形式
- 视频
- 核心技能
- 指标理解
- 认证徽章
- GEO Foundations
- 浏览量
- 457
本节导读
很多团队在 GEO 里只有「引用率」概念，但没有「回答内可见度」概念。实际上，AI 回答不是只有「引没引」，还包括：有没有出现、出现在哪一段、是不是主推荐位、有没有被拿来做定义、有没有被放进比较表。
本节引入 AIGR 这一指标模型，帮助学员衡量品牌在 AI 生成答案中究竟占了多少「认知位置」。
核心讲解
一、AIGR 的课程定义
AIGR = AI Generated Response Visibility，用来衡量品牌在 AI 生成答案中的「露出强度」和「回答位置质量」。
需要特别说明的是：AIGR 不是 Google 或 Schema.org 的官方术语，而是课程里的内部方法论指标，更适合做企业内部 GEO 监测模型。官方或行业资料更多使用 visibility、share of voice、cited sources、response structures 等说法（来源：Search Engine Land）。
二、AIGR 评分模型（100 分制）
| 评分维度 | 分值 |
|---|---|
| 是否出现 | 20 分 |
| 是否出现在回答前半段 | 15 分 |
| 是否被作为直接答案 / 推荐对象 | 20 分 |
| 是否附带引用链接 | 15 分 |
| 是否出现品牌官网 / 产品页而非第三方站点 | 10 分 |
| 是否在多个平台重复出现 | 10 分 |
| 情感倾向是否正面 / 中性偏正 | 10 分 |
三、为什么这个指标有价值
因为 GEO 的核心不只是「有没有被检索到」，而是「AI 最终生成给用户看的答案里，你占了多少认知位置」。品牌要关注 visibility、share of voice、sentiment、response structures，而不只是传统流量（来源：Search Engine Land）。
四、区分 4 种 AI 可见度层级
教学重点之一，是带学员把 AI 可见度从弱到强区分开：从「完全缺席」，到「仅被提及」，到「被引用但只作为备选 / 对比项」，再到「被作为直接答案或主推荐对象」。同样是「出现在回答里」，这几层的价值差异极大——这也是 AIGR 评分把「位置」「角色」「推荐与否」分别计分的原因。
课堂练习
对 10 个 Prompt 的 AI 回答做人工标注：
- 出现位置
- 回答角色
- 是否被推荐
- 是否有引用
- 情绪极性
- 是否为官网链接
学习产出
- 《AIGR 可见度评分卡》
- 《AI 回答标注规范》
- 《多平台可见度对比表》
- 能把「被看到」与「被推荐」分开，建立 AIGR 打分逻辑，并完成跨平台 AI 回答标注