先分清「没有提及」和「提了但排得靠后」
很多企业说「AI 里搜不到我们」，实际是三种完全不同的情况，处理方式也完全不同：一是模型回答里完全没有你；二是提到了你，但排在同行后面；三是提到了你，但描述是错的或过期的。第三种最危险，因为它会主动把客户推走。
所以排查的第一步不是优化，而是先看清楚现在是什么状态。没有基线的优化，等于闭着眼睛改东西。
第一步：固定一批可以复用的基线提问
基线提问要满足三个条件：客户真的会这么问、覆盖不同决策阶段、以后每次复测都用同一批。建议三档各取若干条：
- 认知类：「做这类事一般需要具备什么条件」；
- 比较类：「A 方案和 B 方案差在哪、怎么选」；
- 决策类：「本地有哪些服务商、怎么判断谁靠谱」。
把品牌名、核心产品词、以及你希望被关联的场景词，分别替换进这些句式里，就得到了一份属于你自己的基线问题集。建议固定下来，不要每次临时想。
第二步：记录四个平台的原始回答
同一个问题，不同模型给出的答案经常不一样——信源池不同、回答结构不同、更新节奏也不同。所以基线必须逐个平台分别记录，不能只测一个就下结论。
第三步：给每一次出现打四个标签
- 是否提及：品牌名有没有出现在回答里；
- 出现位次：是第一条被提到，还是排在一串名字的末尾；
- 语境倾向：是正面推荐、中性罗列，还是与「风险、投诉、注意」这类词一起出现；
- 引用来源：这个回答依据的是哪几个页面，其中有没有你自己的官网。
四个标签里，最有信息量的是最后一个。如果被引用的页面全是第三方平台，一次都没有你的官网，说明信源结构还没建立，这时候去改文案是无效的。
第四步：判断问题落在哪一层
把上面的标签对照下面四层，从上往下判断。前一层不解决，后一层做了也没有意义。
- 读不到：官网正文依赖脚本渲染、关键页面被拦或被登录墙挡住；
- 提取不出：关键事实只存在于图片、附件或绕来绕去的长句里；
- 不敢信：同一件事在不同页面上有两个数字，口径互相打架；
- 没喂到位置：内容只发在自己没人读的栏目里，模型长期采信的信源里没有你。
判断时不要停在「读不到」就认为是技术问题、也不要把所有问题都归到「内容不够」。按顺序往下排，第一个不通过的层级就是要动手的地方；同一时间只修一层，修完复测一次再往下走，否则永远说不清是哪个动作起了作用。
一张可复用的可见度排查表
把上面的动作固化成表格，每次复测填一遍，趋势就出来了。字段建议如下：
- 提问编号与完整问句
- 平台与提问日期
- 是否提及、出现位次
- 语境倾向（推荐 / 中性 / 负面）
- 被引用的页面清单
- 问题层级判定（读不到 / 提取不出 / 不敢信 / 没喂到）
- 本轮要修的具体页面或事实
小结：先看清，再动手
可见度排查的价值不在于得出一个百分比，而在于把「品牌没被推荐」这句话拆成可以逐条修的具体问题。做完一遍你会发现，真正需要立刻修的通常只有两三项，而且大多是事实与结构问题，不是内容数量问题。
建议把第一次排查的结果原样存档，连同提问清单一起。一个月后按同一批问题再跑一次，两份记录放在一起，变化的方向就很清楚了——这比任何单次的「表现不错」或「好像没变化」都更有说服力。