你的 AI 可见度报表，可能测的不是 ChatGPT 本身
你花钱订阅的 AI可见度监测工具，假设报表显示，你的网站被 ChatGPT 引用了 37 次——但这个数字，可能测的不是 ChatGPT 本身。
2026 年 10 月，一篇来自新加坡国立大学和西安交大的 arXiv 预印本给出了一个不太舒服的结论：把 Google 自然搜索结果和 OpenAI API 这两个替代来源合起来，也只找回了 ChatGPT 实际引用页面的 26.2%、被引站点的 48.7%（对应 GPT（生成式预训练大模型）-5.5 Instant 的测试设置）。换句话说，你从 API 通道看到的引用数据，只是 ChatGPT 真实引用行为的一部分。
这不是说监测工具不能用，而是说：在选工具之前，你得先知道它的数据是从哪条通道来的。
这项研究怎么做的：80 个问题、两个模型、各跑 20 次
先把研究口径说清楚，免得后面数字被误读。
这篇论文 10 月 11 日发布在 arXiv 上，是预印本，未经同行评审，样本量是 80 个问题——规模不大，结论应该当作方向性参考，而不是行业定论。
- 问题来源：Search Arena，一个公开的真实用户与 AI 对话库，40 个英文问题、40 个中文问题，覆盖推荐、事实查证、信息综合、分析四类请求。
- 测试模型：GPT-5.3 Instant 和 GPT-5.5 Instant，每个问题各跑 20 次。
- 采集时间：2026 年 3 月 29 日到 7 月 29 日。所有测试设置都早于 GPT-5.6 和 GPT-6。
- 替代来源：每题用 SerpAPI 抓取最多 5 页 Google 自然结果（平均每题约 43 条）；同时用 OpenAI 的 Responses API 开启 web search，各跑 20 次。对每个问题，ChatGPT 实测与两项替代来源的采集均在同一个三天窗口内完成。
研究者比较了两个方向：一是替代来源能覆盖多少 ChatGPT 实际引用的页面，二是 API 答案引用的页面有多少也被 ChatGPT 应用端引用。两者分母不同，不能统称为同一个数据缺口。
关键数字：页面级找回约 1/4，站点级约一半
结果分两个层级看，这是全文最容易被写错的地方。先说明口径：这里的找回率，是把每题 20 次运行中至少被引用过一次的页面汇总去重后、逐题计算、再对 80 个问题取平均得到的（据论文方法）；论文把子域名计为不同站点。
页面级：Google 结果 + API 两个来源合计，找回了 ChatGPT 实际引用页面的 26.2%（GPT-5.5）和 28.3%（GPT-5.3）。
站点级：同一口径下，找回了被引站点的 48.7%（GPT-5.5）和 50.3%（GPT-5.3）。
只看 Google 结果的话，数字更低：页面级 6.4%，站点级 22.8%（均对应 GPT-5.5 Instant）。
还有一个方向容易写反的数字：另一个指标以 API 答案实际引用的页面集合为分母，逐题计算其中也被 ChatGPT 应用端引用的比例、再对 80 个问题取平均，结果为 23.3%（GPT-5.5 Instant）和 16.4%（GPT-5.3 Instant）；这反映的是两端引用集合的重合程度，不能解释为 ChatGPT 对页面相关性或质量的认可。
页面级和站点级的差距，对外贸企业来说尤其值得注意：站点被引用，不等于你那一页被引用。 如果工具报表只告诉你"你的域名出现在 AI 回答里"，你看不到到底是产品页、博客还是某个老掉牙的新闻稿在替你说话。做 GEO（生成式引擎优化） 效果追踪，这两级数据必须分开看。
为什么对不上：ChatGPT 改写查询，中文问题常常改用英文搜
ChatGPT 的检索行为本身就不好复现。
论文发现，在可见搜索的运行中，GPT-5.3 和 GPT-5.5 从来不用原问句去搜索——一次都没有。它会先改写查询，部分运行还会生成多条查询；其中，围绕原问题展开多条搜索查询的情况，称为查询扇出，我们之前在 ChatGPT 查询扇出研究 里拆解过。你拿原问句去 API 里重跑一遍，本来就跑不到同一条路上。
更值得注意的是语言变量。在中文问题且能观察到实际搜索查询的运行中，GPT-5.3 Instant 有 67.0%、GPT-5.5 Instant 有 69.6% 只使用英文查询。你用中文提示词去测，AI 却在英文世界里找答案——这中间的错位，会直接体现在引用结果上。
而语言对 AI 推荐的影响有多大？据 Search Engine Journal 的一次作者自测（单日采集、英国语境、单一样本），在 Claude 的机票推荐测试中，同一个问题换五种语言问，easyJet 被推荐的比例从 12.5%（波斯语）一路到 72.5%（俄语）。不同市场、不同语言下的 AI 引用本来就不一样，可参考 本地与全球 AI 引用差异。对外贸企业来说，只用英文提示词测 AI 可见度，对做多语种市场的业务会明显失真。
还有一层不稳定：对每题 20 次运行返回的检索页面去重，计算仅出现一次的页面占比，再对问题取平均：GPT-5.5 Instant 为 44.5%，GPT-5.3 Instant 为 40.8%。跑一次就下结论，等于抽盲盒。
这一点，另一项独立研究从 API 侧印证了。据 Kingy AI Citation Index 公布的数据（官方 API 向 OpenAI、Claude、Gemini 发 1,200 个问题、每题问两次），被引域名的两轮重合度 Jaccard 分别是 OpenAI 0.664、Claude 0.515、Gemini 0.319。这里的 Jaccard 均值排除了两轮都无引用域名的问题，不能理解为全部 1,200 题的无条件平均。Kingy 原页自己也声明：官方 API 结果可能与消费级应用不同。两项研究一个从应用端、一个从 API 端，指向同一个操作建议：同一提示词，必须多跑几次。（Kingy 属有方法的从业者研究，单一来源。）
监测工具到底怎么拿数据：API 通道和应用通道
那市面上这些 AI 可见度监测工具，数据到底怎么来的？
据行业从业者的方法梳理（Growth Method 的调查，单一来源），主流工具的通用做法是：定时向模型发送一批提示词，存下完整回答，再对提及、情感、引用源打分。而数据供应商这一层，本身就分两种渠道：官方 API 通道，和面向用户的应用界面采集通道——后者是模拟真实用户在 ChatGPT 应用里的提问。
确实有厂商公开说明自己走 API。比如 AuditAE 在其产品页自述，通过 OpenAI 的 Responses API 加 web search 来跑买家提示词（厂商自述，单一来源）。至少有一家厂商公开说明走 API 通道，这就够说明问题了——API 通道是行业里的真实选项，而论文测出的缺口，恰好落在这条通道上。
这里必须划清边界：论文没有测试任何商业工具，也没有说哪家工具不准。它比较的是特定模型、提示词和采集设置下，API 与应用端引用的重合情况。你不能由此推断"主流工具都走 API"，但你有理由在采购前问一句：你们的数据，是 API 还是应用端？
外贸团队选 AI 可见度工具，先问这 5 个问题
把这套研究翻译成采购清单，就是五个问题：
- 1. 数据走 API 还是 ChatGPT 应用？ 如果是 API，请对方说明如何应对查询改写和语言漂移带来的缺口。
- 2. 同一提示词跑几次？ 只跑一次的数据，参考价值有限。行业方法论建议（据 ecommercefastlane 的从业者建议，单一来源、非实测数据）：提示词集控制在 30–50 条，按购买意图分层；最重要的 15 条每周测，完整集每月测；每次用干净会话，并留存原始回答原文，方便回溯。
- 3. 页面级和站点级是否分开报？ 只报站点级的工具，看不出你哪一页在起作用。
- 4. 多语言提示词怎么覆盖？ 你的目标市场说德语、西语、阿语，就要用这些语种的提示词去测，而不是拿英文结果推算。
- 5. 模型换代后多久重新校准？ 这条下一节展开。
还有一个容易被忽略的维度：测了 ChatGPT，不等于测了 Gemini 或 AI Mode。据 TheToolsVerse 的一次实测（一个品类、一个晚上、40 个问题，单一样本，且属推广内容；采集于 2026 年 10 月 9 日当晚），ChatGPT、Gemini、Google AI Mode 回答同一批问题时，600 个去重被引页面里有 556 个（92.7%）只被一个引擎引用，三个引擎都引用的只有 2 个。在这次实验中，跨引擎引用重合较少——买工具的时候，问清楚它覆盖哪几个引擎。
选好工具之后，下一步是定 AI 可见度 KPI 怎么设，别让报表上的数字变成没人对得上的孤立指标。如果团队没有精力自己搭多语言、多次复测的监测流程，可以了解我们的 GEO/AI 搜索优化服务。
怎么做：三条能马上落地的动作
不管你现在用不用工具，这三件事这周就能做。
- 第一，给现有报表做一次口径体检。 找服务商要一句明确答复：数据来自 API 还是应用端、每题跑几次、页面级和站点级是否分开。答不上来的，报表先降级为"方向参考"。
- 第二，建一个 30–50 条的核心提示词集，用目标语种写。 按购买意图分层（找供应商、比价格、问认证、问交期），最重要的 15 条每周安排一轮复测，同一提示词在独立干净会话中重复运行，并记录重复次数；每次都存下原始回答。三个月后你就有自己的基线，不必完全依赖第三方。
- 第三，给询盘来源加一个 AI 选项。 在询盘表单、WhatsApp 首问和销售跟进话术里，统一问一句"您从哪里了解到我们"，选项里加上 ChatGPT/AI 助手，允许多选。把这类字段沉淀在 营销 CRM（客户关系管理） 里，和 AI 可见度趋势对照看。汇报时看份额和方向，不当绝对值。
模型一换，基线就得重测；把 AI 数据和询盘来源一起看
最后说一个时间问题。这篇论文的所有测试设置，都早于 GPT-5.6 和 GPT-6。
据 OpenAI 帮助页的信息，GPT-6 正在向 Plus、Pro、Business、Enterprise 用户推送，GPT-5.6 Luna 成为 Free 和 Go 用户的默认模型。而据 Sistrix 的观察，GPT-5.5 切换（5 月）前后，德语区 ChatGPT 引用的逐日波动幅度从常态的 1%–2% 跳到了 47%——注意，这是波动幅度，不是引用量涨了 47%。
模型一换代，你上个月建的基线就可能作废。所以第五个采购问题才那么重要：对方多久重新校准一次？
也正因为工具数据只能看方向，你需要补一条自己能掌控的数据线：询盘来源自报。表单、WhatsApp、销售跟进三处统一问来源，AI 选项允许多选；和监测工具的趋势对照看。工具告诉你"AI 里的声量在涨"，自报数据补充客户是否提到 AI 渠道——两条线对上了，才敢往汇报里写。需要说明的是，自报来源存在回忆和归因偏差，两条趋势一致也不能直接证明因果；相关方法思路出自 Ahrefs 的方法说明（ https://ahrefs.com/blog/how-to-measure-ai-search-visibility/ ）。
顺带提一句：被监测的页面，AI 爬虫得先读得到，这是另一个话题，我们在站内其他文章里聊过，这里不展开。
不确定手上的 AI 可见度报表测的是不是 ChatGPT 的真实引用？给我们留言，告诉我们你的目标市场和语种，我们帮你理一遍监测口径。
参考资料
- Search Engine Journal：《OpenAI's API Only Partly Matched ChatGPT's Citations, Paper Finds》 https://www.searchenginejournal.com/openais-api-only-partly-matched-chatgpts-citations-paper-finds/593304/
- Kingy AI Citation Index（2026-10-05） https://kingy.ai/research/kaci-wave-one-ai-citation-study/
- TheToolsVerse：AI citation overlap 实测（2026-10-09） https://thetoolsverse.com/blog/ai-citation-overlap-chatgpt-gemini-ai-mode
- Growth Method 工具方法梳理（含 AuditAE 厂商自述） https://growthmethod.com/ai-visibility-tools/ 、https://auditae.app/chatgpt-brand-monitoring
- Search Engine Journal：语言如何改变 AI 推荐品牌（作者自测） https://www.searchenginejournal.com/lost-in-translation-how-language-changes-which-brand-ai-recommends/591585 ；ecommercefastlane 从业者建议 https://ecommercefastlane.com/ai-visibility-tools-ecommerce-track-chatgpt-brand-mentions/ ；Ahrefs 方法说明 https://ahrefs.com/blog/how-to-measure-ai-search-visibility/