Google 自己承认：你用来考核 AI 搜索的那个数字，量错了对象

Google 自己承认：你用来考核 AI 搜索的那个数字，量错了对象

2026 年 8 月 31 日，一份被大量 SEO 与站长等待的报告终于面向全球开放——搜索控制台的 AI 搜索表现报告。它看起来正是行业需要的东西：一个官方的、第一方的、关于网站在 AI 搜索里表现如何的数据源。此前它只在部分网站上灰度，如今全面可用。

但开放后不久，来自一线的批评出现了，并指向一个比“数据准不准”更根本的问题：这份报告仍然沿用“十条蓝色链接”时代的度量概念，而这些概念在 AI 搜索里，已经量错了对象。更值得注意的是，Google 方面对这套批评的回应是认同的。

一、这份报告到底在报什么

先把它的定位说清楚，因为这决定了它能回答什么、不能回答什么。

报告的主要指标是展示量：某个 URL 出现在 AI 搜索界面——包括 AI Overviews 和 AI Mode 中——的次数，同时也给出一个位置指标。

关键在于它的数据来源：报告中的数值是经过筛选的。也就是说，它们本身就包含在常规的搜索表现报告之内。它不是一份新采集、单独拆分的数据，而是对既有数据的一次筛选视图。这个细节后面还会再出现一次，因为它直接关系到“能不能拿它做决策”。

二、四处口径偏差

针对这份报告，一位站长在社区里逐条提出了批评，随后被 Google 的 John Mueller 认同。这些批评不涉及数据是否真实，而涉及这些数字量的到底是什么。

1. 展示量，不等于用户看到了链接

按照标准的展示规则，只要一个条目出现在返回的结果页面上，就算一次展示——无论用户是否滚动到它、是否真的看到了它。所以，一次展示只说明“这个链接被放进了页面”，不说明“有人看到了它”。

这意味着，AI Overviews 的展示量天然带有高估属性：它统计的是被投放，而不是被看见。

2. “展开更多”是反向的：它在低估

有意思的是，另一处的偏差方向正好相反。标准规则把需要用户点击才能显示的内容排除在外，所以藏在“展开更多”之后的链接，只有在被展开时才计数。

换句话说，如果有些链接被折叠了起来，那么报告给出的数字不是高估，而是低估了实际曝光。同一个指标，在不同位置上的偏差方向是相反的——这一点让“总数”这个概念本身变得可疑。

3. 位置指的，不是你的位置

位置指标看起来最像旧时代的“排名”。但它衡量的其实是 AI Overviews 这个模块在页面上的位置，而不是你的链接在 AI Overviews 内部所处的位置。

对 SEO 来说，真正关心的从来是“我的链接排第几”。而这个报告给的是“那个装着链接的盒子排在页面的第几”。两者不是一回事，而后者几乎无法用于判断你在 AI 答案内部的表现。

4. 它不是新数据，是筛选视图

再回到前文提到的性质：生成式 AI 报告是一个筛选视图，而不是单独拆分出来的数据。它的数值已经被计入常规搜索表现报告，因此不能把两者相加，也不宜把它当作一个可与传统指标并列的独立维度。

三、Google 的回应：承认很难，但没有更好的办法

John Mueller 在回应中认同了上述评估，并确认：目前很难用真正有用的方式，来报告 AI 搜索中的位置数据。

他的解释是：搜索早已不只是十条蓝色链接，今天的搜索结果页有很多种用户交互方式，所以旧的“位置 1 到 10”很难映射，也很难对站长真正有用。他还表示，如果大家对跟踪位置有可行的想法，他很愿意听。

这个回应的分量在于：它并非公关辞令，而是承认了当前官方工具在 AI 搜索上的方法盲区，并且坦承暂时没有更好的方案。

四、为什么“位置”这个概念会失灵

把上面的问题合起来看，会发现它们的共同根源不是实现细节，而是概念本身。

在传统搜索里，“位置”之所以有意义，是因为存在一个共享的、单一的排序序列：所有人看到的是同一份名单，名单有明确的先后，你的名次就是你的位置。展示、点击、位置三者可以相互印证。

到了 AI 搜索，这个前提被打破了。答案由模型生成、带有上下文，同一次查询在不同时间、不同账户下可以给出不同的组织方式；链接可能被折叠、被嵌入、被归入某个模块。于是“位置”失去了它原来的参照系：它既不是你的名次，也不对应任何稳定的可见度。用一个旧范式的尺子去量一种新形态的对象，得到的就是这样一组方向不一、无法相加的数字。

五、那这份报告还能用吗

能，但要换一种用法。

第一，把它当方向性信号，不要当 KPI。它能大致反映“这个 URL 有没有出现在 AI 界面里”这一事实的比例趋势，适合做观察，不适合做考核指标。把一个高估与低估同时存在的数字写进绩效，只会制造争论。

第二，不要把它和传统指标相加或并列。它是筛选视图，数值已包含在常规报告里。把它当作一个独立维度，会造成重复计数。

第三，把位置指标读作“模块位置”，而不是“我的排名”。如果需要在 AI 答案内部判断自己的表现，目前更可靠的办法仍然是人工采样：在一定时间范围内，用一组有代表性的问题去实际查询，记录品牌是否出现、出现在什么位置、引用了哪些来源。

第四，遇到“官方数字”时，仍然要问它的口径。这份报告的四处偏差提醒我们：一个指标是否可信，不只取决于它是否来自权威方，还取决于它统计的对象是否与你想知道的事情对齐。

六、为什么这类失真在 AI 搜索里格外常见

上面谈的是这一份报告的问题，但真正值得记住的是它背后的结构性原因——为什么在 AI 搜索领域，“量错了对象”会比在传统搜索里更频繁地发生。

在传统搜索里，存在一个可以被固定下来的被测对象。结果页的结构在相当长时间内是稳定的，展示、点击、排名之间的对应关系可以反复校准；一个指标一旦定义清楚，就能在较长周期内反复使用，厂商之间也比较容易得出接近的数值。

到了 AI 搜索，被测对象本身变成了流动的。答案是生成的、带上下文的，同一次查询在不同时间、不同账户、不同地区下可以呈现不同组织方式；链接可能被折叠，也可能被直接纳入答案。这意味着，任何一份测量产品都必须先替用户做一个定义：把展示定义成什么、把位置定义成谁的位置、把哪些引荐纳入计数。选不同的定义，就会得到不同的结果——而且每一种定义，在它自己的口径下都是成立的。

于是出现一种新的常态：不同厂商测同一个现象，给出差距巨大的数字，却都不算错。这不是行业不成熟的表现，而是被测对象的性质决定的。

对企业来说，这带来一个判断标准的转变：在 AI 搜索领域，一份报告的可信度，更多取决于它有没有把口径讲清楚，而不是取决于它给出的数字有多漂亮。愿意明确说明“我统计了什么、排除了什么”的产品，即使数字不完美，也仍然可用；而一个只给结果、不说口径的数字，无论来自多大的机构，都无法支撑可复现的决策。

这也解释了为什么官方工具会在这里遇到同样的问题：口径的困难不因发布方是谁而消失。承认这一点，是正确使用任何一份 AI 搜索报告的前提。

常见问题

问：那是不是说这份报告没用？

不是。它是目前少数来自官方的、关于 AI 搜索表现的第一方数据，能反映“出现与否”的大致趋势。问题在于它的度量概念仍带有旧范式，所以适合看方向，不适合做精确考核。

问：展示量高估、折叠链接低估，两个方向相反，加起来的净效应是什么？

无法从公开信息中得出一个通用结论，因为两部分的具体规模取决于页面构成与用户行为，而报告并未拆分披露这两项。这恰好也是它不适合做精确指标的原因。

问：我们该不该用 AI Mode 和 AI Overviews 的数据去考核团队？

不建议单独考核。如果确实要用，至少同时结合第一方的人工采样结果，并明确说明这是方向性参考。单一数字加上旧口径，是最容易引发误判的组合。

问：Mueller 说“愿意听想法”，是否意味着以后会改？

这属于官方表态，具体会不会改、何时改，目前没有公开时间表，不宜据此做规划。企业能做的是，把测量建立在可自行复现的方法上，而不是只依赖单一后台数字。

问：我们主要看国内平台的 AI 入口，这份报告还和我们有关系吗？

有关系，但关系不在报告本身，而在它暴露的方法问题。只要 AI 答案是生成式的、链接是被嵌入或折叠的，那么“展示量”“位置”这类旧概念的失真，就不会只出现在一家平台上。国内各类 AI 入口同样在把结果嵌入对话、把来源折叠呈现，因此“别把单一后台数字当作绩效指标、先问清口径、同时保留人工采样”这几条原则，具有普遍适用性。真正需要迁移的是判断方法，而不是某一份具体报告。

关于本文

本文讨论的工具口径问题，是企业评估 AI 可见度时绕不开的一环。重庆传粉科技在为品牌做 AI 可见度诊断时，除了参考官方与第三方数据，通常会保留一组人工采样的查询记录，原因正在于：当工具的口径尚未稳定，可自行复现的记录，往往比单一后台数字更经得起追问。

数据来源与边界声明

本文引用的外部信息及出处如下：

· 搜索控制台 AI 搜索表现报告的开放时间（2026 年 6 月公布、2026 年 8 月 31 日全球全面开放）、以展示量为主的指标构成、以及“数据经过筛选、已包含在常规搜索表现报告中”的性质，均来自 Google 官方说明及第三方对其的转述。

· 关于展示量与位置指标的四处批评，来自一位站长在 Reddit 的公开帖文，转引自第三方行业报道；本文对其做了归纳，未改变其原意。

· John Mueller 的回应（“很难用有用的方式报告 AI 搜索位置”“十条蓝色链接难以映射”等）来自其公开答复，转引自上述行业报道。

以上信息均为外部公开材料，非传粉科技原创，未经独立核验，不构成对任何平台算法或报告机制的事实陈述，亦不构成效果承诺。