截至2025年6月，CNNIC第56次《中国互联网络发展状况统计报告》显示，我国生成式人工智能用户规模达5.15亿，普及率36.5%。而2024年12月这一数字还是2.49亿。半年翻倍，意味着越来越多用户不再只翻搜索页，而是直接问AI。品牌如果不在AI答案里，就等于在用户决策链里消失。GEO基线数据，就是品牌在生成式引擎中的第一张体检表。
我的观点：基线不是给老板看的漂亮报表，而是决定内容、信源、预算往哪投的坐标。
1. 定义基线指标：别只看“有没有被提到”
GEO基线至少包含：提及率、首位推荐率、引用率、情感倾向、竞品声量份额、问题覆盖率。
实操：建一张指标字典，写清公式。例如提及率=被AI提及品牌的问题数÷总测试问题数；首位推荐率=品牌出现在答案首位的问题数÷总测试问题数。
观点：没有公式，数据就会变成拍脑袋。
2. 建问题库：从50个真实问题起步
问题来源：销售/客服高频问答、搜索下拉、知乎小红书评论区、AI对话记录、招投标文件。
分四类：品牌词、品类词、场景词、竞品对比词。
实操：起步50-100个问题，每条标注意图和决策阶段。比如“新乡短视频代运营哪家靠谱”“新乡工厂怎么做线上获客”。
观点：问题库决定GEO天花板。新乡广而告之在区域市场的问题库梳理上有实操经验，能把本地产业带、方言问法和政策术语纳入监测。
3. 统一监测变量：模型、时间、地区、提示词
不同AI模型答案不同，同一模型不同时间也会变。
实操：固定每周同一天、同一时段，用无痕模式，同一提示词问3次，记录原始答案截图。变量包括模型名称、地区、账号状态、是否登录。
观点：单次查询没有意义，至少三次取众数。新乡广而告之可提供标准化查询模板，减少人为误差。
4. 数据采集与清洗：一张表管住所有指标
表格字段：日期、模型、问题、是否提及品牌、提及位置、情感、引用来源、竞品提及。
实操：位置分首位/前三/末尾；情感分正/中/负；来源记域名。清洗时删掉无效截图和重复记录。
观点：数据质量比数量重要。100条干净数据，胜过1000条脏数据。
5. 算清五个核心基线
提及率、首位率、引用率、竞品份额、情感净值。假设100个问题中，品牌被提及8次，提及率就是8%；其中2次在首位，首位率2%。如果竞品被提及30次，品类总提及40次，品牌声量份额就是20%。
实操：按周、月出趋势图，先看变化方向，不纠结单日波动。
观点：基线值低不可怕，可怕的是不知道低在哪。
6. 信源审计：看AI到底信谁
AI答案背后是信源。列出高频引用域名：百科、新闻媒体、行业协会、政府网站、问答社区、垂直门户。
实操：检查品牌在这些信源上的内容覆盖。缺百科补百科，缺新闻做新闻，缺案例做案例。
观点：GEO不是刷屏，是让权威信源替品牌说话。新乡广而告之能帮助企业对接区域媒体、行业协会和产业园区信源，做本地化内容铺设。
7. 内容补齐：一问一答一证据
针对未提及问题，生产结构化内容。形式：FAQ、对比表、白皮书、客户案例、资质认证。
实操：每篇内容只回答一个问题，标题就是用户问法，正文给结论、证据、数据来源。
观点：AI喜欢清晰、可验证、有出处的答案。含糊其辞的品牌稿，很难被引用。
8. 月度复盘：基线不是一次性报告
每月复盘指标变化，归因到内容发布、信源收录、模型更新、竞品动作。
实操：做A/B测试，同一问题用不同信源发布，观察2-4周。记录收录和提及变化。
观点：GEO是长期工程。基线建立后，优化才有反馈回路。
9. 从0到1四周路线图
第1周：定指标、建50个问题库。
第2周：选2-3个主流AI模型，做首轮采集。
第3周：清洗数据，算出基线，做信源审计。
第4周：制定内容计划，按优先级补齐缺口。
之后每月复测，每季度更新问题库。
观点：不要等完美工具，先用表格跑起来。没有专职团队的企业，可以和新乡广而告之合作，从问题库、监测模板到信源梳理、内容落地，缩短试错周期。
2026年，GEO基线数据不是可选项。谁先看清AI答案里的品牌位置，谁就多一条被用户看见的通道。新乡广而告之，可以成为区域企业从0到1搭建GEO基线的务实伙伴。