每个问题问 100 次，就更准吗？
在中国测 AI 可见度，先得回答另一个问题
通察 GEO 行业观察 · 第3期 · 2026 年 9 月
编者按｜通察为什么要谈“问 100 次”
GEO 市场现在不缺更大的数字，也不缺更复杂的测量方案。真正缺少的，是一套能够说明“测到了什么”、也经得起双方复核的验收方法。每个问题问 100 次，可以减少单题波动；但如果测量发生在用户看不到的环境里，或者把单题结果直接当成整体结论，次数再多，也不等于测得更有用。
这篇文章不是替“100 次”或“5 次”站队，也不试图用一个固定次数概括所有项目。我们更关心三个实际问题：单题重复究竟能换来多少精度？在中国做 AI 可见度，为什么要先分清 App 端和 API 端？品牌签约前，采样次数、判定层级和噪声范围，应该怎样写进验收？
海外的两家平台，正在为一个数字吵架
先讲一件今年在海外发生的事。两家做 AI 可见度监测的平台公开吵了一架，争的是一个听起来很技术的问题：测 AI 可见度，每个问题该问多少次？
一方的说法很有杀伤力：我们每个问题问 100 次。你们每天只跑一次，单题就算重复 30 次，误差条也有 11 个百分点——这样的数据不可靠。
另一方回应：你误解了我们的做法——我们从来不测单个问题，跑的是数百到数千个不同问题，各跑一次，报汇总均值。他们还做过实测：753 个问题上，每天跑 1 次与 10 次，结果只差 0.25 个百分点。
两个都对——但他们说的不是同一层
有一句值得原样抄下来：
「当你关心的单位是某一个具体问题时，重复次数才重要。当你的目标是理解一个品类时，重要的是广度。而后者才是营销人实际在做的事。」
争论没有分出胜负，却把一个被忽略的问题摆上了台面：
100 次和 5 次，比的到底是什么？
我们把这件事算了一遍，也核了学术文献。结论有点出乎意料——双方争的那个数字，可能都不是最关键的。尤其是在中国。
第一件事：精度不是买来的
先看一个和 AI 无关的常识。
做市场调研的人都熟悉一个规律：样本量翻四倍，误差才减半。
这不是经验法则，是数学：抽样误差与样本量的平方根成反比。放到我们讨论的场景：
成本涨 20 倍，精度只提升约 4.5 倍——4.5 正好是 20 的平方根
从 5 次到 100 次，成本涨了 20 倍，精度只提升约 4.5 倍。这个 4.5，正好是 20 的平方根。
但更值得注意的是最后一行：即便问满 100 次，单个问题的误差范围仍有约 ±10 个百分点。
也就是说，如果报告告诉你「这个问题上你的可见度是 62%」，哪怕真的问了 100 次，真实值也可能落在 52% 到 72% 之间。
所谓「±1 分」，是成千上万道题汇总后的整体精度
所以「100 次」并不等于「单题精确」。
那些漂亮的「±1 分」精度声明，是成千上万道题汇总后的整体精度，不是某一道题的精度。这两件事经常被混为一谈。
这是第一个关键：单题永远不精确，精度产生在汇总层。
回头看开头那场争论——「广度 vs 重复」之所以吵不出结果，正是因为双方在说不同层级的事。一方讲的是单题精度，一方讲的是汇总精度。两个都对，但不是一件事。
第二件事：学术界给的不是次数，是标准
我们核了一篇今年 7 月的综述（arXiv:2607.14035，覆盖 45 项 GEO 研究）。里面几个数字比厂商宣传更值得看：
跨四个引擎、连续 45 天观测，AI 引用的来源集合，日间重合度只有 0.34–0.42；
即便把随机性参数调到最低，重复运行仍有 9–28% 的决策发生变化；
Google AI Overviews 两个月后的页面重叠率只有 18%，而传统自然搜索结果是 45%；
在某个被研究的配置下，57.8% 的 ChatGPT 重复请求，根本没有触发联网检索。
最后这条对营销人尤其重要：你以为 AI 在网上现查，实际上大半时候它在凭记忆回答。这意味着，你在什么环境下测，测到的可能是两个完全不同的东西。
那它建议问多少次？
它提到有研究给出「每个问题重复 7–8 次」作为起点，但紧接着就写明：这个数字不是普适标准（它来自一个很小的查询样本、最多十次重复）。综述真正推荐的做法是：
重复测量，直到估计值周围的区间窄到足以支撑你要做的那个决策为止。
够不够，取决于决策需要多窄的区间，而不是问了多少次
这是整篇文章的转折点：学术界给的不是一个次数，而是一个标准——够不够，不取决于问了多少次，取决于你要做的那个决策需要多窄的区间。
这就把问题从「100 还是 5」，变成了「你要用这个数字干什么」。
第三件事：在中国，你得先问「在哪一层测」
现在进入最关键、也最少被讨论的一点。AI 可以从两个地方问：
一个是 API 直连。给开发者用的接口，可以写脚本、可以并发，几个小时就能跑完几万次。
另一个是 App 端。普通用户打开手机、在对话框里打字的那个入口。没有官方自动化接口，风控也严格，只能一次次问。
能够跑到 100 次的，主要是 API 这一层——这是可行性决定的，App 端根本承载不了这个量级。
在海外，这个设计是成立的。因为那边 API 和 App 背后是同一个模型、同一套知识，区别主要在于要不要联网检索。在 API 层大量采样、再用 App 层校准，逻辑通顺。
但这个前提，在中国不成立。
国内的主流 AI 应用，App 端普遍深度接入了自家的内容生态——社交平台、内容社区、自家的搜索体系。你问「这个价位有什么车值得看」，答案里很可能引用了社区讨论、平台笔记、自家搜索的结果。
但这些内容，在 API 层往往是拿不到的。
更进一步：微信公众号、小红书这类平台，对通用搜索引擎是封闭的，但对自家的模型是开放的。这意味着 API 层不仅少了实时检索，还系统性地缺失了国内最重要的一部分内容源。
所以在中国，如果你在 API 层问 100 次，你测到的是一个用户永远看不到的答案分布。
打个比方。
这就像你要评估一家餐厅的出品，却跑去后厨看食材清单。
食材清单核对得再精确，也答不了「顾客觉得好不好吃」
食材清单当然真实，你甚至可以抄写 100 遍、核对得一字不差。但顾客吃到的是成品菜——中间还隔着火候、摆盘和上菜速度。清单核对得再精确，也回答不了「顾客觉得好不好吃」。
在测量学里这叫效度问题——你测得准不准是一回事，你测的是不是你真正想知道的那件事，是另一回事。
而效度出了问题，是加多少次都补不回来的。抽样误差可以靠增加次数收敛；测错了对象，问一万次也还是错的。
这是第二个关键，也是更重要的那个：在中国市场，「在哪一层测」比「测多少次」重要得多。
那 5 次到底够不够？
先说实话：如果你要用 5 次去判定「某一道题上品牌算不算达标」，那是不够的。
我们算过：假设某道题的真实表现恰好卡在达标线上，用「5 次里中 4 次就算过」这种硬判定，会有超过四分之一的概率被误判为不达标。这对双方都不公平。
但这个结论有个前提——我们不该用采样次数去做单题裁决。
不管问 5 次还是 100 次，单题硬判定都是脆弱的。100 次的单题误差仍有 ±10 个百分点。所以这不是「次数不够」，而是判定规则用错了层级。
5 次是用来「测量」的，不是用来「裁决」的
正确的做法是：
· 每道题的 5 次结果，取频次均值作为「测量值」（比如 5 次中出现 4 次，记为 0.8），不做硬判定；
· 达标与否的判断，放在意图组和整体层去做。
一个覆盖数百道题、多个模型的诊断盘子，每题采 5 次，整体口径的置信区间约为 ±1.5 个百分点——这个精度，已经优于那家海外平台公开声称的话题级精度。
更实用的一个指标是：优化前后的变化，多大才算真的变了？
按我们的盘子测算，每题 5 次下，整体可见度 3 个百分点以上的变化可被稳定识别。而 3 个百分点以下的波动在业务上本就没有决策意义——模型改版、收录延迟带来的自然起伏就不止这个量级。
回到那篇综述的标准：区间窄到足以支撑决策，就够了。把精度做到 0.5 个百分点当然可以，但那是把预算花在了业务上用不到的地方。
所以我们的选择是：在对的地方，问够就好
把几件事放在一起，结论就清楚了：
第一，精度产生在汇总层，不在单题。单题永远有不确定性，100 次也一样。关键是把判定规则设在正确的层级。
第二，在中国市场，App 层才是真实环境。测量必须发生在用户真正看到的地方，否则精度再高也是无效的精度。
第三，够不够看决策，不看次数。学术界的标准是「区间窄到能支撑决策」，不是某个固定数字。
所以通察目前的推荐配置是：
在 App 端、按用户真实使用环境，每道题采集 5 次，取频次均值作为测量值，达标判定放在汇总层，并约定 3 个百分点的噪声下限。
这不是「我们只能做到 5 次」，而是在效度、精度和可执行性三者之间，目前能找到的最优解。
如果某几道题直接挂钩合同验收、需要更高确定性，我们的建议不是把所有题都加到 100 次，而是分层加样：只给结果贴近判定线、最容易误判的那部分题加密——通常只占两三成。成本上升有限，却能把判定风险最大的部分显著改善。
只给最容易误判的题加密，把资源花在会影响决策的地方
最后：把口径写在纸上，而不是靠默契
AI 的回答本来就是不稳定的。这是环境属性，不是谁的免责理由。
一个负责任的 GEO 服务方，能做的不是假装它稳定，也不是用一个更大的数字把客户镇住，而是把测量规则提前写清楚：
在哪一层测（App 还是 API）
每题采几次，怎么取值
达标判定放在哪一层
多大的变化才算真的变了
基线日是哪天，复测多久一次
这几件事写在纸上，双方才有共同的尺子。否则优化做得再多，最后都会变成「你说涨了，我说是波动」的扯皮。
顺带一提，这个原则不止适用于采样次数。行业里流传的「GEO 能带来 40% 提升」，原意其实是：当五篇文档已经被放进 AI 的上下文之后，某种改写让目标文档的位置加权词数从 19.3 升到 27.2。它不代表 40% 的人会点击，也不代表被检索到的概率提升 40%。同一篇综述还发现：只优化正文内容，反而可能让文档在 top-20 的出现率下降约 9%。
每一个数字，都得先问清楚它测的是哪一段。
回到开头那场海外争论。它之所以吵不出结果，是因为双方都在证明自己的数字更准——但没有人先说清楚，这个数字是要拿来做什么决策的。
我们一直认为，GEO 行业当下最缺的不是更多的内容，也不是更大的采样数字，而是一套双方都认可、也都能验证的测量口径。
这也是为什么我们愿意把采样协议、判定层级和噪声下限，全部写进验收附件里——按什么标准收钱，就按什么标准验收。
通察科技 · TuneCha
我们提供 AI 可见度的诊断、内容资产与复测能力。
如果你正在评估 GEO 服务方，不妨用这几个问题去问一问：
你们在哪一层测？每题采几次？达标判定放在哪一层？多大的变化才算真的变了？
本文引用的学术数据来自 arXiv:2607.14035（2026 年 7 月，综述 45 项研究的批判性综述，预印本）；厂商侧数据为其公开声明，未经第三方审计。
本文由通察科技 GEO 研究团队出品。