上一篇，我们聊到，刚开始研究GEO时，很容易把它当成一场新的排名竞争。

以前争百度、Google的搜索排名，现在争ChatGPT、DeepSeek的推荐位置。

但这里有一个特别有意思的问题。

如果AI今天把你的公司排在第一位，明天再问，它还会推荐你吗？

有些老板可能没想过这件事。

毕竟服务商拿来展示的，通常都是一张很漂亮的推荐截图。

“您看，AI已经把咱们公司推荐到第一位了！”

可如果同一个问题，连续问50遍呢？

今天我们就聊聊这个测试思路，以及它背后值得老板注意的事情。

先说明：本文用模拟的工业冷水机案例演示50次重复测试可能出现的现象，并非已经完成50轮实测的统计报告，不涉及虚构的实验数据。

---

一、假如我们把同一个问题问50遍

还是拿之前的工业冷水机工厂举例。

假设我们打开DeepSeek，输入：

“推荐几家有食品加工行业经验的中国工业冷水机制造商。”

第一次，AI推荐了A、B、C三家公司。

其中A公司排在前面。

老板一看挺高兴：

“不错，我们终于被AI推荐了！”

但是我们没有停下来。

重新打开一个新对话，输入完全相同的问题。

这一次，假设AI给出了B、A、D。

再问一次，又可能变成A、C、E。

甚至有的回答里，原来出现的企业可能没有被提到。

注意，这些是为了说明现象而设置的模拟结果，不是真实测得的名单。

但它引出了一个值得认真研究的问题：

同一个问题，为什么AI不一定给出完全相同的答案？

---

二、AI的回答，不是一张固定不变的排行榜

我们以前使用搜索引擎，已经习惯了查看排名。

虽然搜索结果也会变化，但至少页面上有相对明确的展示顺序。

而生成式AI不完全一样。

它可能根据当前问题、已有知识、检索到的资料，以及生成回答时的不同情况，组织出一份新的答案。

即使问题没有变化，生成的内容也不一定每次完全相同。

如果使用了联网搜索，不同时间获得的信息也可能有所不同。

这就意味着：

AI某次把你放在第一位，不代表你获得了一个长期固定的第一名。

当然，也不是说AI的回答完全随机。

如果一家企业的相关信息充分、准确，而且与客户的问题高度匹配，它可能在多次测试中都被提及。

但是否出现、出现几次、推荐理由是否一致，都需要实际记录才能判断。

不能只凭一次截图下结论。

---

三、我觉得最容易踩的坑，就是只保存最好看的结果

假设一家GEO服务商给老板看了一张截图。

上面写着：

“推荐几家专业的中国工业冷水机厂家。”

AI回答里，客户的公司排在第一位。

老板看到以后，可能觉得钱花得很值。

但我们换几个角度想想。

这张截图是第几次测试得到的？

有没有重新开对话？

测试问题有没有提前固定？

其他测试里，公司还出现了吗？

AI推荐的理由有没有真实依据？

如果这些都不知道，一张截图能说明的事情其实很有限。

它只能证明：

在当时那次提问中，AI给出了这样的回答。

至于这个结果是否稳定、是不是与真实采购需求相关，还需要进一步验证。

这并不是说所有推荐截图都没有价值。

而是老板不能只看最漂亮的那一张。

---

四、那问50遍，到底应该观察什么？

假如真的准备做一次50轮重复测试，我觉得最值得关注的不是“拿了多少次第一名”。

而是下面三件事。

第一，企业出现得稳不稳定？

同一个采购问题，在相同的平台和模式下，企业是否经常被提到？

如果只出现一次，和多次被合理提及，显然不是同一种表现。

第二，推荐理由有没有变化？

有时候AI可能介绍企业的产品能力。

有时候强调行业经验。

还有时候可能给出根本无法核实的优势。

企业应该关注的是介绍是否准确，而不只是有没有出现名字。

第三，换成其他真实采购问题，表现又怎么样？

比如客户不再问“中国工业冷水机厂家”。

而是问：

“食品加工厂连续生产，应该选择什么冷却系统？”

这类问题更接近具体使用场景。

如果企业确实有相关经验，就值得观察AI能否把它与这些需求联系起来。

真正做测试时，还应该固定问题、平台和使用模式，分别开启独立对话，保留每一次记录。

重复测试的意义，是了解表现是否稳定，而不是从50次里面挑出最满意的一次。

---

五、这件事对老板有什么启发？

研究这个现象以后，我觉得老板至少应该改变一个判断习惯。

以前可能会问：

“我们的公司在AI里排第几？”

现在更值得问：

“当客户提出相关采购问题时，AI能不能比较稳定、准确地介绍我们的企业？”

还是工业冷水机工厂。

如果企业确实做过不少食品加工行业的冷却项目，那我们更应该关心：

AI能不能理解企业的制造能力？

能不能找到相关产品和真实案例？

推荐理由有没有依据？

当客户真正需要类似方案时，是否有机会发现这家企业？

至于某一次排第一还是第三，并不是唯一重要的事情。

毕竟对于B2B企业来说，老板最终希望获得的不是一个漂亮的名次。

而是让真正有采购需求的客户，找到值得了解的供应商。

---

写在最后

如果把同一个问题反复问AI，最值得研究的并不是哪个企业偶尔排在第一。

而是不同回答之间究竟有哪些变化，以及这些变化说明了什么。

所以，以后再看到有人展示：

“我们的GEO已经做到AI推荐第一名了！”

不妨多问一句：

“这个结果重复测试过吗？换一个时间、换一种客户提问，还能得到类似的结果吗？”

这不是故意挑毛病。

而是我们需要分清楚：

一次成功展示，和相对稳定的企业可见度，究竟是不是一回事。

当然，重复测试也只是观察GEO表现的一种方法，并不能保证某个结果一直不变。

下一步还有一个问题值得继续研究：

如果一家原本很少被AI提到的制造业企业，想改善这种情况，我们具体能做些什么？

下一篇，第33篇：

《为了让AI认识一家企业，我们做了一个笨实验》

我们继续拿工业冷水机工厂举例。

不靠什么神秘技巧，而是从企业现有的信息出发，看看哪些地方可能需要调整。

这一次，重点不是追求一次漂亮的推荐结果，而是研究：

企业到底应该怎样一步一步改善自己的公开信息，让AI有机会更准确地认识它。