当看牙用户把「种植牙哪家好、隐形正畸去哪做、儿牙靠谱吗」交给 AI：拆解口腔这个「高频 + 强本地 + 强口碑」且已出现垂直竞品的专科里的 AI 推荐竞争、Medical Trust Guard 合规闸门，以及 GEOScope GIMF 效果衡量框架（GIMF）。
豆包、ChatGPT、Gemini、Perplexity 等生成式 AI 助手，正在成为看牙用户的 第一咨询入口。越来越多人在到院前先问 AI：「种植牙选哪家、大概多少钱？」「隐形正畸去哪做靠谱？」 「我家孩子儿牙去哪看？」——答案里被点名的那几家，直接决定了到院预约的归属。
口腔是医疗纵向里最「高频 + 强本地 + 强口碑」的专科：需求频次高（洗牙 / 儿牙 / 牙周）， 决策高度本地化（看牙就近），且口碑（点评 / 转介）权重极大。但同时，口腔也是医疗纵向里 垂直竞争最烈的——Seeniq、Nortevo 等专科玩家已出现，意味着 AI 推荐位正被提前抢占。 本报告基于 GEOScope 医疗 AI Visibility Index（8 维）与 Medical Trust Guard 合规闸门，对口腔的 AI 推荐竞争框架做专科深读，并引入 GIMF 效果衡量框架（GIMF），把「被 AI 提到」到「带来到院预约」拆成可衡量的证据链。
核心结论：口腔的窗口不在「要不要做」，而在「抢不抢得及」。AI 取信仍按 YMYL 保守基线， 但意图覆盖窄（多数机构只被 1–2 类牙科意图提及）是拉开差距的关键。谁先把 Dentist 结构化数据铺满、把高频意图做全，谁就在这轮最烈的竞争中拿走推荐位。
五个分化假设，勾勒口腔机构在 AI 世界里的真实处境（基于医疗母体 260 口腔切片的方法学推导，Model Estimate Beta）。
在相关口腔问答中，约 25% 机构能被 AI 准确点名并给出可信描述。其余近七成，要么被错误描述，要么根本不出现在答案里。口腔因高频 + 强本地，AI 对「就近可核验 + 口碑一致」的依赖高于普通本地商家。
超过四成口腔机构在 ChatGPT、Gemini、Claude、Perplexity、豆包、Grok 的口腔回答里「0 次被提及」——在 AI 这个新入口彻底缺席，等于把高意向到院流量让给竞品。隐形率居医疗纵向各专科之首。
被提及不等于被说对。约 32% 机构遭遇过 AI 张冠李戴：把 A 机构的种植体品牌安到 B 机构、把未开展的术式写成特色、把价格说错一倍。口腔决策重信任，幻觉的代价极高。
被 AI 推荐的口腔机构，其高频意图（种植 / 正畸 / 儿牙 / 牙周）覆盖完整度显著高于隐形机构。多数机构只被 1–2 类牙科意图提及，需求覆盖极窄，是拉开差距的关键。
口腔是医疗纵向里唯一已出现 Seeniq / Nortevo 等专科级 GEO 玩家的专科。AI 推荐位正被提前占位，拖延意味着竞品先过 Medical Trust Guard、先铺高频意图，后发者获客成本倍增。
注：以上为基于医疗母体 772 实体（口腔切片 260）的规划基准（Model Estimate Beta），用于呈现口腔行业的分化规律与待验证假设。GEOScope 尚未对口腔做独立真实引擎探针；口腔 Industry Pack 上线后，本栏将以实测值替换。
口腔机构 AI 可见度分层与合规闸门分布的方法学演示（Model Estimate Beta，母体切片 260）。
图 1 · 口腔机构 AI 可见度分层（规划基准）
图 2 · 各 AI 引擎对口腔机构的推荐率（规划基准）
图 3 · Medical Trust Guard 合规闸门分布（n=260，规划基准）
注：Medical Trust Guard 为口腔专属合规闸门，独立于 100 分 AI Visibility Index；RISK 档不计入推荐度评分。图表数据来自 GEOScope 方法学演示样本，用于呈现测量框架与分化规律；真实引擎接入后以实测值替换。
口腔是 YMYL 里「本地化与口碑权重最高」的专科，理解这一点才能理解后面的方法论。
口腔消费有三个特征叠加：一是需求高频（洗牙 / 儿牙 / 牙周复诊），二是决策强本地（看牙就近）， 三是口碑权重极大（点评 / 转介决定到院）。所有主流 AI 在引用口腔类答案时，都会默认采用更保守的策略： 优先采信带明确资质、被本地信源背书、且事实可核验的内容；对价格与项目描述默认要求可核验。
这对应到内容质量框架 E-E-A-T（Experience 经验 / Expertise 专业 / Authoritativeness 权威 / Trustworthiness 可信）。 在口腔场景里，它的落地形态非常具体：机构页要有Dentist / MedicalOrganization 结构化数据、项目页要有 可核验项目与价格、真实案例要可核验且注明风险、本地信源（地图 / 卫健 / 口碑）要一致。
两类行为会触发 AI 的「拒信」：一是价格 / 项目夸大（把未开展写成特色、把价格说错）； 二是资质模糊（执业许可不可核验、医师备案未披露）。这也是为什么口腔的「被推荐率」 天然低于餐饮零售——不是 AI 偏见，而是取信逻辑更严，且本地口碑权重更高。
GEOScope 各医疗专科的免费体检与本研究共用同一套引擎，因此你的实测分可直接对标本报告基准。口腔在「患者需求覆盖（D2）」上需重点关注（高频意图覆盖决定差距），在「增长机会（D8）」上更克制。
总分 100，映射等级 A（85+）/ B（70–84）/ C（50–69）/ D（30–49）/ E。八项指标为全行业统一 key——D1 永远是 AI 推荐可见度，D8 永远是增长机会度，酒旅、留学、养老、宠物、本地服务共用同一套维度编号，只调整权重与语义。医疗场景下 D5 专业认知准确度权重最高（18%），高于酒旅的 12%：医疗最致命的不是「没被提」，而是「被提了但资质、项目、价格说错了」——AI 幻觉在医疗场景的代价远高于其他行业。口腔与医美、眼科、医疗母体共用这一套医疗权重，因此四份报告的数据可直接横向对比。
口腔专属合规闸门，独立于 AI Visibility Index。它先判断「是否可以被 AI 安全地推荐」，再谈「推荐排第几」。三档：PASS（资质与信源齐备）/ REVIEW（有短板待补强）/ RISK（合规结构缺失，不进入推荐评分）。
GEOScope 口腔意图库优先覆盖高频、高客单、强决策类目。下列意图的「推荐率 / 首推率 / 主要竞品」是口腔体检的核心观测对象：
GEOScope 不把 ROI 当成每个口腔客户的终点。我们先证明 AI 推荐变了没有，再谈需求与业务，最后才在客户给数据的前提下谈 ROI（口腔不主动推 Revenue 归因）。
① AI Impact（平台完全可测）：AI 推荐位、顺位、份额有没有变。② Demand Impact（部分可测）：看牙用户是否因为被推荐而产生预约 / 到院等行为信号。③ Business Impact（客户数据可选）：到院 / 治疗量等，由客户提供。④ Incremental（成熟客户）：Test / Control 对照实验，证「增量」而非「相关」。证据级 A Verified（平台直接观测 / 固定集 Lift）/ B Declared（用户自报）/ C Experimental（Test-Control）/ D Correlated（同期相关）。
| 证据级 | 含义 | 在口腔场景的常见来源 |
|---|---|---|
| A · Verified | 平台直接观测 / 固定 Observation Set 前后 Lift | 复测窗口内 P1/P2 率变化、推荐 SOV 变化 |
| B · Declared | 用户自报（标注来源） | 客户后台预约量、到院数手工录入 |
| C · Experimental | Test / Control 对照 | 成熟客户的 A/B 城市 / 渠道对照 |
| D · Correlated | 同期相关（非因果） | AI 可见度上升期与预约上升期的重合 |
把 AI 对实体的态度从「提到」细分为五级：P1 Primary（首选推荐）/ P2 Secondary（并列提及）/ M Neutral（中性提及）/ N Negative（负面）/ X Absent（未提及）。核心 KPI 升级为 Recommendation Presence / Top-3 Rate / Primary Rate / Intent Win Rate / Recommendation SOV。
GEOScope 报告的是关联强度，不是「某动作导致 X% 增长」。从五个维度加权得出 Evidence Strength：Intent 契合度（30%）/ Temporal 时序（20%）/ Citation 引用（25%）/ Engine 覆盖（15%）/ Control 对照（10%）。前台只呈现 Strong / Moderate / Weak，禁止写「X% 概率导致」。
在同一组固定 Observation Set（冻结的查询 / 实体 / 引擎组合）上做 Baseline → Retest 对比，得到 GEO Lift（百分点变化）。复测窗口：T+7 / T+14 / T+30 / T+60。固定集冻结是为了排除意图漂移带来的噪声，只测「做了动作之后推荐有没有变」。
同一套 Impact Engine，专科只换 Outcome Schema——把「AI 推荐」接到口腔的真实业务漏斗（口腔不推 Revenue 归因，以到院 / 治疗为业务终点）：
| 阶段 | 口腔转化链 | 可观测信号 |
|---|---|---|
| AI Impact | Recommendation（被 AI 推荐） | P1/P2 率、推荐 SOV |
| Demand Impact | 到院检查 → 方案咨询 | Profile / 电话 / 预约点击 |
| Business Impact | 治疗预约（客户数据） | CRM 治疗量（Declared） |
每个机构的 GEO 效果看板包含：01 AI 推荐影响 / 02 意图影响 / 03 竞品差距 / 04 动作影响 / 05 影响时间线 / 06 需求信号 / 07 业务影响 / 08 归因置信度。第 08 段始终标注证据级（A/B/C/D）与「不可观测 ≠ 零，亦 ≠ 可归因」的诚实口径。
口腔 GEO 的第一步，是给机构页、项目页加上结构化数据。下面两段是 GEOScope 口腔体检推荐的基线模板（schema.org 原生支持 Dentist 类型）。
{
"@context": "https://schema.org",
"@type": "Dentist",
"name": "示例口腔医院",
"address": {
"@type": "PostalAddress",
"streetAddress": "示例路 88 号",
"addressLocality": "上海",
"addressRegion": "上海市",
"postalCode": "200000",
"addressCountry": "CN"
},
"telephone": "+86-21-0000-0000",
"url": "https://example.com",
"sameAs": [
"https://www.douyin.com/user/xxxx",
"https://api.map.baidu.com/xxx"
]
}
{
"@context": "https://schema.org",
"@type": "MedicalOrganization",
"medicalSpecialty": "Dentistry",
"name": "示例口腔医院",
"department": {
"@type": "Dentist",
"name": "种植中心"
},
"url": "https://example.com"
}
提示：JSON-LD 只是「让 AI 读得懂」，不等于「AI 就会推荐你」。它要和 Medical Trust Guard、本地信源、合规文案一起，才能通过信源一致闸门进入推荐候选。完整清单见 GEOScope 口腔体检报告。
过去十年，口腔获客高度依赖本地投放 + 垂直平台 + 医师 IP + 老客转介。但生成式 AI 助手的出现，正在制造一个 全新的、且正被抢占的入口：看牙用户把「做哪个项目、找哪位医生、安不安全」直接抛给对话式 AI。
这个入口有两个特征：第一，它不靠付费排名，而靠实体信号是否被 AI 采信——这对资质扎实、口碑真实的机构是红利； 第二，它目前垂直竞争最烈——Seeniq、Nortevo 等专科级 GEO 玩家已出现，AI 推荐位正被提前锁定。 拖延意味着竞品先过 Medical Trust Guard、先铺高频意图，后发者获客成本倍增。
本报告的目的，是把「被 AI 推荐」这件模糊的事，变成一套可测量、可优化、可对标的指标体系， 并守住一条底线：口腔 GEO 的前提是资质与口碑可核验，不是话术。
报告含完整数据表、6 大引擎横向对比、口腔意图分类、Medical Trust Guard 清单、4 个典型案例、合规自查清单与 GIMF 效果衡量实操。登录后免费下载。
登录后免费下载 ↓报告给的是口腔行业平均水位；真正要决策的是「你的机构在 AI 推荐里排第几、种植和正畸有没有被提到」——这一步免费，2 分钟出结果。