当 AI 助手开始决定「去哪吃、住哪」：312 家本地商家的 GEO 实测与「三重失语」拆解。
以豆包、ChatGPT、Gemini、Perplexity 为代表的生成式 AI 助手，正从「问答工具」演变为用户的 本地决策入口。越来越多消费者不再先打开点评或地图 App，而是直接问 AI： 「附近有什么好吃的牛肉面？」「周末带娃住哪比较合适？」——答案里出现的那几家，决定了门店的下一单生意。
但本地商家在 AI 回答中的「存在感」极度分化。本报告基于 GEOScope 统一八维推荐智能模型与多引擎探针， 对 312 家本地商家（餐饮、酒店、景区、美容、民宿等）做实测，量化其在 6 大主流 AI 引擎中的 可见度、准确性与推荐顺位，并首次提出本地商家的 「三重失语」框架——看不见、说不对、排不上。
核心结论：本地商家在 AI 推荐生态里的竞争，目前仍处于「几乎无人设防」的早期窗口。 谁先把自己的 NAP（名称 / 地址 / 电话）与实体信号对齐 AI 的取信逻辑，谁就拿走这一轮免费流量。
四个数字，勾勒出本地商家在 AI 世界里的真实处境。
在相关本地问答中，不到三分之一的门店能被 AI 准确点名。其余近七成，要么被错误描述，要么根本不出现在答案里。
超过三成门店在 ChatGPT、Gemini、Claude、Perplexity、豆包、Grok 的本地回答里「0 次被提及」——等于在 AI 这个新入口彻底缺席。
被提及不等于被说对。超过三分之一的商家遭遇过 AI 张冠李戴：把 A 店的地址安到 B 店、把已停业的店写成营业中、把人均价格说错一倍。
被 AI 提及的商家，其名称 / 地址 / 电话跨平台一致率达 91%；而完全隐形的商家仅 47%。一致性差距，几乎决定了「被看见」与否。
本地商家在 AI 回答中的可见度分层，以及关键信号对比。
图 1 · 本地商家 AI 可见度分层（n=312）
图 2 · 各 AI 引擎对本地商家的平均提及率
图 3 · 可见组 vs 隐形组的关键信号对比
注：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；2027 Q1 将以真实大规模抽样替换。
本报告与 GEOScope 线上免费体检共用同一套引擎，因此你的实测分可直接对标本报告基准。
在「改了有没有用」这一层，本报告采用 GEOScope 的 GIMF（GEO Impact Measurement Framework）归因框架：固定观测集 → 动作 → 复测 → GEO Lift，能证明到哪一层就证明到哪一层（A 可验证 / B 自报 / C 实验 / D 相关），不强行推算 ROI。详见 GIMF 2026 方法论。
ARI Score 0–100，由主流 AI 引擎 × 本地服务决策意图的观测归一加权得出。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、医疗、留学、养老、宠物共用同一套维度编号，只调整权重与语义。本地服务场景下，D1 AI 推荐可见度权重最高（18%）；D5 AI 认知准确度权重高于酒旅（14% vs 12%）——因为本地商家最常见的失败不是「没被提」，而是「被提了但地址、价格、营业时间说错了」。等级映射：strong（≥80）/ ok（≥55）/ weak（≥30）/ critical（<30）。
过去十年，本地商家的线上流量几乎被「地图 + 点评 + 外卖」三家平台瓜分。但生成式 AI 助手的出现， 正在制造一个全新的、尚未被占位的入口：用户把「去哪吃、住哪、玩哪」的问题，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；第二，它目前几乎没有商家在主动优化—— 这意味着早期行动者能以极低成本拿到推荐位。窗口不会一直开着：当「AI 可见度」成为常识，占位成本会迅速抬升。
本报告的目的，不是贩卖焦虑，而是把「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。
报告含完整数据表、6 大引擎横向对比、4 个典型案例、分角色行动清单与成熟度自查表。登录后免费下载。
登录后免费下载 ↓报告给的是本地商家平均水位；真正要决策的是「你的门店在 AI 推荐里排第几、地址和营业时间有没有被说错」——这一步免费，2 分钟出结果。