当看眼用户把「近视手术哪家好、白内障去哪做、OK 镜靠谱吗」交给 AI：拆解眼科这个「刚需 + 高专业度 + 强设备依赖」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，正在成为看眼用户的 第一咨询入口。越来越多人在挂号前先问 AI：「近视手术全飞秒还是 ICL 好？」「白内障去哪家医院做？」 「我家孩子 OK 镜去哪配？」——答案里被点名的那几家，直接决定了挂号到院的归属。
眼科是医疗纵向里最「刚需 + 高专业度」的专科：它既关乎健康（视力、眼病）， 又强依赖医师资质、设备型号、临床证据三类专业权威信号。这意味着 AI 在引用眼科类答案时， 取信逻辑明显偏专业权威——论文、学会、设备厂商与医师个人品牌的可信权重，高于泛泛口碑。 本报告基于 GEOScope 医疗 AI Visibility Index（8 维）与 Medical Trust Guard 合规闸门，对眼科的 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「带来挂号到院」拆成可衡量的证据链。
核心结论：眼科是医疗纵向里垂直竞争已中等、窗口正在收窄的专科——专业权威型机构更容易被 AI 推荐， 但「医师个人品牌 + 设备可核验」的结构化缺口，仍是大多数眼科机构过不了 Medical Trust Guard 的主因。谁先把 Physician 结构化数据与设备 / 术式证据做扎实，谁就拿走这一轮被 AI 推荐的机会。
五个分化假设，勾勒眼科机构在 AI 世界里的真实处境（基于医疗母体 200 眼科切片的方法学推导，Model Estimate Beta）。
在相关眼科问答中，约 29% 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。眼科因专业权威依赖，AI 对「医师资质与设备可核验」的依赖高于普通本地商家。
近四成眼科机构在 ChatGPT、Gemini、Claude、Perplexity、豆包、Grok 的眼科回答里「0 次被提及」——在 AI 这个新入口彻底缺席，等于把高意向挂号流量让给竞品。
被提及不等于被说对。约 30% 机构遭遇过 AI 张冠李戴：把 A 医生的术式安到 B 机构、把未引进的设备写成已装机、把「适合人群」说错。眼科决策重安全，幻觉的信任代价极高。
被 AI 推荐的眼科机构，其医师资质 / 设备型号 / 临床证据三类信源一致率显著高于隐形机构。一致性差距，几乎决定了「被看见」与否——这是眼科区别于医美（口碑驱动）的核心。
眼科从「被推荐」到「挂号」多跨越数周（尤其屈光 / 白内障择期手术）。AI 在决策早期占据用户第一候选位，直接决定后续挂号量。可见度低的机构，连进入对比清单的资格都没有。
注：以上为基于医疗母体 772 实体（眼科切片 200）的规划基准（Model Estimate Beta），用于呈现眼科行业的分化规律与待验证假设。GEOScope 尚未对眼科做独立真实引擎探针；眼科 Industry Pack 上线后，本栏将以实测值替换。
眼科机构 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 200）。
图 1 · 眼科机构 AI 可见度分层（规划基准）
图 2 · 各 AI 引擎对眼科机构的推荐率（规划基准）
图 3 · Medical Trust Guard 合规闸门分布（n=200，规划基准）
注：Medical Trust Guard 为眼科专属合规闸门，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。
眼科是 YMYL 里「专业权威权重最高」的专科，理解这一点才能理解后面的方法论。
眼科消费有两个特征叠加：一是刚需且关乎健康（视力、青光眼、白内障），二是强专业权威依赖 （医师资质、设备型号、临床证据、学会任职）。所有主流 AI 在引用眼科类答案时，都会默认采用更保守的策略： 优先采信带明确资质、被专业信源背书、且事实可核验的内容；对术式与设备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）。 在眼科场景里，它的落地形态非常具体：机构页要有MedicalOrganization 结构化数据、医师个人页要有 Physician 结构化数据、设备与术式要有可核验证据、临床结果要与官网一致且有第三方背书。
两类行为会触发 AI 的「拒信」：一是设备 / 术式夸大（把未引进写成已装机、把适应人群泛化）； 二是医师资质模糊（执业备案不可核验、无学会任职背书）。这也是为什么眼科的「被推荐率」 天然低于餐饮零售——不是 AI 偏见，而是专业权威取信逻辑更严。
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。眼科在「权威信源力（D6）」上需重点关注（专业权威取信逻辑），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。眼科与医美、口腔、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。
眼科专属合规闸门，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 眼科意图库优先覆盖高频、刚需、强决策类目。下列意图的「推荐率 / 首推率 / 主要竞品」是眼科体检的核心观测对象：
GEOScope 不把 ROI 当成每个眼科客户的终点。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（眼科不主动推 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）：看眼用户是否因为被推荐而产生挂号 / 到院等行为信号。③ Business Impact（客户数据可选）：到院 / 手术量等，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 | 在眼科场景的常见来源 |
|---|---|---|
| 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） | 客户后台挂号量、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 可见度上升期与挂号上升期的重合 |
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」接到眼科的真实业务漏斗（眼科不推 Revenue 归因，以到院 / 手术为业务终点）：
| 阶段 | 眼科转化链 | 可观测信号 |
|---|---|---|
| AI Impact | Recommendation（被 AI 推荐） | P1/P2 率、推荐 SOV |
| Demand Impact | 挂号 / 到院 → 术前咨询 | Profile / 电话 / 预约点击 |
| Business Impact | 手术预约（客户数据） | CRM 手术量（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。
眼科 GEO 的第一步，是给机构页、医师页加上结构化数据。下面两段是 GEOScope 眼科体检推荐的基线模板。
{
"@context": "https://schema.org",
"@type": "MedicalOrganization",
"medicalSpecialty": "Ophthalmology",
"name": "示例眼科医院",
"address": {
"@type": "PostalAddress",
"streetAddress": "示例路 88 号",
"addressLocality": "北京",
"addressRegion": "北京市",
"postalCode": "100000",
"addressCountry": "CN"
},
"telephone": "+86-10-0000-0000",
"url": "https://example.com",
"sameAs": [
"https://www.douyin.com/user/xxxx",
"https://api.map.baidu.com/xxx"
]
}
{
"@context": "https://schema.org",
"@type": "Physician",
"name": "示例医师",
"medicalSpecialty": "Ophthalmology",
"hasCredential": {
"@type": "EducationalOccupationalCredential",
"name": "执业医师资格（眼科）",
"credentialCategory": "License"
},
"worksFor": {
"@type": "MedicalOrganization",
"name": "示例眼科医院"
},
"url": "https://example.com/doctors/example"
}
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、设备证据、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 眼科体检报告。
过去十年，眼科获客高度依赖公立口碑 + 垂直平台 + 医师个人 IP + 老客转介。但生成式 AI 助手的出现，正在制造一个 全新的、尚未被占满的入口：看眼用户把「做哪个术式、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、医师品牌强的机构是红利； 第二，它目前垂直竞争已中等、窗口正在收窄——专业权威型机构已在抢先占位，拖延意味着推荐位被提前锁定。
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：眼科 GEO 的前提是专业权威与可核验，不是话术。
报告含完整数据表、6 大引擎横向对比、眼科意图分类、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 ↓报告给的是眼科行业平均水位；真正要决策的是「你的机构在 AI 推荐里排第几、术式和设备有没有被说对」——这一步免费，2 分钟出结果。