当长者家庭把「去哪家养老院、靠不靠谱、照护好不好」交给 AI：拆解康养这个家庭共同决策、强信任、强区域类目里的 AI 推荐竞争、信任第一杠杆，以及 GEOScope GIMF 效果衡量框架（GIMF）。
豆包、ChatGPT、Gemini、Perplexity 等生成式 AI 助手，正在成为长者家庭的 咨询入口之一。越来越多子女在为父母选养老机构时先问 AI：「附近口碑好的养老院有哪些？」 「这家照护水平怎么样？」「失能 / 失智专区靠不靠谱？」——答案里被点名的那几家，直接影响了到访名单。
养老是所有消费类目里家庭共同决策、强信任、强区域的一个。决策往往由子女发起、父母参与、全家商议， 且高度依赖本地信源（本地口碑、地图、卫健与民政披露）。本报告基于 GEOScope 康养 AI Visibility Index（统一 8 维）——在「信任与决策」「认知准确度」上权重显著上调—— 提出康养的 AI 可见度竞争框架，并引入 GIMF 效果衡量框架（GIMF），把「被 AI 提到」到「带来到访与入住」拆成可衡量的证据链。
核心结论：康养机构的 AI 可见度竞争，目前是「可信照护信号」对「信息真空」的早窗口。 谁先把照护资质结构化（CareOrganization / AdultCare JSON-LD）与本地信源一致做扎实，谁就拿走这一轮被 AI 推荐的机会。
五个分化假设，勾勒康养机构在 AI 世界里的真实处境（基于统一框架推导的规划基准，Model Estimate Beta）。
在相关养老问答中，约四分之一机构能被 AI 准确点名并给出可信描述。其余机构，要么被错误描述，要么根本不出现在答案里。养老作为强信任类目，AI 对「可核验照护信息」的依赖高于普通本地商家。
超过四成康养机构在 ChatGPT、Gemini、Claude、Perplexity、豆包、Grok 的养老回答里「0 次被提及」——在 AI 这个新入口彻底缺席，等于把高意向到访流量让给竞品。
被提及不等于被说对。约三成机构遭遇过 AI 张冠李戴：把 A 机构的照护等级安到 B 机构、把未开设的失智专区写成特色、把月费说错一截。养老决策关乎长者安全与家庭财务，幻觉的信任代价极高。
康养维度在「信任与决策力」上权重（11）显著高于多数行业。被 AI 推荐的机构，普遍具备可核验的资质披露、真实口碑与一致的价格 / 照护描述。家庭决策下，信任信号几乎决定「是否进入对比清单」。
养老是典型本地服务。被推荐机构的本地信源（地图、本地点评、民政 / 卫健披露、本地媒体）一致率远高于隐形机构。跨城扩张无法靠一套全国内容解决，必须做本地信源对齐。
注：以上为基于统一 8 维测量框架推导的规划基准（Model Estimate Beta），用于呈现康养行业的分化规律与待验证假设。GEOScope 尚未对养老行业做真实引擎探针；康养 Industry Pack 上线后，本栏将以实测值替换。
康养机构 AI 可见度分层与信源一致性的方法学演示分布（Model Estimate Beta）。
图 1 · 康养机构 AI 可见度分层（规划基准）
图 2 · 各 AI 引擎对康养机构的平均推荐率（规划基准）
图 3 · 本地信源一致率：被推荐 vs 完全隐形
注：图表为方法学演示分布，呈现测量框架与分化规律；真实引擎接入后以实测值替换。
养老是生成式 AI 取信逻辑里「强信任 + 强区域 + 高后果」的典型类目，理解这一点才能理解后面的方法论。
养老消费有三个特征叠加：一是决策后果高（关乎长者安全与家庭财务），二是家庭共同决策（子女、父母、配偶多方参与）， 三是强区域依赖（本地口碑、地图、民政与卫健披露为主）。所有主流 AI 在引用养老类答案时，都会默认采用更保守的策略： 优先采信带明确资质、被本地权威信源背书、且事实可核验的内容。
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）。 在康养场景里，它的落地形态非常具体：机构页要有CareOrganization / AdultCare 结构化数据、照护等级与价格要 与到访一致、真实案例与口碑要可核验而非泛泛「我们服务了很多长者」。
反过来，三类行为会触发 AI 的「拒信」：一是夸大承诺（如「包治」「最专业」触碰广告法红线）； 二是资质模糊（照护许可未披露、等级不可核验）；三是信源孤岛（官网自说自话、无本地权威背书）。 这也是为什么康养的「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。
GEOScope 各行业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。康养维度在「信任与决策」与「认知准确度」上权重高于通用 POI 模型。
总分 100，映射等级 A（85+）/ B（70–84）/ C（50–69）/ D（30–49）/ E。康养维度在「信任与决策力」（11）与「专业认知准确度」（15）上权重显著上调，在「增长机会」（4）上更克制（机构多为成熟区域主体）。
康养先判断「是否可以被 AI 安全地推荐」，再谈「推荐排第几」。四类信源一致率，是被推荐机构与隐形机构之间最大的差距来源，且高度本地化。
GEOScope 不把 ROI 当成每个康养客户的终点。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。
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）：用户是否因为被推荐而产生咨询 / 到访等行为信号。③ Business Impact（客户数据可选）：入住 / 营收等，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 | 在康养场景的常见来源 |
|---|---|---|
| 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） | 客户后台到访量、入住数手工录入 |
| C · Experimental | Test / Control 对照 | 成熟客户的同城多院区对照 |
| D · Correlated | 同期相关（非因果） | AI 可见度上升期与到访上升期的重合 |
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，行业只换 Outcome Schema——把「AI 推荐」接到康养的真实业务漏斗：
| 阶段 | 康养转化链 | 可观测信号 |
|---|---|---|
| AI Impact | Recommendation（被 AI 推荐） | P1/P2 率、推荐 SOV |
| Demand Impact | Inquiry → Visit（咨询 → 到访） | Profile / 电话点击、预约到访 |
| Business Impact | Admission（入住，客户数据） | 入住数、客单价（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。
康养 GEO 的第一步，是给机构页加上结构化数据。下面两段是 GEOScope 康养体检推荐的基线模板。
{
"@context": "https://schema.org",
"@type": "CareOrganization",
"name": "示例康养中心",
"medicalSpecialty": ["GeriatricCare", "MemoryCare"],
"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://api.map.baidu.com/xxx",
"https://www.dianping.com/shop/xxxx"
]
}
{
"@context": "https://schema.org",
"@type": "AdultCare",
"name": "认知症照护专区",
"offeredBy": {
"@type": "CareOrganization",
"name": "示例康养中心"
},
"audience": {
"@type": "PeopleAudience",
"suggestedMinAge": 60
},
"url": "https://example.com/care/memory"
}
提示：JSON-LD 只是「让 AI 读得懂」，不等于「AI 就会推荐你」。它要和本地信源四对齐、真实口碑、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 康养体检报告。
过去十年，康养获客高度依赖本地转介绍 + 地图 / 点评 + 线下驿站。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：子女把「去哪家养老院、靠不靠谱、照护好不好」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——这对合规扎实的区域机构是红利； 第二，它目前几乎没有机构在主动优化——意味着早期行动者能以合规成本拿到推荐位。窗口不会一直开着。
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：康养 GEO 的前提是可信照护，不是话术。
报告含完整数据表、6 大引擎横向对比、康养意图分类、本地信源四对齐清单、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 ↓报告给的是康养行业平均水位；真正要决策的是「你的机构在 AI 推荐里排第几、床位和护理等级有没有被说错」——这一步免费，2 分钟出结果。