Conductor 客户案例口径：AI 引用提升 2 倍、AIO 份额提升 91%

Conductor 传播最广的效果数字是两个：客户 AI 引用提升 2 倍、AIO 份额提升 91%。先把口径钉死——这组数字出自厂商的客户案例与营销材料，属服务商单源：没有独立第三方复测，统计范围、基线定义与归因方法未完整公开，案例由厂商挑选。本卡不质疑数字的真实性，而是给出这类数字的正确读法：当方向信号用，不当效果承诺用。厂商的产品面见Conductor 工具卡。

案例口径的三重限制

读厂商案例数字，先数清楚它头上的三重限制。其一，择优：案例天然从成功客户里选，同批客户里表现平平或没起色的不会出现在宣传页上，你看到的数字是分布的右尾。其二，口径自定：「AI 引用」怎么算、「AIO 份额」的分母是什么、统计了哪些提问、基线取自哪个时段，全部由厂商定义——分子分母都在别人手里的数字，精度无意义。其三，不可复现：换一个行业、换一组提问集、换一家测法，同样的动作不一定得到同样的增幅。

三重限制不等于数字无价值。它证明的最低限度事实是：做了面向 AI 的内容工程之后，AI 引用与 AIO 份额可以上升——这个方向与学术实验、其他厂商案例以及本站接触到的实操样本一致。方向可信、刻度存疑，是读所有服务商单源数字的通用标尺。补一句公平话：择优本身是行业惯例，几乎所有厂商的效果页都这么运作——读者要防的不是「它挑了好的」，而是把右尾样本当成分布的中间值。

两个数字各测什么

这组数字里的两条不是同一类指标。「AI 引用提升 2 倍」测的是被引次数的增幅——相对自身基线的倍数，倍数大小取决于基线多低，低基线上翻倍并不难。「AIO 份额提升 91%」测的是在 Google AI Overviews 相关提问里的份额变化——份额是相对竞品的场内位置，增幅同样以自身基线为参照。两个都值得看的点是它们分别对应「内容层」与「竞争层」的动作结果，但都不能换算成「做了就能翻倍」的承诺。

时间维度上还要加一层：引用格局本身在快速漂移，引擎换模型、调引用策略，都会让全行业的引用分布重排。在这样的背景里，厂商案例的「前后对比」混着动作效应与大盘效应，无法分离——这也是为什么同样的动作，在不同时间、不同站点的复盘中测出的增幅可以差得很远。

指标口径本身怎么定义，见AI SOV 术语卡——分母纪律是所有引用类指标的第一性问题，厂商材料里最常含糊的正是分母。

厂商案例的正确打开方式

在采购场景里遇到这类数字，本站给的转化动作是把它变成验收起点。销售把「2 倍」摆上桌时，正确的回应不是反驳，而是要求 POC（概念验证）：用你的站点、你的提问集、你们的基线口径跑一轮试点，试点数据替代案例数字进合同。案例数字的作用从「证明它有效」变成「定义测什么」，营销属性就伤不到你——这与读完任一厂商案例后的动作相同，同类单方口径的案例还有两个：见Scrunch Akamai 案例数据卡与90 天引用率数据卡，三卡的读法纪律一致。写进合同时还有两个具体条款可谈：一是把效果指标定义成可第三方复核的口径——固定提问集、固定采样节奏、双方共同签认基线；二是把付款与验收节奏挂钩到复测结果上。案例数字进不了合同，口径可以——这是营销与采购的分界线。

还有一层容易被忽略的对照：同一家厂商会同时产出案例数字与行业基准研究，两者的证据档位完全不同。Conductor 自己的基准研究就是全行业引用的分母校准锚，研究口径的可信度审视见Conductor 基准案例卡——把厂商的「营销面孔」与「研究面孔」分开检验，是读厂商材料的进阶纪律。执行侧的效果归因与报表口径，见监测指标体系实操。收尾给一条总纪律：本库收录的所有厂商效果数字——包括本卡这条——都走同一套处理流程：先定证据档位，再写读法，最后给验收动作。档位描述的是「可验证到什么程度」，不是「数字好不好看」；把这两件事分开，是效果类数据不误导人的最低配置。