网站AI就绪度平均55.1分，分丢在哪

结论先说：一家对 1300 多个站点做过统一评分的审计基准显示，网站的「AI 搜索就绪度」平均只有 55.1 分（百分制），中位数 57——也就是说，一半的站点连 57 分都不到。

更值得注意的是丢分的位置：缺口最大的不是内容质量，而是 llms.txt 这类「AI 发现文件」，发布率只有 58%。

如果你的站点也在为「AI 搜不到、答不提」发愁，这份基线给出的信号很明确：先把机器层的便宜分捡回来，再谈内容。

55.1 分的基线是怎么来的

结论：55.1 分的基线来自 GeoReady 的就绪度基准，样本是主动去做审计的站点、关注度本就高于平均，因此不是全网普查。

这份数据来自 GeoReady 的 State of GEO 就绪度基准（快照更新于 2026 年 9 月 24 日）。它用同一套开源的 100 分评分表去审计站点，覆盖 8 个类别，累计已有 1300 多个站点被测过，每个域名只计最近一次审计，数据聚合匿名化。基准页面上目前的关键数字是：平均分 55.1，中位数 57，llms.txt 发布率 58%，有效 JSON-LD 结构化数据占比 75%。

先交代口径：这是「被审计站点」的样本，不是全网普查——愿意去跑一次审计的站，本身对 AI 搜索的关注度就高于平均水平。

所以 55.1 这个数更合理的读法是下限参照：连「已经开始关心 AI 可见度」的站点平均都只有 55 分，完全没做过的站点大概率更低。

这也是它和我们在可见度差距那篇里讨论的问题互为表里的地方：那边说的是「AI 答案里没你」，这边说的是「为什么没你」。

丢分集中在哪：AI 发现文件是最大缺口

结论：AI 发现文件是就绪度缺口的主要位置：llms.txt 这类文件写起来成本接近于零，被审计站点里却只有 58% 在发。

基准页面给出的判断很直白：最大的就绪度缺口是 AI 发现文件（AI discovery files），也就是根目录下的 llms.txt 和 /.well-known/ai.txt 这一类文件。这类文件做的事情简单到近乎朴素——在站点根部放一个纯文本清单，告诉 AI 工具「这个站最重要的页面是哪几个、各自是什么」。写成成本接近于零，但被审计的站点里只有 58% 在发。

llms.txt 和结构化数据各管一件事

这两个常被混为一谈的东西，其实解决的是两个不同环节的问题。llms.txt 管的是「指路」：一个抓取方来到你的域名，开头先看到的是一份导航，而不是自己爬。

JSON-LD 结构化数据管的是「消歧」：当模型读到一段文字时，schema 帮它确认「这是同一家公司」「这是产品参数而不是营销形容」。

75% 的被审计站点有有效 JSON-LD，比 llms.txt 的 58% 高一截，原因不难理解——很多站点是做 SEO 时就把 schema 铺好的，llms.txt 却是 2024 年之后才出现的新东西，没有历史存量。

两者的关系是叠加而不是替代。schema 再完整，也回答不了「从这么多页面里先看哪个」的问题；llms.txt 列得再准，也替代不了页面内部实体信息的一致性。把任何一个当成全部答案，都会在另一个环节漏分。

为什么「便宜的分」反而没人捡

评分表上的错位很有意思：JSON-LD 这类动作，多数团队在 SEO 时代就形成了肌肉记忆，发布率有 75%；而 llms.txt 是 2024 年之后才逐步被采纳的约定，它不在任何一份传统 SEO 清单里，没有历史欠账可翻旧账，也没有现成的排期模板可以套。

结果就是：越是 SEO 基础扎实的团队，越容易在新约定上掉队——他们的流程按老清单运转得很高效，而新清单根本没进流程。这也是基准里「基础分项失分最多」这个反常识结果的一个合理解释：丢分不是因为懒，是因为清单没更新。

成本结构进一步放大了这个错位。AI 发现文件的改动是站点级的、一次性的、分钟级完成的；而内容侧的任何优化——重写、补稿、改版——都是持续投入。

按投入产出排序，先做站点级配置、再做内容级优化，是纯粹的工程常识；实际操作里顺序常常颠倒，因为内容优化有既有预算科目，站点配置反而没人认领。基准数字把这笔账摆在了明面上。

反直觉：低分的主因不是内容写得差

结论：基准页面自己的结论是，被审计站点的失分点很少关于内容质量，多数关于机器可读性。

流行的解释会把就绪度低归因于「内容不行」——写得不够深、不够专业、E-E-A-T 不够。但这份基准的数据不支持这个归因。

基准页面自己的结论是：被审计站点常见的失分点「很少关于内容质量，多数关于机器可读性」（the gaps are rarely about content quality — they are about machine legibility）。

换句话说，一个内容扎实的站点，完全可能因为 robots.txt 里无意间挡掉了 GPTBot、ClaudeBot 或 PerplexityBot，就整站失去了被引用的资格——内容再好，爬虫进不来，后面的环节全部为零。

我们在服务中看到的情况和这个结论一致：多数来找我们做诊断的客户站，问题清单的前几名是 AI 爬虫被误拦、没有 llms.txt、实体信息分散在「关于我们」的图片和 PDF 里——都是机器层的欠账，而不是稿子写得不行。

有一家制造企业的官网，产品参数写得比同行详细得多，但全部参数放在表格图片里，原始 HTML 里一个字都抓不到；补上文本层之后，能被抓到的事实字段才真正多了起来。

五步自查：先把便宜的分捡回来

结论：就绪度是全链路的属性、不是单站的属性，而按成本从低到高做自查时，前三步一个下午就能完成。

按成本从低到高排，一个下午能做完前三步：

步骤	动作	检查什么
1	审计 robots.txt	确认没有无意拦截 GPTBot、ClaudeBot、PerplexityBot 等 AI 爬虫；要拦哪家的爬虫应当是主动决策，而不是模板默认
2	发布 llms.txt	域名根目录放一份指向最重要页面的清单，让抓取方开头先看到导航
3	补结构化数据	Organization、WebSite 两类 JSON-LD 优先；FAQPage、Article 在确实适用的页面上加，不为凑分堆砌
4	关键页答案前置	重要页面开头先给一段自包含的直接答案，营销铺垫往后放；实体信息在首屏 150 词内说清楚
5	设复测周期	模型与抓取行为会变，一次性快照只说明当下状态；按 30-60 天周期复测，确认改动有没有效果

这套动作的本质是卫生工程而非算法猜测：你不需要知道某个模型的内部排序逻辑，只需要把「能来、能读、能信」三件事做实。这也是我们在GEO 团体标准那篇里提到的方向——行业正在把评价锚点从「玄学技巧」移向可对照的基础项。

执行时有两个常见误区值得提前避开。一是把自查当成一次性上线动作：抓取方名单会随平台更新而变化， robots 与发现文件需要随平台节奏复查，半年前的放行名单未必覆盖今天的主流抓取标识。

二是只在官网主域做、不管内容分发面：多数企业的实体信息同时存在于官网、电商平台、地图与行业目录里，这些站外事实同样参与机器对「你是谁」的拼图；主域配置做得再干净，站外信息互相打架时，歧义照样产生。

就绪度是全链路的属性，不是单站的属性。

边界与不适用

结论：三条边界是：55.1 分是被审计站点的均值、不能当全网现状；就绪度分数不等于引用，发 llms.txt 只是补齐前置条件。

三条边界要主动说清。其一，样本偏差：55.1 分是「愿意被审计的站」的平均值，不能直接当成全网的现状，但作为「做过功课的站也就这个水平」的下限参照是成立的。

其二，评分不等于引用：就绪度分数衡量的是机器可读性的基础分，发一份 llms.txt 并不换来引用承诺——它只是把「有资格被读」的前置条件补齐，被引用还取决于信源质量、第三方提及等更多变量。

其三，不该为分数堆砌：往页面里塞与内容不符的 schema，或写一份指向垃圾页面的 llms.txt，不加分反而添乱；评分表是体检项，不是装修清单。

想看这套基础项在实际行业里怎么落地，可以看灵曦GEO的服务页。