对手在ChatGPT里被推荐、你却查不到？AI可见度竞品分析全流程

摘要：过去做竞品分析，你盯的是对手的网站和第三方报道两块屏幕；到了2026年，得再加一块——对手在ChatGPT、Gemini、Perplexity这些AI搜索里被推荐、被引用的情况。潜在客户很可能在AI答案里就对你的品牌形成了印象，压根没点进任何网站。这篇讲清怎么把AI可见度纳入竞品分析：要测哪些指标、怎么搭一套代表真实需求的提示词集、怎么算你和对手在AI答案里的声量份额、怎么扒出对手是靠哪些来源被引用的，再用缺席提示词找到最快的突破口。文末附我一个宠物营养品客户从查不到自己、到把对手AI声量抢回来的完整复盘。

上个月一个做宠物营养品的客户找到我，一上来就很焦虑：他用ChatGPT问“best joint supplement for senior dogs”，答案里推的全是竞争对手，翻来覆去就那么几个牌子，自家产品连个影儿都没有。他做了大半年SEO，Google自然排名其实爬上来了，可AI搜索这块像是另一个平行世界，他完全摸不着自己在里面是什么位置。

这不是个例。越来越多客户遇到同一个坎：传统竞品分析那套还在跑，但它漏掉了一整块正在快速长大的战场——AI搜索里的可见度。今天就把这块怎么系统地测、怎么和对手比、怎么找到差距，一次讲透。

为什么“竞品分析”现在必须加上AI可见度这第三块屏幕？

传统竞品分析看两块屏幕：第一块是对手自己的网站——他们的内容、关键词、页面结构；第二块是第三方对他们的报道和讨论。这两块今天依然重要，但它们有个共同前提：用户最终会点进某个网页。

问题是，这个前提正在松动。现在大量的信息需求，用户在AI答案里就被满足了，根本不再点进任何一个网站。也就是说，潜在客户对你和对手的第一印象，很可能是在AI搜索平台里形成的——在他们访问你的站之前。这就多出了第三块屏幕：你和对手在AI答案里各自是什么形象、被不被推荐、被谁引用。

如果你的竞品分析只盯前两块，就等于漏看了客户做决策的第一现场。对手可能在你的网站数据上看着平平无奇，却已经在ChatGPT的推荐位里把你的潜在客户截走了大半。把AI可见度补进竞品分析，本质上是把分析的视野对齐到用户真实的决策路径上。Semrush在把AI可见度纳入竞品分析框架时也强调，潜在客户往往在访问你的网站之前，就已经在AI搜索平台里对你的品牌形成了判断。

这也是为什么我一直说，做GEO不能只顾自己被不被引用，还得盯着对手，因为被检索和被推荐的争夺是零和的——AI答案的推荐位就那么几个，你多占一个，对手就少一个。传统SEO里你和对手争的是十条蓝链接的排位，AI搜索里争的是那三五个被点名推荐的名额，位置更少、竞争更凶，谁被挤出去，几乎就等于在这个问题上从用户视野里消失。

AI可见度竞品分析，到底要测哪几个指标？

要把这块屏幕量化，光凭感觉说“对手好像更常出现”是不够的，得落到几个可对比的指标上。我常用的是下面这一组，从粗到细。

第一个是整体AI可见度评分，通常做成一个0到100的综合分，把你在各AI平台被提及、被引用的频率折算成一个总览数字，方便和对手直接比高下。第二个是提及量，你的品牌名在AI答案里被点到的总次数，不管有没有署名链接。第三个是引用量，特指你作为可点击来源被正式署名的次数——这两个要分开看，因为被提及不等于被引用。

第四个也是最关键的一个，是在非品牌词提示下的声量份额。所谓非品牌词，就是用户不带任何品牌名、纯按需求去问的问题，比如“老年犬关节保养吃什么”。在这类问题的答案里，你的品牌占了多大比例、对手又占多大，这个声量份额（share of voice）才真正反映你在AI心智里的自然位置。第五个是情感倾向，AI在提到你时是正面、中性还是负面。第六个是引擎分布，你的可见度在ChatGPT、Gemini、Perplexity之间是不是均衡，还是严重偏科。

这几个指标里，非品牌词声量份额是重中之重，它的逻辑和传统SEO里的内容覆盖率与声量份额一脉相承，只是战场换到了AI答案里。像Ahrefs的Brand Radar这类AI可见度工具已经把这些指标产品化，你也可以先用一张手工表格把它们记下来，重点不在用什么工具，而在于你有没有把这几个维度分开来量、再拿去和对手逐项比对。测量的颗粒度决定了你能不能看清差距到底在哪一格。

第一步：怎么搭一套能代表真实需求的提示词集？

所有测量都建立在一个基础上——你拿什么问题去问AI。这套问题集（提示词集）搭得好不好，直接决定了你测出来的数据有没有代表性。搭歪了，后面全是无效功。

核心原则是：提示词要模拟你的真实潜在客户会怎么问，而不是你希望他们怎么问。我的做法是把它分成几层。第一层是纯需求型的非品牌词，用户带着问题来、不知道任何品牌，比如“怎么给老狗补关节”“老年犬软骨素有用吗”，这一层最能反映自然声量。第二层是带比较意图的，比如“XX品牌和YY品牌哪个关节补剂更好”，用来看正面交锋时AI偏向谁。第三层才是品牌词，直接问“XX品牌怎么样”，看AI对你和对手各自的既有印象。

数量上不用贪多，但要覆盖你核心品类的主要需求场景，一般三五十条精心挑过的提示词，比几百条随手凑的更有用。挑的时候可以借力关键词工具里的真实搜索词、AI搜索的相关追问、以及销售和客服那边听来的真实问法。这套提示词集一旦定下来，就要固定用它做周期性测量，这样不同时间点的数据才可比。提示词集本身也要定期复盘更新，因为用户的问法会随需求变化而漂移。

怎么算“AI答案里的声量份额”，才不会自欺欺人？

有了提示词集，跑一轮就能拿到一堆原始答案。接下来要把它们折算成声量份额，这里有几个容易踩的坑。

最基本的算法是：在某一组非品牌词提示下，统计所有品牌的总提及次数，你的提及次数除以总数，就是你的声量份额。但只算这一层数字容易骗自己，得配合两个维度一起看。一是要区分提及和推荐——前面文章里说过，被AI引用不代表被推荐，所以真正值钱的是在最终推荐里占的份额，而不是被顺带提一嘴的份额。

二是要按引擎分开算，因为同一个品牌在ChatGPT和Perplexity里的份额可能差很远，混在一起平均会掩盖掉严重偏科的真相。Search Engine Land剖析为何各家AI搜索研究结论互相打架时也点到，口径和引擎不统一是数据失真的主因，跨引擎混算更是最常见的自欺陷阱之一。

我的建议是做一张矩阵：行是你和几个主要对手，列是几个核心引擎，格子里填各自在非品牌词推荐里的声量份额。这张矩阵一铺开，谁在哪个引擎强、你在哪块是洼地，一目了然。测完还要定期重测，把它变成一条随时间走的曲线，才能看出你的动作到底有没有推动份额上涨。关于怎么把这套测量做成可持续的闭环，可以参考AI引用率监控的迭代方法，竞品维度只是在同一套闭环上多加了对手这条基准线。

对手是靠哪些来源被AI引用的，你怎么扒出来？

知道对手份额高，只是知道了结果；更有用的是搞清楚他们为什么高——AI是从哪些来源把他们捞出来推荐的。这一步是整套分析里杠杆最大的地方。

做法是：把对手在AI答案里被引用时的来源域名一个个记下来，统计哪些域名最频繁地把对手带进AI的视野。你多半会发现，这些来源高度集中在几类地方——用户生成内容的社区（比如Reddit上的真实讨论）、权威百科（比如Wikipedia词条）、垂直媒体和测评站。这些就是喂养对手AI可见度的“食料来源”。

搞清楚这张来源地图，你的行动方向立刻就明确了：对手靠哪些域名被引用，这些域名往往也是你能去争取的。人家在某个宠物垂直论坛有一堆真实好评被AI反复引用，那你就该想办法在同样的社区沉淀真实口碑；人家有一篇媒体测评被当权威来源，你就该去争取类似的第三方报道。Search Engine Journal就分析过Reddit为何在AI搜索里主导话语权，Reddit等UGC社区正成为AI答案里被引用最频繁的来源之一，这类地方的真实讨论权重高得超出很多人预期。

与其漫无目的地生产内容，不如精准地去对手的食料来源里抢一份。这个思路和传统外链建设里分析对手反链、再去争取同源链接的打法，底子上是一样的，只是终点从Google排名换成了AI推荐。差别在于，AI更看重来源的真实性和可信度，你在这些枢纽里堆硬广没用，得沉淀经得起核实的真东西才会被反复引用。

什么是“缺席提示词”，怎么用它找到最快的突破口？

如果说来源地图告诉你从哪补料，那缺席提示词就是告诉你先补哪一勺——它是整套分析里ROI最高的一个产出。

缺席提示词，指的是那些对手频繁出现、而你完全缺席的问题。把你的提示词集跑一遍，逐条标记：这条对手在、我不在。这些“对手在我不在”的问题，就是你最该优先攻的缺口。原因很简单：这些问题AI已经在给答案、已经在推荐别人，说明需求是真实存在、流量是现成的，你缺的只是挤进那个答案。相比去开拓一个AI还没什么标准答案的新问题，补上一个现成的缺口，见效通常快得多。

找到缺席提示词后，逐条去拆：AI在这个问题上推的是谁、引用的是什么来源、那个来源里有什么是你没有的。是你缺一篇结构清晰的深度内容，还是缺第三方的真实背书，抑或是你的内容压根没被AI有效抓取。对症下药，一条条把缺口填上。我通常会把缺席提示词按“需求量 × 补齐难度”排个序，先打那些需求大、又相对好补的，用几个快赢把团队的信心和节奏带起来。这一步做扎实，AI可见度的增长往往来得比想象中快。

拿到差距清单后，先打哪几个点？

分析的终点是行动。当你手里攥着一张矩阵、一张来源地图、一份缺席提示词清单，别一股脑全上，得排出优先级。我的排序逻辑是三条。

第一，优先补需求大、你又缺席的高价值提示词，这些是现成流量，投入产出最划算。第二，优先去对手最集中的引用来源里布局——如果某个论坛或某类媒体反复喂养了好几个对手，那它就是这个品类的AI枢纽，在那儿建立存在感的杠杆最大。第三，优先修那些你已经在场、但形象是中性甚至负面的问题，把已有的曝光从“提到但不推荐”推向“正面推荐”，这比从零冒头更省力。Backlinko在讲怎么计算品牌声量份额时也主张同一条思路：先守住并放大已有的存在感，再去开拓空白，往往比处处开花更高效。

把这三条揉进一个季度的执行计划里，每个动作都对应清单上一个具体的缺口，而不是凭感觉发内容。执行一段时间后回到那张声量份额矩阵，看数字有没有动——这才是竞品分析真正闭环的样子：测出差距、定向行动、再测验证。至于AI到底凭什么把一个来源选进答案，背后的AI引用机制的底层规律值得吃透，它能帮你判断某个缺口到底该用什么招去补。

保哥的客户案例：一个宠物营养品DTC怎么把对手的AI声量抢回来？

回到开头那个宠物营养品客户。焦虑归焦虑，保哥没让他急着写内容，而是先带他把这套分析走了一遍。第一步搭提示词集，围绕老年犬关节、皮毛、肠道三个主打场景，挑了40条真实问法，纯需求型的非品牌词占了大头。

跑完第一轮，数据很扎心也很清醒：在关节这个核心场景的非品牌词里，他的声量份额是2%，三个主要对手分别是28%、22%、15%。更关键的是引擎分布——他在Perplexity几乎为零，在ChatGPT偶尔冒头。接着扒来源地图，发现对手被引用最多的来源高度集中在两处：一个知名宠物垂直论坛的长帖，和几篇宠物医疗媒体的成分测评。他的产品在这两处几乎没有任何真实沉淀。

然后是缺席提示词。40条里有17条是“对手在我不在”，其中“老年犬关节保养每天该补多少软骨素”这条需求量大、AI答案还都语焉不详，被我标成了第一优先。他们的动作也很聚焦：没有铺量写几十篇泛泛的关节文章，而是围绕这17条缺席提示词，做了8篇有一手数据的深度内容（不同体重犬只的补充量实测、成分对比表），同时推动几位养宠博主在那个垂直论坛做真实体验分享，又争取到一篇媒体的成分解析。

三个月后重测那张矩阵，关节场景的非品牌词声量份额从2%涨到了19%，Perplexity从零到能稳定冒头。涨得最快的，正是那17条缺席提示词对应的问题。这个案例最想说明的一点是：AI可见度不是玄学，把它拆成可测的指标、和对手比出差距、再定向去补，它就是一块能被系统性经营的阵地。凭感觉猛发内容，远不如先把对手这面镜子照清楚。

市面上那些AI可见度研究，为什么彼此打架？

把上面这套流程跑起来之后，你很快会遇到另一个问题：想找个行业基准对照一下，结果发现各家研究给的数字对不上，甚至方向相反。

这不是因为谁在撒谎，绝大多数情况下是分母不一样。而分母这件事，恰恰是转述时最先被丢掉的。

下面几个例子都是当下被引用得最多的数据，我把它们的原始口径逐条核了一遍。看完你大概会同意一件事：拿到任何一个AI可见度数字，先问它的分母是什么，比研究结论本身更值钱。

“换个模式，八成推荐结果都会变”，这个八成是怎么算的？

有一项测试比较了ChatGPT开启与关闭联网搜索时的产品推荐差异，结论被广泛转述成：测试了2万条响应，产品推荐有80.2%发生变化。

这句话里的分母错了。

80.2%的分母不是2万条响应，而是关闭搜索时被推荐出来的那批产品。原始表述是：关闭搜索时被推荐的产品里，只有19.8%在开启搜索后仍然被推荐。具体到绝对数，是21786个产品里只有4037个重合。

这2种读法差别有多大？前一种听起来像“模型的回答整体上极不稳定”；后一种说的其实是“开搜索和不开搜索，命中的是2批基本不重叠的商品”。

后一种对你更有用，因为它直接告诉你：做测量的时候，联网开关必须固定下来并记录在案。同一个提示词，开与不开，测的根本是2件事，混在一起统计出来的份额没有意义。

一个相关系数，怎么会被用来论证2个相反的结论？

还有个数字流传很广：被引用与被推荐之间的相关系数只有0.4，属于弱相关。这个数字常被拿来论证“进了引用来源列表没什么用，不等于会被推荐”。

回到原始出处会发现，原作者用同一个系数论证的是相反的结论。他的原话大意是：让自己出现在被引用的来源里，是提升在ChatGPT中被推荐频率最有效的做法之一。

同一个0.4，一边读成“关系不强，别费劲”，一边读成“关系确实存在，值得做”。谁对？

严格说两边都不算错，这正是相关系数这类指标的麻烦之处——它只给强度，不给方向性建议。0.4意味着被引用不是被推荐的充分条件，但它同时也意味着这是目前能找到的最强的单一关联。

实际的启发是：别把“进入引用来源”当成终点验收指标，但也别因为它不是充分条件就放弃。把它当成一个必要不充分的中间指标来跟踪，是比较诚实的做法。

“91%的引用只出现在一个引擎”，这个91%的样本有多大？

跨引擎重叠度是个很有价值的角度，但流传的版本同样有分母问题。

常见转述是：分析了370万条引用，发现91%的被引URL只出现在一个引擎里。

实际情况是，370万是研究里另一个视图的总语料量，而91%这个结论出自另外单独抽取的2万条提示词样本。2个数字来自同一份研究的不同部分，被转述时接到了一起。

还有一层限定也常被丢掉：那份研究的样本来自某个监测工具的客户池，地域偏向欧洲几个市场，并不是通用抽样。

这个限定对我们特别重要。做中文和亚洲市场的人，直接套用这类基准会系统性偏差，因为提示词、语言和引擎份额都不一样。它能说明“跨引擎重叠度确实很低”这个方向性结论，但具体数值别拿来当自己的目标线。

一个在研究原文里根本找不到的数字

这个例子最值得警惕，因为它已经被引用了很多轮。

流传的说法是：平均要问同一个模型1500次，才能拿到2份完全相同的品牌列表。听起来很有冲击力，也很具体。

我去翻了被指为出处的那份研究全文——里面没有1500这个数字。那份研究给的是另一个表述：2次询问得到完全相同顺序的同一份列表，概率低于千分之一。

1500这个数字真正的来源，是研究作者在一档播客里的口头估算，没有公开的计算过程。

从口头估算，到被写进正文，再到被无数二手文章引用，中间没有任何一环做过核对。这条传播链本身就是个很好的教材：一个数字越具体、越好记、越适合当标题，就越值得回去查它的原文。

顺带一提，那份研究的作者自己在文中写明了不是专业研究人员、没有做置信区间计算。而转述版本里却出现了精确到正负若干个百分点的采样精度建议——这是凭空长出来的。

一份研究里唯一没被压缩的数字长什么样？

说了这么多问题，也有处理得干净的例子，值得当成正面标本看。

有一份跨引擎研究给出的是区间：不同引擎之间的引用来源重叠度在16%到59%之间，跨度43个百分点；被点名的品牌重叠度在36%到55%之间，跨度19个百分点。

注意这里给的是区间和跨度，不是一个平均值。这个写法比给单一数字诚实得多，因为它把“不同引擎之间差异巨大”这个最重要的信息保留了下来。

如果它被压成一句“引擎间来源重叠度约37%”，读者就完全看不出来还有一个引擎组合只有16%。而恰恰是那个16%，才是决定你要不要分引擎单独做优化的关键。

不过这份研究也有个小坑：它统计的是被点名的品牌，转述时经常被写成被推荐的品牌。这2个动作不是一回事——被提到名字和被推荐购买，中间差着一整个决策环节。

拿到一份AI可见度研究，该按什么顺序读？

把上面这些坑归纳一下，形成一个可以照着走的检查顺序：

第五步不是阴谋论，是个很实际的提醒。行业里大量测量方法论的文章，作者本身就在卖测量工具或者提供相关服务。这不代表结论错，但它会影响作者选择强调哪个指标、忽略哪个指标。

判断方法很简单：看文章推荐的指标，是不是恰好只有某类工具才测得出来。如果一套方法论里的每个指标都指向同一个产品，那它首先是产品说明书，其次才是方法论。

你报给老板的那份竞品数字，自己复现得了吗？

把上面这套标准掉转枪口，对着自己刚做完的竞品分析报告问一遍，通常会挺尴尬的。

最常见的问题是分母漂移。第一轮测的时候用了60个提示词，第二轮觉得有几个词不太准换掉了几个，第三轮又加了几个新场景的词。3轮下来，份额曲线画得很漂亮，但每一个点的分母都不一样。

这种曲线是没法读的。份额上升可能是你做得好，也可能只是这轮换掉的那几个词恰好是你的弱项。

解决办法不复杂，但需要一点纪律：把提示词集冻结成有版本号的固定资产，每次测量记录用的是哪个版本。要加词可以，加完之后把历史数据重跑一遍，或者干脆开一条新曲线，别在老曲线上接。

第二个常见问题是把不同时间、不同联网状态、不同模型版本的结果混进同一张表。模型一次静默更新，你的曲线就可能整体平移，而你会误以为是自己的优化起了作用。所以每次测量至少要记3样：日期、模型版本、联网开关状态。

对手的可见度，你测出来的数字可信吗？

测自己有个天然优势——你知道自己的事实是什么，能判断模型说得对不对。测对手就没有这个优势了。

这里有个容易忽略的偏差：你的提示词集是围绕你自己的强项和你关心的场景搭起来的。拿这套词去测对手，测出来的是“在我擅长的这些场景里，对手表现如何”，不是“对手的整体可见度如何”。

这个偏差通常会让你低估对手。因为对手真正强的那些场景，很可能压根没进你的词集——你都想不到那是个场景。

有个成本很低的纠偏办法：从对手的内容资产反推词集。把它站上流量最高的那批页面、它主推的产品线、它常年在讲的几个概念各自转成提示词，加到一个单独的对照组里。这个对照组不进主曲线，只用来回答一个问题：有没有一整片战场是我根本没上过的？

前面提到的缺席提示词，找的是你输了的仗；这个对照组找的是你没打过的仗。后者往往更值钱，因为它揭示的是认知盲区，不是能力差距。

那到底该测哪几个指标才算靠谱？

撇开各家的具体主张，真正经得起追问的指标其实不多，共同点是定义清晰、可复现、不依赖某家工具的私有算法。

第一个是出现率：在你的提示词集里，你的品牌被提到的比例是多少。它最粗，但也最稳，任何人用同一套提示词都能复现。

第二个是推荐位次分布：被提到的那些次里，你排在什么位置。这个比出现率更接近生意，因为第一位和第七位的实际价值差得很远。

第三个是事实准确率：模型说出来的关于你的信息，有多少是对的。这一个最容易被忽略，却往往最值得先修——被提到但说错了，比没被提到更麻烦。

这3个指标有个共同的好处：都不需要相信任何一家厂商的黑箱。你自己跑一轮提示词，把结果记下来，就能算。

至于那些名字花哨、算法不公开、跨工具之间对不上的复合评分，可以当参考，但别拿它当汇报口径。一个你自己解释不清算法的分数，在老板追问时是负资产。

这套分母意识，怎么用回到日常汇报里？

最后说个很实际的用法。当你在周会上被问“我们的AI可见度到底是多少”时，最稳的答法不是报一个数，而是报一个带口径的数。

比如：在我们冻结的这60个核心提示词上，最近一次测量里我们的出现率是23%，测的是ChatGPT开启联网的状态，对照组是那4个主要竞品。

这句话比“我们的可见度是23%”长了不少，但它把所有能被追问的地方提前堵上了。更重要的是，它让下个月的数字有了可比性。

反过来，如果你习惯了只报一个光秃秃的百分比，几个月后一定会遇到这样的场面：数字掉了，老板问为什么，而你发现自己根本没法回答，因为你不确定这2次测量的条件是不是一样的。

这个习惯的养成成本几乎为零，收益却是复利的：每多记一次口径，历史数据就多一分可比性。行业里那些互相打架的研究，问题从来不在于研究者不够聪明，而在于口径没有被完整地写下来，于是转述一次就失真一层。你自己的报表，别重复同一个错误。

常见问题解答

AI可见度竞品分析和传统竞品分析冲突吗？

不冲突，是补充。传统竞品分析看对手的网站和第三方报道两块屏幕，AI可见度是加上第三块——对手在AI搜索答案里的被推荐和被引用情况。因为越来越多用户在AI答案里就完成了决策、不再点进网站，只看前两块会漏掉客户形成第一印象的关键现场。三块一起看，才对齐了用户真实的决策路径。

没有付费工具，能做AI可见度竞品分析吗？

能，只是更费人力。核心方法不依赖某个特定工具：搭一套代表真实需求的提示词集，手动去几个主流AI里跑这些问题，记录你和对手各自的出现与被推荐情况，再统计声量份额、扒引用来源。付费工具的价值在于把这套流程自动化、规模化、可持续追踪，但小规模起步完全可以先手动跑通逻辑，验证有效后再考虑上工具提效。

声量份额应该按提及算还是按推荐算？

两个都要看，但真正值钱的是按最终推荐算。被AI提及甚至被引用，都不代表被推荐——你的内容可能只是被当成了了解品类的参考资料。所以除了统计总提及份额，更要单独算你在AI最终推荐结果里占的比例，后者才反映你真正的竞争位置。同时务必按引擎分开算，避免不同引擎的巨大差异被平均值掩盖。

什么是缺席提示词，为什么它优先级最高？

缺席提示词是那些对手频繁出现、而你完全缺席的问题。它优先级高是因为这些问题AI已经在给答案、在推荐别人，说明需求真实、流量现成，你缺的只是挤进那个答案，补起来通常比开拓一个全新问题见效快得多。找到后按需求量和补齐难度排序，先打需求大又好补的，用快赢带节奏。

多久做一次AI可见度竞品分析比较合适？

建议把它做成周期性的固定动作，而不是一次性体检。AI答案的来源高度流动，份额会随你和对手的动作不断变化，一般按月或按季度用同一套提示词集重测一轮，把数据连成随时间走的曲线，才能看出你的动作有没有真正推动份额上涨。提示词集本身也要定期复盘，跟上用户问法的漂移。

发现对手在某个论坛或媒体被反复引用，我该直接去投放吗？

方向对，但别用投放的思路。对手集中的引用来源确实是你该布局的枢纽，但AI偏爱的是真实、可信的内容，硬广或伪造口碑很容易适得其反。正确做法是在那些来源里沉淀真实的价值——真实的用户体验、真实的专业讨论、经得起核实的数据，让你自然地成为AI愿意引用的对象。抢的是真实存在感，不是买位置。

权威参考资料