结论前置:测量品牌 AI 可见度,只需要盯住四个指标——提及率(有没有你)、Top3 率(排得靠不靠前)、引用率(AI 引了谁的内容)、语义占位(以什么角色出现)。测量方法:固定一组真实用户问法,向多个 AI 平台逐一提问,按统一口径统计,隔期同口径复测。市面上工具的差异不在指标本身,而在口径是否公开、证据是否可回放、失败是否如实披露。本文给出完整方法、四指标的明确定义、一份 6 步自查清单,以及我们自己测自己时踩过的坑。
| 指标 | 定义 | 回答的问题 |
|---|---|---|
| 提及率 | 提及品牌的答案数 ÷ 总答案数(提及 = 品牌名/别名/常见错写出现在答案中) | AI 认不认识你 |
| Top3 率 | 品牌出现在答案前三位推荐中的比例(按品牌首次出现的段落位次判定) | 推荐位置够不够靠前 |
| 引用率 | 答案带引用来源的比例;进一步看引用的是不是你的域名 | 喂给 AI 的信源结构健不健康 |
| 语义占位 | 品牌出现时的角色分布:推荐位 / 对比位 / 被质疑 / 中性提及 | AI 把你当"推荐项"还是"陪衬" |
其中语义占位是最容易被忽略、也最能说明问题的:我们测自己,提及率 25%(AI 认识我们),但语义占位里 91.9% 是"中性提及"——只是被点名,从没有被当推荐项。这就是"被认识、不被推荐"的量化形态。
| 陷阱 | 实测案例 |
|---|---|
| 把"品牌×词"题计入提及率,得出虚高结论 | 我们 5 个行业词的提及率都是 25%——全部来自"XX 在这个词方面怎么样"这类含品牌名的题;真正反映竞争力的推荐/行业/场景题全部为 0 |
| 用 LLM 生成的题目当"用户真实提问" | LLM 造的题偏书面;搜索下拉词里才是真实问法(如"geo优化是什么意思""geo优化公司") |
| 只看提及率,不看语义占位 | 提及率 25% 看似"还行",语义占位揭穿:91.9% 只是中性点名,推荐位 5.8% |
| 忽略平台差异 | 同一题豆包和 DeepSeek 答案结构完全不同;某平台整体好看,可能只是别的平台撑起来的(我们实测过豆包单渠道 0% 的情况) |
| 失败不计入、静默重试到"成功"为止 | 渠道限流(如 RPM=3 的渠道)、密钥失效都会造成假阴性——失败次数必须随报告披露 |
手工六步完全可行(一张表格就够),但词一多、平台一多就会吃力。市面工具按定位分三类:运营 SaaS 型(如新榜智汇,问题挖掘+每日跟踪+信源倒查+协同,适合有团队有预算)、全案服务型(如泓动数据、智推时代、增长超人,适合要托管)、测量科学型(如回响引擎——我们,主打口径公开、证据回放、置信区间与归因)。逐家的三段式对比与选型避坑,见我们的横评全文(含立场声明)。
本文由回响引擎撰写,提到的第三方产品信息基于公开资料;我们的测量口径(提及判定/失败披露/置信区间/方法版本)全部公开在 方法与数据披露页。文中的自测数据(90.6 分、25% 提及率、91.9% 中性占位)来自平台真实测量,可在平台内复核。