你在 Google 搜尋結果排第一，不保證 ChatGPT、Perplexity 或 Gemini 在回答「最好的 XX 工具」時會提到你。AI 引擎推薦誰，是一份和自然搜尋排名幾乎脫鉤的獨立排行榜。競品 AI Share of Voice 分析，就是把這份看不見的排行榜攤開：在你的品類裡，AI 反覆推薦哪幾家、用什麼理由推薦，而你排在第幾、甚至有沒有被提到。
AI Share of Voice 和傳統 SEO 排名差在哪
傳統 SEO 的 Share of Voice 算的是你在關鍵字版位裡佔多少能見度，單位是「連結」。AI 換了一套規則：使用者問一個問題，模型直接回一段話，話裡點名幾個品牌。你的分子是「AI 在相關問題裡提到你的次數」，分母是「所有品牌被提到的總次數」。更麻煩的是，同一個問題問十次，答案未必一樣，模型本身帶有隨機性。這代表你不能問一次就下結論，抽樣方法比傳統看排名更重要。
第一步：先建品類問題集，不是關鍵字表
傳統 SEO 從關鍵字出發，GEO 要從「問題」出發。你要列的是潛在客戶在做決策時，真正會打進 ChatGPT 的句子。一家做 B2B 電子簽章的 SaaS，問題集不會是「電子簽章」這個詞，而是一整組具體提問。把它們分成三類，覆蓋會更完整。
- 品類推薦題：「有哪些好用的電子簽章軟體？」「台灣 B2B 團隊常用的合約簽署工具推薦」
- 對比題：「A 和 B 哪個比較適合中小企業？」「B 有什麼替代方案？」——這類題最容易暴露你的競品是誰
- 情境條件題：「預算有限、需要串接 API 的電子簽章工具」「符合台灣法規的簽署服務」——AI 在這裡篩掉一半品牌，能看出你有沒有被歸進對的情境
一個品類抓 20 到 40 題就夠開始。題目要用使用者的口語，不要用你內部的行話，因為 AI 是照著真實提問在學怎麼回答。
第二步：跨引擎、跨次數重複抽樣
只問 ChatGPT 一家，得到的是偏誤樣本。至少涵蓋 ChatGPT、Perplexity、Gemini、Claude，以及 Google AI Overviews，因為它們背後的資料來源和排序邏輯不同：Perplexity 偏重即時檢索與引用來源，ChatGPT 較依賴訓練語料加上搜尋，結果落差可能很大。每一題在每個引擎至少跑三到五次，關掉個人化與歷史記錄，用乾淨的工作階段，避免模型記得你上一句在推銷自己。
很多客戶第一次做這件事的反應是「原來 AI 根本沒把我們算進去」。不是排名掉了，是連候選名單都沒進。這比排到第二頁更該擔心。
第三步：把答案拆成可計算的資料
抽樣完不能只憑印象。把每一次回答攤成表格，一列是一次抽樣，欄位至少包含：引擎、問題、被提到的品牌清單、每個品牌出現的順序、AI 對每個品牌下的一句描述。品牌名稱要先做正規化，把「Tenten」「騰騰」「tenten.co」歸成同一個實體，否則聲量會被拆散、算出來偏低。這一步做完，你手上就有一份能反覆計算的原始資料，而不是一堆截圖。
第四步：算出四個真正有用的指標
有了資料表，把它壓成四個能直接拿去開會的數字。單看總提及次數會誤導，要拆開看。
- 出現率：你在多少比例的品類問題裡被提到。這是能見度的地基，出現率低於三成，其他指標都先別看。
- 聲量佔比：你的提及次數除以全品類總提及次數，這就是狹義的 AI Share of Voice，拿來和前三名競品並列最有感。
- 平均排序位置：被提到時你通常排第幾個。AI 答案裡第一個被點名的品牌，和第五個的說服力天差地遠。
- 情境正確率：AI 提到你時，有沒有把定位講對。被推薦到錯的情境，等於幫競品做球。
把這四個指標對每個主要競品都算一遍，你會得到一張很殘酷但很有用的對照表：誰在 AI 眼中是這個品類的預設答案，誰只是陪榜，誰完全隱形。
第五步：讀懂 AI 推薦競品的「理由」
聲量數字告訴你差距有多大，理由才告訴你為什麼。把 AI 描述每個競品的那句話全部集中起來看，你會發現它反覆用某些詞去定位領先者：可能是「整合度高」「有 SOC 2 認證」「文件清楚」。這些詞不是憑空來的，它們對應到競品官網、第三方評測、社群討論裡被大量重述的說法。當你的品牌缺席，通常不是因為產品差，而是因為這些會被 AI 抽取引用的公開資訊，你根本沒寫、或寫得不夠結構化。
從盤點到補缺口
這套分析不是一次性的體檢，模型會更新、競品會補內容，排行每個月都在動，所以值得固定週期重跑同一份問題集，追蹤自己的聲量佔比是往上還是往下。盤點完之後，真正的工作才開始：針對 AI 拿來推薦競品的那些理由，把你自己的證據、定位、可被乾淨抽取的內容補齊，讓下一輪抽樣時模型有理由點名你。如果你想先看清楚自己在品類裡的 AI 聲量缺口在哪，可以預約一場 30 分鐘 GEO 診斷，我們會用你自己的品類問題集，當場跑一份初步的競品聲量對照給你看。
