追蹤競品在 AI 引擎裡的能見度，真正要看的不是「你被提到幾次」，而是「在哪些提問情境下，AI 把推薦位置給了別人」。同一個品類，換一種問法，ChatGPT、Perplexity、Gemini 給出的名單可能完全不同。沒有一張把提問與情境攤開的矩陣，你只會拿到零散印象，做不出決策。
隨手問幾題，為什麼永遠測不準
多數人檢查 AI 能見度的方式，是打開 ChatGPT 問一句「最好的 XX 工具是什麼」，看自己有沒有上榜。問題在於，AI 的回答對問法極度敏感。你問「最好的」、問「適合中小企業的」、問「便宜的」、問「在台灣有中文客服的」，命中的名單各自不同。一次抽樣只是一張快照，換個時間、換台行動裝置、換個帳號登入狀態，結果又漂移。要看出競品到底在哪裡穩定壓過你，得先把問法固定下來、反覆量測，這正是矩陣要解決的事。
矩陣的兩個軸：提問意圖 × 購買情境
一張能用的追蹤矩陣，橫軸放「提問意圖」，縱軸放「購買情境」。兩軸交叉出來的每一格，就是一組要固定監測的提問。這樣切的好處是：你不只知道自己整體被提及多少，還能定位到「在哪一種買家、帶著哪一種需求時，AI 會跳過你」。缺口有了座標，才補得動。
- 品類探索型：「有哪些 XX 軟體可以選？」買家還在盤點選項。
- 比較型：「A 和 B 哪個比較適合？」買家已收斂到兩三家。
- 條件篩選型：「適合遠端團隊、預算有限的 XX 工具」帶明確限制。
- 替代方案型：「有沒有 XX 的替代品？」買家對現有工具不滿。
- 信任驗證型：「XX 這家公司可靠嗎？」買家在做最後查核。
縱軸的購買情境對應買家身分與場景：新創第一次導入、既有工具想汰換、特定產業（電商、金融、製造）、特定規模（十人以下對比兩百人以上）、特定地區（台灣在地對比跨國）。同一句「最好的 CRM」，在「台灣中小電商」和「跨國企業資安團隊」兩種情境下，合理答案本來就不一樣，AI 也是照這條線分流的。
該監測哪些提問：一份可以直接抄的清單
把下面的 <品類> 換成你的品類、<競品> 換成主要對手、<你的品牌> 換成自己，就是一組可以固定跑的基礎提問。建議每組都在多個引擎各問一次。
- 「有哪些 <品類> 工具值得考慮？」
- 「<你的品牌> 和 <競品> 差在哪，該選哪個？」
- 「預算有限的小團隊，<品類> 推薦哪幾家？」
- 「台灣本地、有中文客服的 <品類> 有哪些？」
- 「<競品> 用起來如何？有沒有更好的替代方案？」
- 「導入 <品類> 時，哪一家上手最快？」
- 「<你的品牌> 這家公司評價如何、可以信任嗎？」
每一格要記錄什麼
格子裡只寫「有沒有被提到」太浪費。同一次量測其實藏了很多訊號，把它們一起記下來，後面補內容才知道從哪下手。
- 我方是否被提及、排在第幾順位。
- 同格出現了哪些競品、各自出現幾次。
- AI 引用了哪些來源：官網、第三方評測、社群討論、比較平台。
- 描述我方時用的字眼是否精準，有沒有過時或錯誤的資訊。
- 跨引擎差異：ChatGPT、Perplexity、Gemini、Google AI Overviews 的名單各自長怎樣。
追蹤頻率、競品範圍與怎麼跑
提問清單固定後，建議至少每兩週跑一輪，並在自己或競品有重大產品更新、募資、改版、調價後加測一次。競品範圍別貪多，鎖定 AI 實際會拿來跟你並列的三到五家就好——那才是真正在搶同一個推薦位置的對手。想長期自動化，可以用 Brand Radar 這類能見度追蹤，把每一格的結果變成可比較的時間序列，而不是每次手動截圖、憑印象比對。
AI 不會告訴你它為什麼沒選你。矩陣的價值，就是把這份沉默拆成一格一格看得見的缺口。
從矩陣到補洞
一張填好的矩陣，會把「我們在 AI 裡好像不太行」這種模糊焦慮，變成一份可排序的待辦：哪些提問要先補內容、哪些情境需要一頁夠清楚的比較頁、哪些引用來源得去經營。如果你想先看清自己在主要提問情境下的缺口落在哪，可以預約 30 分鐘 GEO 診斷（/contact），我們用你的品類實際跑一輪，把矩陣的第一版跟你一起看過。
