先講結論：想知道 AI 在你的品類裡都推薦誰，第一次你完全可以自己做，一張試算表加半天時間，就能拿到一份粗略的競品聲量排名。真正的問題不是「能不能做」，而是這份數字要不要每週更新、要不要跨四個模型比對、要不要拿去跟老闆或客戶交代。只要有一個答案是「要」，手動的方式大概會在第三週開始崩解。
AI Share of Voice 到底在量什麼
AI Share of Voice 量的是：當使用者在 ChatGPT、Gemini、Perplexity 或 Google AI Overviews 裡問一個跟你品類有關的問題時，你的品牌被提及、被推薦的比例，以及各家競品各自佔了多少。它跟關鍵字排名不一樣。AI 不會給你十個藍色連結讓你慢慢挑，它直接講「我建議你用 A、B、C」，你要嘛在那三個名字裡，要嘛不在，中間地帶幾乎消失了。對 B2B SaaS 來說這條線很殘酷——採購在寫需求清單前先問 AI，你沒被提到，就進不了初選。
自己做：一張試算表能走多遠
手動版本的邏輯不難。你先列出品類裡真正會被問到的問題，逐一丟進各個 AI，把回答裡出現的品牌名抄下來，統計每家出現幾次、排在第幾位、被講得正面還是保留。跑個三、四十題，你就能看出誰是 AI 眼中的預設答案。這一輪做完，通常就足以打破團隊裡「我覺得我們聲量還不錯」的錯覺。
- 列出 30 到 50 題品類內的真實購買意圖問句，涵蓋比較、推薦、替代方案三種語氣
- 在 ChatGPT、Gemini、Perplexity 各跑一輪，記錄品牌是否被提及、排序位置與語氣傾向
- 用試算表統計每個競品的提及率與平均排名，算出各家的聲量佔比
- 把 AI 引用的來源網址記下來，回推它為什麼推薦對方
做完這一輪，你會拿到兩個很有用的東西：一張目前的競品聲量地圖，還有一份 AI 拿來當引用來源的網址清單。後者往往比排名本身更值錢，因為它直接告訴你，要擠進推薦名單，得先讓哪些頁面提到你。我們在多數 GEO 審計案的第一步，做的正是這件事。
手動版本會在哪裡崩掉
問題出在 AI 的回答不穩定。同一題問三次，可能得到三組略有出入的品牌名單，因為模型本身帶隨機性。你今天跑出來的排名，明天自己重跑就對不上，更別說要跟上個月的數字比趨勢。手動抽樣量太小，雜訊會蓋過訊號——你以為某個競品聲量掉了，其實只是那天剛好抽到不同答案。
第二個坑是維護成本。四個模型、五十題、每題再重複跑三次來壓低隨機誤差，就是六百次查詢，還要人工判讀語氣、整理格式。做一次是專案，每週做一次是全職工作。到了第三週，多數團隊會默默停更，那份試算表就變成一張過期的快照，追蹤趨勢的意義也一起消失。
Brand Radar 解決的是重複性，不是聰明度
把測量交給工具，買到的不是更聰明的分析，而是可重複的紀律。Brand Radar 這類 AI 能見度追蹤，本質上是把你手動做的那套流程自動化，並把取樣量拉到人力做不到的規模——每題重複多次、跨模型同步、固定頻率執行，讓每次的數字都建立在同一套方法上，趨勢才可信。
- 用固定的問題集跨 ChatGPT、Gemini、Perplexity 等模型定期重跑，消除單次抽樣的隨機誤差
- 追蹤你與指定競品的提及率、平均排名與語氣變化，畫成可比較的時間序列
- 標出 AI 每次推薦時實際引用的來源頁面，指出你該爭取的引用缺口
- 把「這個月聲量為什麼變動」對應到具體的內容或新聞事件，而不只丟一個分數
怎麼選：先回答三個問題
不必糾結品牌，先看用途。第一，你要的是一次診斷還是持續監控？只想知道現在站在哪，自己跑一輪就夠，不必付費。第二，這份數字要給誰看？如果要進董事會簡報或季度檢討，你需要方法一致、可追溯的資料，手動抽樣過不了這一關。第三，你的品類變動有多快？競品頻繁發新聞、AI 答案週週在變的品類，更新頻率就是一切，這正是自動化真正的價值。
務實的做法：先手動，再決定要不要自動
最合理的順序是：先自己手動跑一輪，拿到第一張競品聲量地圖和引用來源清單。這一步能讓你判斷缺口值不值得投資源去補，也讓你知道之後該長期監控哪些問題。等你確定要把 AI 能見度當成長期指標追蹤，再把重複性的苦工交給工具，人力留給真正需要判斷的內容決策。如果你想先看看自己的品牌在 AI 眼中排第幾、缺口在哪，可以預約 30 分鐘 GEO 診斷，我們用實際問句幫你把現況跑一輪。
