如何追踪品牌在 AI 答案里的表现

为什么自己去问一遍 ChatGPT 没用

几乎每个团队都是这么开始的：有人打开 ChatGPT，输入品类问题，看到竞品排在第一，然后把截图转发到群里。这个刺激是有用的，但它不是衡量；基于它做计划，会在四个具体的地方出问题。

• 答案不是确定性的。同一个问题问两次，可能得到两份不同的品牌名单。单次采样根本分不清真实变化和正常波动。
• 你的账号是个性化的。记忆、历史对话和地理位置都会影响你看到的内容，所以你观察到的不是一个新客户会看到的。
• 一条提问代表不了一个品类。客户会用几十种不同措辞去问，而你在其中的可见度往往差异巨大。
• 一个引擎代表不了整个市场。各家的检索链路不同，你在 Perplexity 很强，说明不了 Gemini 的情况。

第一步，搭一组映射购买旅程的提问集

提问集就是你的量具。之后所有报表都会继承它的偏差，所以它值得花一个下午认真想，而不是拍脑袋列一串品牌词。

覆盖四个阶段，措辞保持口语化。人们对搜索框输关键词，对 AI 说完整句子；如果你的提问集读起来像关键词表，那它一开始量的就是错的东西。

• 认知阶段，不带品牌名：「有什么工具能看出 AI 有没有提到我公司」
• 考虑阶段，品类比较：「面向 B2B SaaS 营销团队的 AEO 平台，哪些比较好」
• 评估阶段，具体约束：「哪些 AI 可见度工具能追踪 DeepSeek 和 Qwen」「AI 品牌监测大概什么价位」
• 决策阶段，带品牌名：「Okaeo 怎么样」「Okaeo 和人工手动查有什么区别」

每个品牌 40 到 60 条是个可行的起点。低于 30 条，每周的噪声会盖过信号。定下来之后就冻结它：季度中途改提问，会让你之前攒的所有趋势线作废。

第二步，按客户真正在哪来选引擎

选引擎是市场决策，不是技术决策。一个欧洲 B2B 品牌和一个卖到中国的消费品牌，需要的覆盖范围完全不同；去追踪客户根本不打开的引擎，只会增加成本和噪声。

• 几乎必选：ChatGPT 和 Google AI Overviews，在多数西方市场，二者合计占了 AI 答案曝光的大头。
• 通常要加：Gemini、Perplexity 和 Claude，研究型和技术型客户集中在这里。
• 如果你卖给大企业：加 Copilot，因为它就长在这些客户本来就开着的微软套件里。
• 如果你面向中文市场：加 DeepSeek、Qwen 和 Kimi，它们的行为差异大到西方的结果无法迁移。

第三步，测五件事，不是一件

「我们在不在 AI 里」不是一个指标。下面这五个才是，而且每一个都指向不同的动作。

• 提及率：有多少比例的答案点了你的名。这是你的地板线。
• 答案内排位：被第一个点名读起来是推荐，被第五个点名读起来是脚注。
• 引用：引擎实际链向了你的哪些 URL。这告诉你到底是哪些页面在出力。
• 声量份额：在同一批提问下，你的提及率对比每个竞品的。这是管理层一定会要的那个数。
• 口径与准确性：你被怎么描述。一段把你价格说错的提及是负分，不是战果。

第四步，按固定节奏采样，别天天盯着看

每日采样对「收集」是对的，对「解读」是错的。答案引擎的输出每天都会因为和你无关的原因变化：索引刷新、模型更新、检索策略调整。每日收集，但看周均值，并且只对连续两周都成立的变化采取行动。

例外是真正的事件：发布、融资公告、竞品大动作、一条差评开始扩散。这些节点前后值得盯日数据，因为一个错误说法可能在几天内就扩散到各个引擎。

第五步，把数据变成三个决定

多数 AI 可见度看板最后没人用，是因为没人知道周一早上该干什么。三个问题能把数字变回工作。

• 哪些地方我们缺席、但品类问题正在被回答？这些提问就是内容选题，而且往往是你完全没占位、价值又最高的那批。
• 在我们缺席的位置上，是谁、用哪个页面被引用了？去读那一页。十有八九它不是写得更好，而是把问题答得更直接。
• 哪些地方我们被提到了、却被描述错了？那是你自己站点的「事实供给」问题，通常也是这张单子上最快能修好的一项。