AI 声量份额(AI share of voice)指的是:针对一组固定的提示词,在 AI 生成的回答里,你的品牌提及次数占所有品牌提及次数的比例,也就是你的提及数除以这些回答中所有品牌的提及数,再乘以 100。它是一个竞争性比率,而不是命中率,所以只有和产生它的提示词集合、AI 引擎、竞品名单和时间窗口放在一起看,才有意义。另外两个变体同样重要:引用声量份额(回答链接的是谁的网站)和按位置加权的声量份额(谁被第一个提到)。
这篇指南会给你三个公式;一组示例数据,同一个品牌能算出四个不同的“声量份额”;可以直接粘贴的电子表格公式;Profound、Peec AI、Semrush 和 Ahrefs 对这个指标的定义对比;基于我们自己重复运行数据的样本量计算;以及一份给管理层看的报告模板。各工具的定义核对于 2026年10月18日。
核心要点
- 三个公式,三个答案。提及份额统计回答中出现的品牌名,引用份额统计指向你网站的链接,按位置加权的份额则奖励被第一个提到的品牌。在我们的示例中,同一个品牌的得分分别是 17.5%、44.0% 和 14.3%。
- 声量份额不等于出现率。“在 35% 的回答中被提及”是可见度指标。声量份额的分母是所有品牌的提及数,所以当竞品挤满回答时,它就会下降。
- 分母决定数字。只统计你自己挑的四个品牌,而不是 AI 提到的所有品牌,我们示例中的结果就从 17.5% 变成了 22.6%。
- 单次运行只是一个样本。在 AI Rank Lab 中对 42 个“提示词-引擎”组合进行的 968 次重复运行里,42.9% 的组合至少有一次在“提到品牌”和“没提到品牌”之间来回切换。要按时间窗口报告,而不是看快照,并且标出误差范围。
- 不存在有来源支撑的通用基准。网上公布的“好成绩”区间互相矛盾,而且往往衡量的是不同的指标。更好的做法是和你点名的竞品、以及你自己的市场份额做对比。
什么是 AI 声量份额?
AI 声量份额衡量的是:在 AI 回答里的品牌讨论中,有多少属于你。你先定义一组买家会问的提示词,在 ChatGPT、Claude、Gemini、Perplexity 以及 Google 的 AI 功能等引擎上运行,记录每条回答提到的每个品牌,再算出你在总量中的占比。
这个概念借鉴自广告业。在传统媒介策划中,声量份额指的是一个品牌在所属品类全部广告曝光中所占的比例。John Philip Jones 在 1990 年的《哈佛商业评论》中提出,拿声量份额和市场份额做比较,是更好的预算制定方法。AI 声量份额保留了这个比率,只是把付费曝光换成了一样你没法直接买到的东西:在回答中被点名。
追踪这个指标的厂商在核心比率上是一致的。Profound 的术语表把声量份额定义为“与所有品牌相比,你的品牌被提及的频率”,Peec AI 的文档给出的公式是你的提及数除以品牌提及总数,再乘以 100。
AI 声量份额和提及率、可见度有什么区别?
提及率(也叫可见度或出现率)问的是:“我们出现在多大比例的回答里?”声量份额问的是:“所有品牌提及中,有多大比例是我们的?”区别就在分母:一个是回答数,一个是提及数。
一个出现在每条回答里的品牌,提及率是 100%;但如果另外四个品牌也出现在每条回答里,它的声量份额就只有 20%。Peec 自己的例子就说明了这个差距:在 10 次对话中,你被提及 4 次,竞品被提及 12 次,可见度是 40%,声量份额却只有 25%。一些流行的指南把出现率公式冠上了声量份额的名字,这也是各家公布的数字很少能对上的原因之一。两个都要报告,都要标清楚,而且不同报告周期之间绝不要互相替换。
提及类指标也说明不了流量。提及让用户看到你的名字,引用则给了用户一个链接。为什么这个区别会改变你解读报告的方式,我们在 AI 搜索中的品牌提及与引用一文中有详细讲解。
AI 声量份额怎么算?三个公式
每个想回答的问题用一个公式,并把它们并排报告,而不是揉成一个综合分数。
| 指标 | 公式 | 计数单位 | 回答的问题 |
|---|---|---|---|
| 提及声量份额 | 你的品牌提及数 / 所有品牌提及数 × 100 | 回答正文中出现的品牌名,每条回答最多计一次 | 推荐类讨论中,我们占了多少? |
| 引用声量份额 | 指向你域名的引用数 / 指向所有被追踪品牌域名的引用数 × 100 | 指向某品牌自有域名的来源链接 | 当回答指向品牌自己的网站时,有多少次是我们的? |
| 按位置加权的声量份额 | 你的权重之和 / 所有品牌权重之和 × 100,其中权重 = 1 / 位置 | 每一次提及,按其在回答中的顺序加权 | 我们是第一个被提到,还是顺带一提? |
| 提及率(作参考) | 提到你品牌的回答数 / 所有回答数 × 100 | 回答 | 我们到底有多常出现? |
提及声量份额
这是默认的版本,也是 Profound 和 Peec 文档里写的那个。每条回答里每个品牌最多计一次,即使回答提到它三次也一样,否则长回答会主导总数。分母要包含回答提到的所有品牌,而不只是你选择追踪的竞品;原因见后面关于竞品集合的部分。
引用声量份额
引用声量份额追踪的是回答下方的链接,而不是回答里的品牌名。AI 回答中的大多数引用都指向第三方网站:在 Trakkr 覆盖 529,165 个域名、共 4,840 万次引用出现的样本中(2025 年 10 月至 2026 年 8 月),被引用最多的域名 youtube.com 占总量的 3.47%,其次是 Wikipedia(1.83%)和 Reddit(1.74%)。这就是为什么竞争版的公式要除以指向被追踪品牌自有域名的引用数。如果你更想用占全部引用的比例(Profound 称之为“Citation Share”),就单独报告,并做好看到个位数的心理准备。
引用份额在 URL 层面也高度集中。Peec AI 对超过 100 万次引用的分析发现:在 ChatGPT 上,平均每条回答被引用两次及以上的那 31% 的 URL,贡献了全部引用的 59%;而 Perplexity 检索到的 URL 中,有 64% 从未被引用。通常就那么几个页面撑起了你全部的引用份额。
按位置加权的声量份额
位置加权会让第一个被提到的品牌比第五个得到更多分数。常见的方案是 1/位置:第一 = 1.0,第二 = 0.5,第三 = 0.33,依此类推。Semrush 表示,它的 Enterprise AIO 声量份额同时考虑了频率和位置,但没有公布具体权重。
把它当作次要指标。SparkToro 和 Gumshoe.ai 把 12 个提示词在 ChatGPT、Claude 和 Google 的 AI 上跑了 2,961 次,发现两次得到相同品牌列表的概率不到百分之一,而顺序完全相同的情况大约每 1,000 次才出现一次。他们的结论是:基于大量提示词和多次运行的可见度百分比是合理的指标,而单一的“排名位置”不是。对几百条回答取平均后,位置仍然能区分“通常排第一”和“通常排最后”;但只看任何一条回答,它就是噪音。
实例演算:一组数据,四个不同的数字
下面的数字是我们为了展示各公式如何产生差异而构造的示例数据,不是客户数据。设定是:20 个提示词、4 个引擎、每个跑 3 次,共 240 条回答。其中 228 条回答至少提到了一个品牌,品牌提及共 480 次,回答中共有 1,440 次引用。“其他”指的是引擎提到了、但团队没有放进追踪名单的品牌。
| 品牌 | 提到它的回答数(提及率) | 按位置的提及数(第 1 / 第 2 / 第 3 / 第 4 及以后) | 提及 SOV | 位置加权 SOV | 自有域名引用数 | 引用 SOV(追踪集合) |
|---|---|---|---|---|---|---|
| 你的品牌 | 84(35.0%) | 24 / 30 / 18 / 12 | 17.5% | 14.3% | 66 | 44.0% |
| 竞品 A | 132(55.0%) | 90 / 30 / 9 / 3 | 27.5% | 32.5% | 48 | 32.0% |
| 竞品 B | 96(40.0%) | 54 / 30 / 9 / 3 | 20.0% | 21.7% | 30 | 20.0% |
| 竞品 C | 60(25.0%) | 18 / 24 / 12 / 6 | 12.5% | 10.6% | 6 | 4.0% |
| 其他(未追踪) | - | 42 / 36 / 24 / 6 | 22.5% | 20.8% | - | - |
| 合计 | 240 条回答 | 228 / 150 / 72 / 30 | 480 次提及 | 权重 334.5 | 150 | 100% |
以“你的品牌”为例,这些数字是这样算出来的:
- 提及率:84 条回答 / 240 条回答 = 35.0%。
- 提及声量份额:84 / 480 次提及 = 17.5%。
- 按位置加权的声量份额:(24 × 1) + (30 × 0.5) + (18 × 0.333) + (12 × 0.25) = 权重 48.0;48.0 / 334.5 = 14.3%。这里第 4 位及以后的位置都按 4 计。
- 引用声量份额:66 / 150 次指向被追踪品牌域名的引用 = 44.0%。如果按全部 1,440 次引用计算,则是 4.6%。
- 封闭池声量份额:把“其他”从分母中去掉,提及份额就变成 84 / 372 = 22.6%。
这一张表里藏着四个教训。第一,同一个品牌在提及上排第三,在位置上落后更多,在引用上却领先。内容实力强、但品牌知名度不如品类龙头的公司,常常就是这种格局。第二,封闭池的数字让每个品牌都虚高了大约五分之一。第三,22.5% 的讨论给了没人追踪的品牌,而这正是封闭名单会掩盖的早期预警。第四,占全部来源的引用份额(4.6%)和占追踪集合的引用份额(44.0%)是两个不同的指标,量级差别很大,所以报告里必须写明用的是哪一个。
怎么用电子表格计算 AI 声量份额?
每条回答记一行,每次品牌提及记一行,每次引用记一行,然后让公式来计数。这种结构在 Google Sheets 和 Excel 里都能用。
- Answers 工作表(回答):answer_id、prompt、engine、run_date。每条回答一行,包括没有提到任何品牌的回答,因为它们属于提及率的分母。
- Mentions 工作表(提及):answer_id(A 列)、brand(B 列)、position(C 列)。每条回答中每个品牌一行,每个品牌在每条回答中最多出现一次。先统一名称:把“HubSpot CRM”和“HubSpot”归为同一个品牌,并提前决定产品和它的母公司是否算作一个。
- Citations 工作表(引用):answer_id(A)、cited_url(B)、domain(C)、owner_brand(D)。如果域名属于 Reddit、YouTube 或点评网站这样的第三方,owner_brand 就留空。
- Summary 工作表(汇总):把每个品牌名放在 H 列,然后在同一行使用下面的公式。
| 指标 | 公式(品牌名在 H2) |
|---|---|
| 提及率 | =COUNTIF(Mentions!B2:B5000,H2)/COUNTA(Answers!A2:A5000) |
| 提及声量份额 | =COUNTIF(Mentions!B2:B5000,H2)/COUNTA(Mentions!B2:B5000) |
| 按位置加权的声量份额 | =SUMPRODUCT(IFERROR((Mentions!B2:B5000=H2)/Mentions!C2:C5000,0))/SUMPRODUCT(IFERROR(1/Mentions!C2:C5000,0)) |
| 引用声量份额(追踪集合) | =COUNTIF(Citations!D2:D5000,H2)/COUNTA(Citations!D2:D5000) |
| 占全部来源的引用份额 | =COUNTIF(Citations!D2:D5000,H2)/COUNTA(Citations!B2:B5000) |
| 95% 误差范围(份额在 I2,n 在 J2) | =1.96*SQRT(I2*(1-I2)/J2) |
把结果设置为百分比格式。按位置加权的公式需要 Excel 365 或 Google Sheets 才能在 SUMPRODUCT 里计算 IFERROR;在旧版 Excel 中,要以数组公式的方式输入。再加一个引擎列的筛选(或者用数据透视表),就能按引擎分别得出同样的指标。在看汇总数字之前,一定要先看分引擎的数据。
Profound、Peec AI、Semrush 和 Ahrefs 怎么定义声量份额?
它们的定义并不相同,所以一个工具里的 30% 和另一个工具里的 30% 不是同一回事。以下是各厂商官方文档的说法,核对于 2026年10月18日。
| 工具 | 声量份额统计的是什么 | 加权方式 | 提示词来源 | 出处 |
|---|---|---|---|---|
| AI Rank Lab | 你的提及数 /(你的提及数 + 你指定的竞品的提及数),基于定时运行 | 份额本身不加权;平均位置、提及率和引用率单独报告 | 你的提示词集合 | 我们的产品(见下方声明) |
| Profound | 品牌提及数 / 所有被追踪回答中的全部品牌提及数;Citation Share 和 Visibility Score 是单独的指标 | 未说明;Average Position 单独统计 | 你追踪的提示词 | Profound 术语表 |
| Peec AI | 你的提及数 / 品牌提及总数 × 100 | 不加权;Position 和 Sentiment 单独统计 | 你追踪的提示词 | Peec 文档 |
| Semrush AI Visibility Toolkit | “与你所在市场的竞品相比,你的品牌在 AI 生成回答中获得的提及百分比”;Brand Performance 数据每周更新 | Semrush 表示其 Enterprise AIO 版本考虑了频率和位置;具体权重未公布 | Semrush 的提示词数据库加上你追踪的提示词 | Semrush 知识库 |
| Ahrefs Brand Radar | “与竞品相比,你拥有的品牌曝光百分比” | 按提示词的 Google 搜索量对提及加权,Ahrefs 称之为“一种建模选择,而非实测出的关系” | Google People Also Ask 语料和 Ahrefs 的关键词数据库,而不是你自己的提示词 | Ahrefs 方法论 |
这带来两个实际影响。Ahrefs 回答的是“在按需求加权的市场里,我们占了多少?”,不需要你自己搭建提示词集合;而 Profound、Peec 和 AI Rank Lab 回答的是“在我们选定的提示词上,我们表现如何?”两种都合理,但数字不会一致。其次,这些工具都看不到引擎内部,所以它们都是在对回答做抽样。Google 自己也说明,Search Console 新推出的生成式 AI 效果报告(2026 年 6 月)显示的是你自己在 AI Overviews 和 AI Mode 中的展示次数、页面、国家和设备,没有任何竞品数据。因此,Google AI 界面上的声量份额只能来自追踪工具,并且应该和你的 Search Console 数据一起看,而不是取代它。想深入了解 Semrush 的数据是怎么采集的,可以看我们的 Semrush AI Visibility Toolkit 测评。
提示词集合和竞品集合该怎么选?
套公式只要一分钟,但提示词集合和竞品名单决定了这个数字有没有意义。在第一次测量之前就把两者固定下来,只有在重新建立基线时才改动。
搭建提示词集合
- 从买家的问题出发,而不是从你的定位出发。从销售通话、客服工单、站内搜索、Reddit 帖子和 People Also Ask 中提取用词。围绕你自己的广告语写出来的提示词,会抬高你的份额。
- 按固定比例覆盖整个漏斗。例如 50% 是品类类和“最适合 Y 的 X”类提示词,30% 是对比类和替代品类提示词,20% 是问题类或教程类提示词。保持比例稳定,这样组合变化就不会被误读成份额变化。
- 把品牌词提示词排除在核心数字之外。“[你的品牌]好用吗?”这种问题每次都会提到你。把它们放在单独的分组里,用来追踪准确性和情感倾向。
- 给每个提示词打标签,按主题、漏斗阶段、用户画像和市场分类,这样你就能按细分维度报告声量份额,而不只是一个混合数字。
- 按决策需要确定规模。一些已发布的指南建议从 20 到 50 个有商业价值的提示词起步,另一些则建议宽泛品类用 100 到 200 个。下面的样本量部分会解释,为什么增加提示词通常比增加运行次数更有效。
由于引擎在检索来源之前会把每个提示词扩展成很多子查询,意思相近的不同说法也可能返回不同的品牌。所以对最重要的问题,最好准备两三种问法,而不是只用一种。
选竞品:开放池还是封闭池?
分母用开放池,报告用点名名单。开放池统计回答中提到的所有品牌;封闭池只统计你录入的竞品。封闭池更简单、跨时间也好比较,但会高估每个品牌的份额,还会漏掉新进入者,示例中 22.5% 的“其他”就说明了这一点。
- 点名名单:5 到 8 个经常和你抢单的直接竞品,再加上一两个你想对标的品类龙头。
- 发现检查:每月一次,列出引擎提到、但不在你名单上的所有品牌。凡是出现在超过几个百分点回答中的品牌,在下一次建立基线时都要加进名单。
- 实体规则:写清楚你如何处理别名、子品牌、经销商和电商平台(“Amazon”是竞品还是渠道?),并且每个周期都用同一套规则。
如果你的工具只支持封闭名单,就在每份报告里注明这一点,并保持名单固定,这样即使数值偏高,趋势也是真实的。
需要多少提示词和运行次数,数字才可靠?
要多到你关心的变化大于噪音。AI 回答不可复现,所以每条回答都是一个样本;只基于几十条回答算出的声量份额,即使什么都没变,也可能波动两位数。
我们自己的数据显示了波动有多大。2026年2月13日至10月14日,我们在 AI Rank Lab 中追踪了 42 个“提示词-引擎”组合(只计入运行 5 次及以上的组合),共成功运行 968 次。其中 18 个组合(42.9%)至少有一次在“提到被追踪品牌”和“没提到”之间切换;同一提示词连续两次运行,被引用域名的重合度中位数只有 41%。来源变动最大的是 Gemini(重合度中位数 0.26),最小的是 Perplexity(0.59)。完整的方法和局限性见我们的 AI 回答稳定性研究。即使用“确定性”设置也解决不了这个问题:一项针对五个配置为确定性输出的大语言模型的研究发现,不同运行之间的准确率差异最高可达 15%。
同一份数据也告诉你样本预算该花在哪里。42 个组合中有 24 个(57%)每次运行给出的提及结果都一样,所以对这些提示词来说,多跑几次几乎没有带来新信息。同一提示词的重复运行是相关的,这意味着 20 个提示词各跑 10 次,价值远低于 200 条独立回答。先增加提示词,再增加运行次数:每个提示词在每个引擎上每个窗口保持 2 到 3 次运行来平滑波动,并把 2 到 4 周窗口内的运行结果合并计算。
要估算误差,可以把声量份额当作一个比例,使用 NIST 工程统计手册中的标准正态近似区间:p ± 1.96 × sqrt(p(1-p)/n)。为了保守起见,n 用不同“提示词-引擎”组合的数量,而不是回答的数量。
| n(提示词-引擎组合) | 份额约 20% 时的 95% 误差范围 | 份额约 50% 时的 95% 误差范围 | 能检测出什么 |
|---|---|---|---|
| 50 | ± 11.1 个百分点 | ± 13.9 个百分点 | 只有品牌之间的大差距 |
| 100 | ± 7.8 个百分点 | ± 9.8 个百分点 | 季度环比 10 个百分点以上的变化 |
| 200 | ± 5.5 个百分点 | ± 6.9 个百分点 | 6 到 7 个百分点的变化 |
| 400 | ± 3.9 个百分点 | ± 4.9 个百分点 | 4 到 5 个百分点的变化 |
| 1,000 | ± 2.5 个百分点 | ± 3.1 个百分点 | 小幅、稳定的增长 |
套用到示例上:20 个提示词 × 4 个引擎是 80 个“提示词-引擎”组合,所以 17.5% 的提及声量份额误差范围约为 ± 8.3 个百分点。下个月从 17.5% 变成 22%,仍在噪音范围内。NIST 页面还指出,当样本很小或份额接近 0% 时,这个区间会变得不可靠,这时用 Wilson 区间更合适;如果你的工具支持,按提示词重抽样(bootstrap)效果更好。
要不要把多个引擎合并成一个声量份额?
先分别报告每个引擎,再给出一个合并数字,并写明加权方式。各引擎的结果并不一致:Trakkr 基于 825,343 个提示词的引擎基准测试发现,模型之间的平均一致率为 43.3%,一个品牌可能在某个引擎上领先,在另一个引擎上却根本不出现。如果每个引擎的回答数量相同,跨引擎直接合并原始计数没问题。如果想按重要性给引擎加权,就按你的受众实际在哪里来加权。举个参考:在 AI Rank Lab 标签于 28 个网站上记录的 3,677 次 AI 引荐页面浏览中(2025 年 7 月至 2026 年 10 月),ChatGPT 带来了 56.8%,其次是 Gemini(17.1%)、Perplexity(12.4%)、Claude(12.0%)和 Copilot(1.7%)。引荐份额不等于使用份额,你的数据也会不一样,所以在把它当作权重之前,先测一测你自己的。
AI 声量份额多少才算好?
不存在有来源支撑的通用基准。如果有人不讲方法就直接给你一个标准,要多留个心眼。“好”取决于你的回答里有多少品牌在竞争、你所在的品类,以及用的是哪个公式。
各家公布的区间之所以互相矛盾,部分原因是它们衡量的东西不一样:
| 来源 | 区间对应的指标 | “领先者”区间 | 有来源支撑吗? |
|---|---|---|---|
| Alex Birkett | 提到你的回答数 / 所有回答数(出现率) | 50% 至 90% | 作者个人经验,基于漏斗底部的提示词 |
| LLM Pulse | 占所有品牌提及的提及份额 | 40% 至 70% | 未给出来源 |
| geotoolbox | 占所有品牌提及的提及份额 | 50% 及以上 | 综合其他指南得出,注明仅供参考 |
60% 的出现率和 60% 的提及份额代表的是完全不同的地位,所以除非公式一致,这些区间既不能互相比较,也不能和你工具里的数字比较。真正有来源支撑的参考点有这些:
- 公平份额线。如果经常被提到的品牌有 N 个,平均分配就是 100 / N。有五个品牌时,20% 就是持平;高于这个数,说明你的表现超出平均。Trakkr 建议把它当作参考线,而不是目标。
- 品类之间差异巨大。在 SparkToro 的研究中,某个医院品牌出现在其查询 97% 的 ChatGPT 回答里,耳机品牌的出现比例在 55% 到 77% 之间,而品牌设计机构只有三四成。只在同一品类内比较,绝不跨品类比较。
- 占全部来源的引用份额始终很小。如果在一个 4,800 万次引用的样本中,被引用最多的域名也只占 3.47%,那么占全部来源个位数的引用份额,也可能已经是领先地位。
- 声量份额与市场份额。借用 Jones 的逻辑,最有用的基准是拿你的 AI 声量份额和你实际的市场份额做比较。如果声量份额低于市场份额,说明 AI 回答低估了你,这是一个可以着手解决的具体问题。
最重要的基准,是你自己在同一组提示词上、对同一批点名竞品、超出误差范围的变化趋势。如果你还在追踪综合评分,我们关于 AEO 评分如何计算的讲解会告诉你这些评分是怎么融合这些输入的。
怎么向管理层汇报 AI 声量份额?
给一张表、一条趋势线和一个决策。管理层需要知道的是:变化是不是真的、谁在变、你打算怎么做,而不是原始的提示词日志。一组汇报数据大概是这样(示例值来自上面的示例数据,上一窗口为假设值):
| 指标 | 本窗口 | 上一窗口 | 变化 | 误差范围(±) | 解读 |
|---|---|---|---|---|---|
| 提及率 | 35.0% | 22.5% | +12.5 个百分点 | 10.5 个百分点 | 有信号 - 下个窗口确认 |
| 提及声量份额 | 17.5% | 15.0% | +2.5 个百分点 | 8.3 个百分点 | 在噪音范围内 - 维持 |
| 引用声量份额(追踪集合) | 44.0% | 36.0% | +8.0 个百分点 | 10.9 个百分点 | 在噪音范围内 - 观察 |
| 头号竞品提及份额 | 27.5%(A) | 29.0%(A) | -1.5 个百分点 | 9.8 个百分点 | 无变化 |
| 未追踪品牌的份额 | 22.5% | 18.0% | +4.5 个百分点 | - | 做一次发现检查 |
围绕这张表,报告控制在一页以内:
- 范围说明:提示词、引擎、市场、运行次数、窗口和公式,例如“80 个提示词-引擎组合,4 个引擎,美国英语,240 条回答,9月15日至10月12日,开放池提及份额”。
- 核心结论:用一句话说明超出误差范围的变化,或者写“无显著变化”。
- 分引擎拆分:一张小表,因为合并数字可能掩盖某个引擎上的下滑。
- 细分视图:按漏斗阶段或主题划分的声量份额,行动方案就从这里来。
- 驱动因素:根据你的引用数据,找出最大变化背后被引用的页面和第三方来源。
- 行动与负责人:两三项改进措施,每项都对应一个提示词细分。
不要做的事:不要把单次运行当成趋势展示,不要在没有重建基线的情况下更换提示词集合,也不要把按位置加权的份额说成“我们在 ChatGPT 里的排名”。
自动追踪 AI 声量份额的工具
声明:AI Rank Lab 是我们自己的产品。因为这是我们的网站,所以把它列在第一位,但下面所有工具都用同一套标准评估。评估标准是:工具公开的是哪个公式、你能否控制提示词集合,以及你能拿结果做什么。
- AI Rank Lab。品牌可见度追踪会按计划在 ChatGPT、Claude、Gemini 和 Perplexity 上运行你的提示词,并记录每次运行的提及情况、位置、情感倾向、被提到的竞品和被引用的 URL;独立的 AI Overview 和 AI Mode 追踪器覆盖 Google。竞品分析和引用追踪器会针对你指定的竞品报告提及份额和竞品引用份额,Action Plan 和内容工具则把差距转化为具体的改进措施。套餐每月 $69 起(价格核对于 2026年10月18日)。局限:它的声量份额基于你录入的竞品,也就是封闭池,所以要定期做发现检查,找出名单之外的品牌。
- Profound。公开的术语表清晰明了,Share of Voice、Visibility Score、Citation Share 和 Average Position 分别定义,还提供跨引擎、主题和竞品的矩阵视图。对于需要治理能力和规模的企业团队来说,是很强的选择。
- Peec AI。文档里写明了一个简单的提及份额公式并附有示例,同时把可见度、位置和情感倾向作为独立指标,因此它的数字很容易在电子表格里复现。适合想要简单、透明配置的团队。
- Semrush AI Visibility Toolkit。声量份额位于每周更新的 Brand Performance 报告中,除了你追踪的提示词,还有一个庞大的提示词数据库。如果你的 SEO 团队本来就天天用 Semrush,它是更好的选择,不过位置加权方式没有公开。
- Ahrefs Brand Radar。按搜索需求对提及加权,并从 People Also Ask 构建提示词,所以不用自己写提示词集合,就能得到市场层面的声量份额。如果你想看整个品类按需求加权的全貌,而不是你自己那些问题上的表现,它最合适。
- 电子表格。上面的公式配合手动记录,适用于 20 到 50 个提示词。这是起步成本最低的方式,也是理解这些指标含义的最佳途径;但一旦需要在多个引擎上每天运行,它就撑不住了。
AI 声量份额的局限性
- 它是对你的提示词的抽样,而不是对真实用户对话的抽样。没有任何工具能看到真实用户问了什么、看到了什么,而个性化、记忆和地理位置都会改变回答。
- API 和 App 的回答可能不同。很多追踪工具通过开启搜索的 API 查询引擎,而面向消费者的 App 表现可能不一样。
- 品牌识别是自动化的。别名、拼写错误和名字是常见词的品牌都会导致计数错误。每个周期都要抽查一部分回答。
- 被提及不等于被推荐。一个被说成“企业用户请避开”的品牌,同样会被计入。要把声量份额和情感倾向或“是否被推荐”的标记搭配使用。
- 声量份额不等于收入。在宣称带来业务影响之前,先把它和 AI 引荐流量以及销售管道关联起来。
总结
AI 声量份额算起来容易,也很容易算错。选一个能回答你问题的公式,写清计数规则,分母用开放池,样本量要大到变化能超出误差范围,并且把提及份额、引用份额和提及率放在一起报告。如果你不想自己维护电子表格,AI Rank Lab 的竞品分析会按计划追踪提及、引用和竞品份额,让你看的是趋势,而不是快照。
Get a free AI ranking consultation
Want your brand to show up when ChatGPT, Gemini and Perplexity answer questions in your market? Tell us about your site and our team will send a personalized strategy.



