三引擎引用重合仅 2.4%，91% 引用只出现在单引擎

把同一批问题分别问 ChatGPT、Perplexity 与 Google AI Overviews，三个引擎给出的引用重合度只有约 2.4%——约 91% 的引用只出现在单一引擎的答案里（据 Kevin Indig 等业内对比实测，本站未复验）。这个数字终结的是一个管理幻觉：不存在一张全局的“AI 排名榜”。你在某一个引擎上的全绿，对另外两个引擎的情况没有任何说明力；AI 可见度天然是一个分引擎的量，必须分引擎测量、分引擎布局。

2.4% 是怎么算出来的，11% 又为什么不矛盾

这组数字的测法是同题对比：固定一批问题，分别向三个引擎提问，收集各自答案的引用清单，再统计跨引擎的重合情况。站内留档并存两个口径：三引擎口径的重合约 2.4%、91% 单引擎独有；Profound 口径基于 6.8 亿条引用，测得 ChatGPT 与 Perplexity 的引用域名重合约 11%。两个数字并存而不冲突，原因有三层：对象不同，前者是三引擎互比、后者是两引擎互比，参与比较的引擎越多、交集自然越小；颗粒度不同，域名级聚合会把同域的不同页面并成一类，天然抬高分子；样本与时间窗也不同。两个口径本站均未复验，引用时按留档标注“据业内对比实测（Kevin Indig/Semrush），未复验”，不要去掉限定词。

读这类重合度还要防一个口径陷阱：分母是谁。2.4% 的参照系是三引擎各自引用的并集有多小比例互相重合，91% 的参照系是出现在任一引擎引用里的条目有多大比例独占——两条数字描述同一格局的两个面，一条说交集多小，一条说独占多大。转述时只报其一、丢掉分母说明，读者就会自行脑补出错误的坐标系，得出的结论也跟着错位。

为什么这么分裂：供给结构决定引用池

引擎之间引用不互通，根源不在模型口味，而在取材路径。ChatGPT 的引用与 Bing 首页约 87% 重合（见ChatGPT 引用与 Bing 首页重合度）——它的候选池长在 Bing 底座上，做好 Bing 收录就是它的入场逻辑。Google AI Overviews 走另一条路：查询扇出选源让引用大量溢出自然前十，与自然前十的重合度一年内从约 76% 跌至约 38%（见AI Overviews 与自然前十重合度）——它的池子在做存量再分配。Perplexity 的引用窗口平均约 21.9 个来源、ChatGPT 约 7.9 个、Copilot 约 2.5 个（见引用窗口数据卡）——窗口宽窄不同，能进答案的来源集合天然不同。底座、机制、窗口三样都不同，同题选源的结果当然分叉。

分裂也不只发生在引用层。同一个品牌在不同引擎答案里的提及方式、位置与频次同样要分引擎统计——某引擎高频提及你、另一引擎只字不提，是监测里的常态而不是异常。报表因此要按引擎分页呈现：每引擎一张提及与引用的时间序列，跨引擎的汇总只放进管理层摘要，且摘要里保留分引擎的关键变化，避免“平均数抹平分歧”的二次事故。

更麻烦的是引用池本身还在换血。Semrush 的最常被引域名研究显示，头部信源的格局以季度为单位剧变（见AI 引擎最常被引域名研究）——这意味着重合度不是一个静态结构常数，而是一条会动的曲线：引擎换一次检索策略、调一次信源权重，跨引擎分裂的程度就可能再加深或短暂收敛。今天测到的 2.4% 是时间断面上的快照，不是永远成立的定律；跨年度比较这类数字时，先确认两边的引擎版本与产品形态还可比。

监测与预算怎么改：分列是硬要求

这组数字对监测体系的要求只有一句话：所有指标按引擎分列。把 ChatGPT、Perplexity、AIO 的引用与提及合并成一个“AI 总引用数”看趋势，会互相稀释信号——某家引擎掉了、另一家涨了，合并数看起来风平浪静，决策层什么都看不见。站内的 Presence·Portability·Concentration 三指标框架就是为这个格局设计的（见三指标框架）：Presence 分引擎看覆盖面，Portability 识别哪些内容能穿越引擎偏好被共同引用，Concentration 度量可见度是否押注在单一引擎上——单引擎“全绿”不等于全域健康，这正是 Concentration 这个维度存在的理由。

预算侧的含义同样直接。同一份内容资产在不同引擎上的用法应当分档：窄窗口引擎接近赢者通吃，集中攻头部话题；宽窗口引擎一次答案容纳更多来源，可以铺长尾覆盖。跨引擎复用度高的内容——典型是教学型、解释型内容——值得加倍投入，它是少数能对冲分裂格局的资产形态。反过来，用一个引擎上的成功经验指导另一个引擎的投放，是这组数字直接否定的做法；引擎之间的经验要经过本地复测才能搬运。

汇报层还有一个务实建议：给管理层的月报里，三个引擎各给一行关键指标与环比，跨引擎合并数只在最顶层出现一次，且必须注明“合计口径会互相稀释”。这个格式上的小约束，能防住最常见的汇报事故——总数字平稳、单引擎塌了没人发现。

全球与中文的两种分裂

跨引擎分裂在中文市场同样成立，而且形态更极端。中文引擎的引用池深度绑定各家生态：腾讯元宝约 64% 的引用来自腾讯自有生态、公众号独占 44.1%（见腾讯元宝生态引用结构）——全球三引擎的分裂源于检索机制差异，中文的分裂还要叠上生态墙：独家语料直接决定谁能进池子。两层的策略含义不同：机制差异靠内容形态适配去弥合，生态墙只能靠在墙内占位去穿越。做跨市场业务的团队，两套测量要分开建账，全球口径的结论不自动适用于中文引擎。

边界、误用与自证

这条证据的边界要如实交代：公开报道、未复验，且是特定时间窗的断面。它适合支撑“必须分引擎测量与布局”这个结构性结论，不适合用来做引擎之间的精确排序，也不适合推算“同时布局三个引擎能覆盖多少引用面”这类算术——重合度对样本构成、话题域与颗粒度都敏感，换个品类重测出一个不同数字并不意外。

还有一个反方向的误用要拆：把低重合读成“内容必须做三份”。分裂的是引用格局，不是内容本身——同一份结构良好的解释型内容在三引擎都有被引可能，只是命中概率与呈现位置不同。正确的推论是测量与预算分引擎、内容资产尽量复用——把“分”用在记账上，把“合”用在生产上，两件事不矛盾。

想在本品类里自证，做法与任何对比实测同构：固定一组真实业务问句，同一时间窗内分别采样三个引擎的答案与引用，域名先归一化再统计重合，每季度复测一次，看自己话题域里的分裂程度有没有变化。自证的意义不在复现 2.4%，而在拿到自己品类的版本——如果你的品类重合度明显更高，跨引擎的内容策略可以适度合并；如果更低，分引擎的预算就要切得更细。外部数字给方向，本地数据定颗粒度，这依然是本站处理一切对比实测的一贯纪律。

自证数据还有一个容易忽略的用途：给工具读数定标。商业监测工具各用各的提示词集与采样策略，同一个品牌在不同工具里的“AI 可见度”读数不可直接比较，更不能跨引擎合并。拿自证数据当锚点，把工具读数换算成自家口径的相对变化，工具才有长期使用价值——数字可以来自工具，坐标系必须来自你自己。