AI SOV（AI 声量份额） AI Share of Voice

AI SOV（AI Share of Voice，AI 声量份额）指在一组固定提示词上反复询问各 AI 引擎后，提及或引用了目标品牌的回答占比，通常与竞品同场对比。它把传统营销里“声量份额”的口径搬进 AI 语境，是“品牌在 AI 世界的存在感”的可量化表达，也是 GEO 最核心的监测指标——内容改造、提及经营、渠道取舍，所有优化动作最终都要在它的时间序列上接受检验。

分子、分母与提示词集：这个指标怎么算

AI SOV 的分子是“提及或引用了目标品牌的回答数”，分母是“该提示词集上的全部有效回答数”，两者都以提示词集为边界——提示词集一变，序列就断，所以提示词集是这个指标的宪法。搭建它的纪律是覆盖三类词：品牌词（含品牌加品类、品牌对竞品的组合问法）、品类词（用户不带品牌名提问的场合）、买家问题词（真实决策路径上的问句，如怎么选、哪家好、有什么坑）。本站实践中的常见配比约为 2:4:4（品牌:品类:问题）——只测品牌词没有信息量：用户问“某某品牌怎么样”时你几乎总被提及，这种高分对策略毫无指导意义；真正的战场在品类词与问题词上，那是“用户没点名找你”的场合，也是份额此消彼长的唯一场地。

统计时还要区分“提及”与“引用”两个子口径：正文提到品牌名但参考来源给了别人，与“既被提及又被引用”，是两种完全不同的资产状态——前者是认知份额，后者是信源份额。两个基础指标的口径细节分别见提及率（Mention Rate）与引用率（Citation Rate）。此外，提及还要叠加情感分类：负提及与中性提及不是资产，把“被骂上引用列表”算进份额是自欺。

还有一条容易漏的细则：品类词与问题词的提问里，一条回答常会同时提及多个品牌。这时分子怎么计——只要提到就算、只计首个提及、还是按提及位次加权——必须在建表之初定死并写进口径文档。不同计法下的份额差异可以很大，中途换计法等于序列作废。品牌名的匹配规则同理：简称、错写、英中混写要提前列全，否则漏配的每一次都是白扔的样本。

为什么必须多次采样并报区间

同一问题问两遍，答案可能不同——引用是概率事件，不是确定性检索。单次提问得到的“被提及/未被提及”只是一次伯努利试验的投掷，拿它当结论会大面积误判：一次命中可能只是运气，一次落选也可能只是波动。纪律是每个提示词多次采样，报命中率或区间而非单次结果；竞品对比、时间点对比，都以同口径多次采样的聚合值为准。采样次数与提示词数量要一起规划——预算固定时，“少而准”（提示词少、每词采样多）比“多而糙”（提示词一大把、每词只问一次）更可用。

引擎维度同样必须分开看。三引擎的同题引用重合度极低：据业内对比实测（本站未复验），ChatGPT、Perplexity、Google 三引擎的引用重合仅约 2.4%，绝大多数引用只出现在单一引擎——单引擎的“全绿”不代表其他引擎，A 引擎上的领先也不构成全局结论。AI SOV 必须分引擎出数，任何“总分”都要能拆回各引擎。口径与含义见数据卡三引擎引用重合仅 2.4%，91% 引用只出现在单引擎。

跨工具的数字为什么不可比

市面上的监测工具几乎都提供某种“AI SOV”，但分母口径互不相同：有的只统计你的品牌词提示词，有的把竞品提示词也算进分母；有的按搜索量或预估流量加权，有的等权；有的单次采样，有的多次。分母口径不同，数字之间就不可比——A 工具的 30% 与 B 工具的 15% 可能描述的是同一个现实。使用纪律只有一条：只跟自家的历史序列比趋势，不拿跨工具数字排名次；换工具等于换尺子，序列要推倒重建。采购前的必做功课是让对方交出口径文档——分母怎么定、采样几次、如何处理提示词里的多品牌并存——说不清口径的工具，报价再好看也只是个黑箱。

工具口径之外还有一个更隐蔽的坑：模型版本与产品形态的漂移。引擎换模型、改产品界面、调引用策略，都会让同一提示词的行为在时间上不平稳。看到序列突变，先排查“引擎侧变了什么”，再归因“自己做了什么”，这是读 AI SOV 报表的基本功。

它为什么值得当第一指标

AI SOV 衡量的是存在感，而存在感正成为 AI 时代品牌资产的主轴。厂商侧的大样本研究给出了方向性支撑：据 Ahrefs 对 7.5 万品牌的研究（厂商自报口径），全网品牌提及量与 AI 可见度的相关性约为 0.664，而外链的相关性仅约 0.218——“被提及”正在取代“被链接”成为第一相关因子。相关不等于因果，买不来也刷不稳，但作为监测优先级的排序依据已经足够：把 AI SOV 放到看板第一位，把提升它的正道动作——评测覆盖、社区参与、原创数据发布——排进日常。完整口径与警示见数据卡品牌提及与 AI 可见度相关性 0.664，外链仅 0.218。

从数字到动作：份额低了怎么诊断

AI SOV 的价值不在数字本身，而在它能把“存在感不足”拆成可归因的几类问题。拿到一份不理想的份额，先按引擎拆：全线低迷是内容与提及的基本盘问题；单引擎低迷则是该引擎的内容供给问题——比如站点没被那条检索爬虫抓到、或该引擎生态里缺少你的第三方内容，修法完全不同。再按词类拆：品牌词尚可、品类词与问题词失守，说明问题不在“知道你的人怎么评价你”，而在“不知道你的人没有渠道遇到你”，解药是评测覆盖与社区在场，而不是改自家官网文案。

第三刀切在提及与引用之间：被提及但引用少，说明品牌有认知、内容供给弱——模型想说你，却找不到值得引用的你的页面，动作是把事实密度高的内容做出来并被收录；被引用但提及少，说明内容在当无名英雄，页面被当作信源、品牌名却没进正文视野，动作是在内容里把品牌名与核心论断写在一起。最后一刀看竞品的份额来源：他们靠什么被提及——评测站、社区、视频、还是自家内容矩阵——那往往就是你缺失的那条渠道。这四刀切完，“提升 AI SOV”就从口号变成了一张有先后顺序的任务清单。

提示词集本身也要维护。市场在变，买家的问法在变，竞品在换，季度级的复盘是必要的：把新出现的品类问法与竞品名补进集合，把已经失去业务意义的死词移出，但每次增删都要留版本记录——否则历史序列的解释权就丢了，涨跌都说不清原因。

在概念谱系上还要提一句：有人把这类工作称为“Share of Model”（模型份额），试图度量品牌在模型心智中的份额，但它尚无统一定义与口径，务实做法正是把它拆解为 AI SOV、提及率、引用率三件套分别监测，见Share of Model（模型份额）。秀虎GEO 的品牌提及监测即 AI SOV 在五个平台上的产品化落地：固定提示词集、多次采样、分平台出数、跟踪时间序列并对竞品同场对比——这张卡里的每条纪律，都对应产品里的一个开关。