跨引擎引用重合（Cross-Engine Overlap） Cross-Engine Overlap
跨引擎引用重合（Cross-Engine Overlap）度量的是：把同一批问题分别交给不同 AI 引擎，各家答案引用来源之间的重合程度。实测结论是重合极低——业内对比口径下，ChatGPT、Perplexity 与 Google AI Overviews 三引擎的引用重合约 2.4%，约 91% 的引用只出现在单一引擎（本站未复验，口径见三引擎引用重合数据卡）。这组数字终结的是一个管理幻觉：不存在一张全局的「AI 排名榜」，一个引擎上的全绿对另一个引擎没有任何说明力，AI 可见度天然是分引擎的量。
两个口径并存：2.4% 与 11% 各说什么
同题对比的测法是固定一批问题、分引擎采集答案的引用清单、统计跨引擎重合。站内留档并存两个口径：三引擎口径重合约 2.4%、91% 单引擎独有；另有厂商大样本口径基于数亿条引用，测得 ChatGPT 与 Perplexity 的引用域名重合约 11%。两者并存而不冲突，原因有三层：参与比较的引擎越多交集越小，两引擎互比天然高于三引擎互比；域名级聚合会把同域不同页面并成一类，抬高分子；样本与时间窗也不相同。引用这类数字时保留「据业内对比实测，未复验」的限定，并交代分母——一条说交集多小，一条说独占多大，丢掉参照系的转述必然错位。还要防一个转述陷阱：重合度对样本构成、话题域与统计颗粒度都敏感，换个品类重测出一个明显不同的数字并不意外。外部口径的价值是给方向——分裂是结构性的；自己品类的数字才是给颗粒度的——分账要分到多细。
为什么分裂：底座、机制与窗口三处不同
引擎之间引用不互通，根源在取材路径。有的引擎引用与上游搜索索引高度绑定——ChatGPT 的引用与 Bing 首页约 87% 重合（实测口径，见ChatGPT 引用与 Bing 首页重合度），做好上游收录就是它的入场逻辑；有的引擎走查询扇出自行选源，引用大量溢出传统自然排名的头部；还有的引擎把宽引用窗口当产品体验来设计。各家引擎的平均引用源数本就差出一个量级（窗口口径见引用窗口数据卡），底座不同、机制不同、窗口不同，同题选源分叉是必然结果。
分裂还是动态的。头部信源格局以季度为单位变动，引擎调整一次检索策略或信源权重，重合度就可能加深或收敛——今天测到的重合率是时间断面上的快照，不是结构常数。做跨年度比较前，先确认两边的引擎版本与产品形态还可比，这正是模型版本漂移（Model Version Drift）要管的事。
对监测的含义：分列是硬要求
监测层的推论只有一句话：所有指标按引擎分列。把几个引擎的提及与引用合并成一个「AI 总量」看趋势，信号会互相稀释——某家掉了另一家涨，合并数风平浪静，决策层什么都看不见。报表要每引擎一条时间序列，跨引擎汇总只进管理层摘要且注明「合计口径会互相稀释」；合并的诱惑来自汇报压力，管理层想要一个数字，那么给一行合并数的同时保留三行分引擎行，比只给一行安全。结构化的分引擎框架已经现成：Presence 分引擎看覆盖面、Portability 识别能穿越引擎偏好的内容、Concentration 度量押注单引擎的风险，展开见Presence·Portability·Concentration 三指标框架。
对预算的含义同样直接：跨引擎复用度高的内容——教学型、解释型资产——是少数能对冲分裂格局的投入；用一个引擎上的成功经验直接指导另一个引擎，是这组数字直接否定的做法，经验搬运必须先经本地复测。次序上，既然各引擎几乎各玩各的，先攻哪个引擎就不是偏好问题而是效率问题：窗口宽的引擎席位多、入场门槛相对低，新来源与中小来源适合从它起步建立第一批被引记录，再向窄窗口引擎攻坚核心问句；全线平推看似稳妥，实际是把有限的改造预算摊薄到每条战线上。份额类指标的分引擎口径与陷阱，见AI 声量份额（AI SOV）。
两个方向的误用
误用一是过度外推：单引擎成绩当全域结论。这是汇报事故的高发形态——某引擎提及率领先就被写成「AI 可见度行业领先」，实际只是在一个引擎上领先。正确表述永远带引擎名与时间窗。
误用二是过度反应：把低重合读成「内容必须按引擎做三份」。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各引擎都有被引可能，只是命中概率与呈现位置不同。正确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。中文场景还要叠一层：引擎信源结构绑生态，分裂往往更极端，两套市场两本账，全球口径的结论不自动适用于中文引擎。
想在自己品类自证，做法与任何对比实测同构：固定一组真实业务问句，同一时间窗分引擎采样，域名归一化后统计重合，按季度复测。自证的意义不在复现外部数字，而在拿到自己品类的分裂程度——重合高于外部口径的品类可以适度合并策略，更低的要把分引擎预算切得更细。自证数据还能顺带给工具读数定标：商业监测工具各用各的题集与采样策略，拿自家同题实测当锚点，工具读数才有换算成自家口径的资格。