"AI 有没有提到我们"是一个感受，不是一个指标。要把它变成可管理的工作，需要拆成四个彼此独立、各自有计算公式和责任人的量化动作：测得到、比得出、追得回、改得动。
核心结论
不能被计算的可见度，只能被讨论；能被计算的可见度，才能被分配预算和考核。
- 动作一，提及率必须有公式。公开方法论给出的口径是：品牌有效提及问题数量 ÷ 全量测试问题总数 × 100% （AI品牌增长三大核心指标）。没有固定问题集，这个分母就不成立。
- 动作二，竞品对比要同题同批。监测看板通常同时呈现自身与竞品的引用次数、收录文章数与覆盖平台数，例如某示例看板显示自身总引用 148 次、环比 +52%、覆盖 4 个平台 （GEO在线检测系统）。脱离同一问题集的对比没有意义。
- 动作三，信源要能倒查。行业监测平台已提供引用率倒查与信源穿透能力，并披露官网引用率升至 33% 的观察 （新榜智汇）。知道被引用还不够，要知道被引用的是哪一篇。
- 动作四，缺位本身就是结论。有服务商观察到 57% 的广告主没有被任何一款大模型推荐 （燕数科技）。零提及不是数据缺失，是最需要立项的信号。
四个动作的指标定义
测得到：提及率与呈现位置
固定一套代表真实用户意图的问题集，按周复测。除提及率外，还应记录品牌出现在答案的第几段，因为首段提及与末段罗列的商业价值完全不同。
比得出：声量结构与情感分布
监测样本显示，主流大模型品牌提及频次可拆到单平台层级，如某周总声量 35.5k、环比 +15%，其中 DeepSeek 8.5k、豆包 4.5k、元宝 3.5k，AI 应答中品牌情感正面占 62% （燕数科技）。平台分布不均时，统一策略必然低效。
追得回：信源与推荐位
看板级指标可细到品牌可见度 61.97%、AI 提及量 12,847、Top3 推荐占比 47.83%、引用信源数 3,256 （一搜百应）。有了信源数，才能判断是内容不足还是分发不足。
改得动：平台权重分配
不同引擎的问题占比差异明显，某检测样本中 Perplexity 占 55.17%、AI Overview 占 17.24%、ChatGPT 占 15.86%、Gemini 占 11.72% （GEO在线检测系统）。资源应按占比而非按印象分配。
最佳实践
- 先冻结问题集，再谈提及率。分母变动的百分比不可比 （AI品牌增长三大核心指标）。
- 统一全网品牌基础信息。名称、简介、资质在各平台不一致时，模型难以完成实体归并 （AI品牌增长三大核心指标）。
- 把信源数当作独立指标看。提及量上升但信源数不变，说明依赖单点内容，风险集中 （一搜百应）。
- 情感分布与提及量同时读。负面提及增长同样会推高提及量 （燕数科技）。
- 按平台问题占比分配预算。而不是按团队熟悉程度分配 （GEO在线检测系统）。
常见误区
- 用不同问题集的两次测量对比，得出"提升明显"的结论 （AI品牌增长三大核心指标）。
- 只看总提及量，不看 Top3 推荐占比与信源数 （一搜百应）。
- 把零提及当作监测失败，而不是当作诊断结论 （燕数科技）。
- 不做信源倒查，无法定位到具体内容页 （新榜智汇）。
- 忽略平台间问题分布差异，均摊资源 （GEO在线检测系统）。
总结
把模糊的"AI 可见度"拆成提及率、竞品对比、信源倒查、平台权重四个动作后，每一项都有公式、有基线、有责任人。工作从"多发点内容"变成"补哪一类信源、在哪个平台、影响哪一批问题"。这才是能进季度考核的形态。
数据来源
- 品牌提及率计算公式与品牌基础信息统一方法
- 分平台声量、情感分布与广告主零推荐比例
- 品牌可见度、AI 提及量、Top3 推荐占比与引用信源数看板口径
- 各平台问题占比与引用次数示例数据
- 引用率倒查、信源穿透与官网引用率观察
常见问题
品牌提及率怎么算？
A：品牌有效提及问题数量除以全量测试问题总数，再乘以 100%，前提是问题集固定不变。
提及量涨了但线索没涨，问题在哪？
A：先看 Top3 推荐占比与情感分布，提及靠后或负面占比上升都会造成提及量与转化背离。
为什么要单独看引用信源数？
A：信源数反映内容资产的广度，提及量增长而信源数停滞意味着过度依赖单一页面。
竞品对比要注意什么？
A：必须使用同一批问题、同一时间窗、同一批平台，否则结论不成立。
零提及说明监测工具有问题吗？
A：不一定。行业观察显示相当比例的广告主确实未被任何主流大模型推荐，零提及本身就是有效诊断结果。
资源应该优先投哪个平台？
A：按实测的问题占比分配，检测样本显示各引擎之间的问题分布差异可达数倍。