研究竞争品牌在 AI 回答里的出现情况,不能靠"打开搜索引擎搜一下看看"。同一句提问在不同日期问同一个 AI,返回的竞品名单会变;同一个竞品被顺口提到一次和被作为证据链接引用一次,含义完全不是一回事。竞品监测真正要回答的问题是三个:AI 在回答某一类问题时把哪些品牌当成这个品类的默认选项;这些品牌的信息是从哪些网站被取走的;你在这些环节上分别卡在哪一层。搞清这三件事,竞品名单才有用——因为被引用的信源结构,恰恰是你自己可操作的机会点。本文给出铭赞在竞品监测上采用的采集规范、记录字段和分析表做法。
先把"和谁比"定义清楚
竞品名单不能凭感觉列,要从 AI 的实际答案里反推出来。把问题集跑一轮,把答案中出现的品牌按出现频次聚合,排在前列的往往就是真实用户在比较的那几个——而不是业务部门印象里的那几个。
反推出来的名单要分三类,因为它们在答案里扮演的角色不同:同品类直接竞品,用户在替代选择时会考虑的对象;替代方案型对象,AI 有时给出的建议是"不换品牌、换做法",这类对象出现在对比段里,本身就说明你的问题被识别出来了;用户现有品牌,即"XX 和 XX 哪个好"这类对比问题里的另一方。
还要注意一个容易出错的点:某些词在答案里是当作类目代表词而不是品牌对象出现的。比如"国产手机推荐"的答案里出现某品牌,可能是模型在举一个该品类的例子,而不是把它列入候选清单。判别方法是看这个名称旁边有没有属性描述、有没有出现在有排序的名单结构里。这个细节不区分,竞品频次统计会虚高。
采集规范:问题集复用与逐条留痕
问题集必须版本化并长期复用。这是竞品监测里最容易被破坏的一条。只有在同一套问题上做纵向对比,前后两期的数字才有可比性;中途为了"显得有新意"更换问题,趋势就断了。建议给问题集编号并保留变更记录,改题时新旧版本并行跑一轮再切换。
问题集建议分四层,每层回答不同的问题:
- 品牌无关的品类问题("XX 品类有哪些主流品牌"):测的是 AI 眼中的品类默认名单,最能反映结构性格局。
- 带品牌提示的问题("XX 品牌适合 XX 场景吗"):测的是你已进入用户认知后的表现。
- 对比问题("A 和 B 在 XX 维度上差在哪"):测的是 AI 认为你们可不可比,以及用哪些维度比。
- 场景与预算问题("预算 XX 以内、做 XX 用途的方案"):测的是 AI 在具体约束下的选型逻辑,这类问题里出现的品牌转化价值通常更高。
除问题集外,每条采集记录必须留存的内容见下表,缺一项后期就无法做归因分析:
| 记录字段 | 取值形式 | 为什么必须记 |
|---|---|---|
| 问题标识与原文 | 问题编号、原文、问题类型标签 | 逐期复用同一问题,是纵向对比的前提 |
| 平台与模式 | 引擎名称、是否联网检索、模型模式 | 不同引擎的竞品名单差异极大,混算无意义 |
| 采集时间 | 日期时间、时区 | 检索结果随时间变动,跨期数据需按时间对齐 |
| 竞品出现位置 | 正文第几段、名单第几位、是否带链接 | 决定这条记录是"被提到"还是"被当作证据" |
| 语境标签 | 正面、中性、负面对比、条件性推荐 | 决定后续是放大优势还是纠正来源 |
| 引用域名与原句 | 域名、引用句原文 | 用来反推信源结构,是竞品分析里信息密度高的一项 |
| 本品牌是否出现 | 是、否、仅出现在引用中 | 区分"被讨论"与"被引证"两种不同状态 |
采集节奏上,铭赞的做法是同一问题在同一平台于不同日期各采若干次,记录的是出现频次而不是某一次的结果。竞品监测关心的是稳定复现的规律,偶然出现一次的品牌不构成竞争关系。
三种"出现"必须分开记
AI 答案里品牌以三种不同形态出现,混在一起统计会让结论失真:
提及是正文里出现品牌名,可能只是一句列举的话,背后未必有可追溯的信源。引用是答案挂出了具体链接,并把该品牌页面作为事实依据呈现出来——这一类最有价值,说明 AI 认为这个来源可信、内容可提取。推荐位是品牌出现在带排序结构的名单里,通常伴随名次或"适合某类人"的限定。
把这三类映射成一条漏斗就清楚了:品类认知层(只是被提到)→ 事实依据层(被引为证据)→ 竞争位次层(进入排序名单)。竞品监测应当按层分别记分,一个品牌在认知层出现不代表它在竞争层有位置,反过来也一样。企业自己的得分同样按这条漏斗看,能清楚知道卡在哪一层。
还要单独标记一类情况:被提及但无来源。这类表述往往来自模型的既有印象,没有网页可以对应,也就没有可直接纠正的入口。面对它,能做的只有在公开网络上补充更具权威性、更容易被引用的信息,让有据可查的版本逐步覆盖无据的印象。这也是为什么竞品分析里"引用来源"这一列比"出现次数"更值得看。
竞品信源域名分析表:谁在给这个品类供证
竞品被引用的来源域名,往往比它的官网更有价值。官网是品牌自述,第三方页面才是 AI 判断可信度时真正采信的东西。做分析时按这几步走:
- 去重与归组。把采集到的引用域名去重,同一集团或同一平台下的多个子域合并成一个"信源集团",避免一个平台用多个域名虚增信源数量。
- 标注类型。为每个信源集团记录类型(官方站、评测榜单、社区问答、电商页面、行业媒体、企业名录、百科)、语言、是否需要付费收录。
- 计算覆盖广度。统计每个信源集团累计为多少个不同竞品提供过证据。被引用次数多、覆盖竞品数量也多的信源,才是这个品类的真正话语权中心。
- 核对我们的状态。把自家品牌放进同一张表里对比:已被收录却没被选中,还是根本没被收录,或者是收录了但属于不可采信的类型。
| 分析列 | 记录内容 | 可推导的结论 |
|---|---|---|
| 信源域名或集团 | 归组后的域名主体 | 识别信源类型与集中程度 |
| 引用次数与覆盖竞品数 | 次数 + 涉及的不同竞品个数 | 高频且覆盖广的信源是品类入口 |
| 引用句原文 | AI 引用它时说了什么 | 判断它承担的是事实还是评价角色 |
| 收录门槛与语言 | 是否付费、是否英文站、是否需企业资质 | 解释某些品牌为何天然更容易被引 |
| 我们的覆盖状态 | 已收录未被引、未收录、类型不可采信 | 直接转成可执行动作 |
从这张表能反推出四类实用机会点:
其一,竞品官网很少被引,说明这个品类的答案靠第三方供给。那动作就不该是继续给自家官网加字数,而是去第三方类型里建实体与内容——评测平台、企业名录、百科条目、垂直社区、电商页面。
其二,所有竞品都从同一份榜单被引,说明那份榜单就是品类入口。接下来要判断我们进入它的门槛是什么:是否有英文站、是否有足够评论量、品类归属是否正确、评分是否达标。门槛够得着就先做够得着的部分。
其三,竞品引用来源的语言分布偏向英文,而国内品牌集体缺席。这就是中文信源的结构性缺口,属于可以靠内容建设补上的差距。
其四,某个高频信源实际由竞品自己掌控——比如自有媒体矩阵、自有电商页、自有行业榜单。这种信源外部品牌很难进入,属于需要绕开的封闭环节,要另找同类型的替代信源。
提及语境与对比关系:竞品在答案里扮演什么角色
语境标签不能只做"好评/差评"两分。铭赞用的标签体系是:正面(推荐、优势陈述)、中性(事实罗列)、负面(缺陷、风险、投诉向表述)、对比(与另一品牌直接比较)、条件性("如果预算有限则优先考虑 XX")。
其中对比语境值得单独重视:AI 把你和另一个品牌放在同一段里做比较,本身说明它认为这两者是可替代选项,这比单纯的"被列为候选"更接近成交场景,哪怕是比较本身是中性的。
对比分析里真正有用的是对比触发维度:AI 习惯拿什么维度来比两家——价格、交付周期、功能覆盖、适用场景、服务响应、资质认证。一旦知道它固定用哪几个维度,就知道该在自己的内容里把哪几个维度写成可被直接提取的事实结论,而不是营销形容词。
纠正路径随语境而不同:正面偏差要做的是把正面事实写成结构化、可引用的结论并铺到能被采信的源头上;负面偏差要先定位来源,如果来源是能影响的第三方页面就去修正,如果来源是模型的固有印象,则需要用更权威的公开信息去覆盖;对比中的劣势项,同样靠补齐该维度的可引用事实来缓解,而不是写一篇自我辩护的文章。
反过来看竞品也有价值:如果某个竞品在多个问题上被反复用同一句负面理由提及,说明这个短板是结构性的,也说明模型已经对它形成了稳定表述。你自己的差异化叙事,就该建立在这类稳定的对比缝隙上,而不是泛泛讲自己的优势。
铭赞经验:竞品监测的产出物不应该是一张"谁排第几"的名单,而应该是三样东西——品类默认名单(AI 认为这个品类由谁代表)、信源结构表(这些答案的事实从哪来)、语境矩阵(每个品牌在什么条件下被推、被怎样评价)。第三张表决定你下一步写什么内容,第二张表决定你把内容放在哪。
下一步行动
想知道自己和竞争品牌在 AI 答案里到底差在哪一步?铭赞提供免费 GEO 基线诊断——用固定问题集在多个主流 AI 引擎上采集你与竞品的出现位置、引用域名和语境标签,输出一份带信源结构分析与差距排序的报告。电话 13991172090,或访问 xamz.cn/geo/diagnosis.html 在线申请。
铭赞网络的服务范围覆盖GEO优化、SEO、网站建设和外贸营销,服务电话 13991172090。