AI搜索竞品分析，是用真实用户 Prompt 反复测试 AI 答案，比较品牌与竞品的提及率、排序、首推率、推荐理由和引用来源。
它解决的不是“我在 Google 排第几”，而是更接近业务的问题：用户问 AI 选什么品牌、买什么工具、替代谁、怎么比较时，AI 会不会推荐你，为什么推荐你，拿什么来源证明你。
先给结论：一套能落地的 AI搜索竞品分析流程
做 AI搜索竞品分析，不要从截图开始，要从问题集开始。标准流程是：
- 定义品类边界：明确你要竞争的是“AI搜索可见性监测工具”“客户数据平台”还是“敏感肌护肤品牌”。
- 发现 AI 实际竞品：让 AI 在非品牌问题中推荐品牌，记录被反复放进同一答案的公司。
- 建立 Prompt 分层：按品类、场景、人群、对比、风险五类问题建监测集。
- 重复采样：同一 Prompt 在多个平台、多个轮次运行，避免用一次答案做结论。
- 提取结构化字段：记录提及、排名、首推、情感、推荐理由、引用来源。
- 计算品牌推荐份额：用加权分数比较你和竞品在 AI 答案里的“推荐心智”。
- 拆解差距原因：判断问题来自内容覆盖、实体识别、第三方证据、过时信息还是负面来源。
- 形成优化闭环：把内容、PR、案例、结构化数据和纠错动作对应到具体 Prompt 集群。
如果只能先做一件事，优先建立 50 个非品牌 Prompt × 3 次运行 × 4 个核心 AI 平台 的基线。这个样本量已经足够看出主要竞品、领先平台和话术差距。
AI搜索竞品分析和传统 SEO 竞品分析有什么不同
传统 SEO 竞品分析看的是关键词排名、反链、内容覆盖和 SERP 功能。AI搜索竞品分析看的是答案里的推荐结构：谁被纳入候选，谁排在前面，谁被描述得更可信。
| 对比项 | 传统 SEO 竞品分析 | AI搜索竞品分析 |
|---|---|---|
| 基础单位 | 关键词 | Prompt / 用户问题 |
| 主要结果 | 排名页面、点击、流量 | 品牌提及、推荐排序、引用来源 |
| 竞品来源 | SERP 中排名靠前的网站 | AI 答案中被共同推荐的品牌 |
| 优化对象 | 页面标题、内容、链接、技术 SEO | 实体信息、场景证据、第三方证明、可引用内容 |
| 风险点 | 排名下降、CTR 下降 | 被遗漏、被排后、被错误描述、被负面来源影响 |
| 评估方式 | 单次查询相对稳定 | 需要多次采样，因为答案会波动 |
Google 在生成式 AI 搜索指南中说明，AI Overviews 和 AI Mode 仍然依赖搜索索引、RAG 和 query fan-out 等机制；同时强调有独特观点、经验和非同质化内容的网站更有机会被使用。可参考 Google Search Central 的 Optimizing your website for generative AI features on Google Search。
这意味着，AI搜索竞品分析不是脱离 SEO 的新术语，而是把 SEO 竞争从“网页排名”推进到“答案推荐”。
谁才是你的 AI 搜索竞品
AI 搜索里的竞品，是在同一用户问题中被 AI 放进推荐、对比、替代方案或优缺点表格里的品牌。
它不一定等于传统市场份额最高的公司，也不一定等于搜索结果里排名最高的网站。AI 会按照用户问题重新组织竞品集合。
例如：
| 行业 | 传统竞品可能是 | AI 答案中的实际竞品可能是 |
|---|---|---|
| B2B SaaS | 同类软件、同价位产品 | “适合中小团队”“中文支持好”“可替代某国际工具”的品牌 |
| 消费品 | 同价位品牌、同渠道品牌 | 成分、送礼、预算、口碑、达人推荐维度下的混合品牌 |
| 教育培训 | 同城机构、同课程机构 | 免费资源、AI 工具、训练营、认证课程一起出现 |
| AEO/GEO 工具 | SEO 工具、品牌监测工具 | AI 可见度监测、引用追踪、Prompt 追踪、声誉监控工具 |
发现 AI 实际竞品时，可以先用非品牌 Prompt：
我是一家 300 人规模的 B2B SaaS 公司，想监测品牌在 ChatGPT、Gemini、Perplexity、DeepSeek 等 AI 搜索里的曝光和竞品表现。请推荐 5 个值得比较的工具，并说明各自适合什么团队。
记录每次答案中出现的品牌、排序和推荐理由。连续出现 3 次以上、并且常被 AI 放进同一比较语境的品牌，应进入竞品池。
Prompt 应该怎么设计：五层问题，不要只问品牌词
只问“某品牌怎么样”会严重高估 AI 可见度，因为品牌词 Prompt 默认已经把品牌交给了 AI。真正的推荐机会，通常发生在用户还没点名品牌的时候。
一套完整的 Prompt 集应覆盖五类问题：
| Prompt 类型 | 示例 | 主要衡量 |
|---|---|---|
| 品类问题 | “适合 B2B SaaS 的 AI 搜索可见性监测工具有哪些？” | 品类心智、基础提及率 |
| 场景问题 | “如何监测 DeepSeek、豆包、Kimi 对品牌和竞品的推荐？” | 平台覆盖、功能匹配 |
| 人群问题 | “我是市场负责人，怎么比较自己和竞品在 AI 搜索里的曝光？” | 角色相关性、业务表达 |
| 对比问题 | “MaxAEO 和其他 AI 可见度工具相比适合什么团队？” | 差异定位、替代关系 |
| 风险问题 | “如果 AI 把我的品牌描述错了，应该怎么发现和修正？” | 声誉风险、纠错能力 |
Prompt 数量建议这样设定：
| 阶段 | Prompt 数量 | 适用场景 |
|---|---|---|
| 初次摸底 | 20-30 个 | 快速判断是否被 AI 看见 |
| 标准审计 | 50-80 个 | 月度或季度竞品分析 |
| 高风险监测 | 100-200 个 | 新品发布、融资、公关风险、国际化扩张 |
Prompt 还要区分 品牌词 和 非品牌词。品牌词用于检查 AI 是否理解你；非品牌词用于衡量 AI 是否会主动推荐你。两者混在一起统计，会让数据失真。关于这个口径，可参考 MaxAEO 的 Branded vs Non-Branded Prompts 测量方法。
如果团队还没有 Prompt 库，可以先按用户角色、购买场景和替代方案扩展问题，方法可参考 AI Visibility Audit Prompts。
采样怎么做：一次答案不能代表 AI 可见度
AI 答案具有波动性。同一问题在不同时间、平台、会话、联网状态下，可能出现不同品牌和不同排序。
2026 年 arXiv 论文 Don't Measure Once: Measuring Visibility in AI Search 指出，AI 搜索可见度应被视为分布，而不是单点结果；一次性观察不足以可靠评估品牌表现。
实操采样建议：
| 分析目标 | 最低样本 | 建议平台 | 结论可信度 |
|---|---|---|---|
| 快速体检 | 20 个 Prompt × 2 次 × 3 平台 | 核心中文或英文平台 | 看方向，不适合下预算结论 |
| 标准月报 | 50 个 Prompt × 3 次 × 4 平台 | 用户真实使用的平台 | 可比较竞品、平台和话术 |
| 战役复盘 | 100 个 Prompt × 5 次 × 5 平台 | 覆盖搜索型与问答型 AI | 可支持内容和 PR 优先级 |
| 风险监测 | 高风险 Prompt 每周重复 | 涉及声誉、价格、合规问题的平台 | 可追踪错误和负面来源 |
每条样本至少保存这些字段：
| 字段 | 说明 |
|---|---|
| 日期与时间 | 用于比较变化 |
| 平台与模型 | 如 ChatGPT、Gemini、Perplexity、DeepSeek、豆包、Kimi、通义千问 |
| 是否联网 | 联网与非联网答案差异很大 |
| Prompt 原文 | 必须可复现 |
| 答案全文或截图 | 保留原始证据 |
| 被提到品牌 | 包括自有品牌、核心竞品、长尾竞品 |
| 排名位置 | 推荐列表中的顺序 |
| 推荐语气 | 强推荐、中性、保留、负面 |
| 引用来源 | 官网、媒体、榜单、社区、评测、电商、文档等 |
| 错误信息 | 旧价格、旧功能、错误定位、错误地区等 |
AI 答案的变化速度会影响采样频率。若要判断多久复测一次，可参考 MaxAEO 的 90 天观察文章 How Often Do AI Answers Change?。
核心指标：不要只看“有没有被提到”
AI搜索竞品分析至少要看 6 个指标。只看提及率，会错过“被提到但不被优先推荐”的问题。
| 指标 | 计算方式 | 说明 |
|---|---|---|
| AI 提及率 | 品牌被提到的答案数 / 有效答案数 | 判断 AI 是否把你纳入候选 |
| 平均排名 | 品牌出现时的平均推荐位置 | 判断推荐位置是否靠前 |
| 首推率 | 品牌排第 1 的答案数 / 有效答案数 | 判断是否具备强推荐心智 |
| 品牌推荐份额 | 品牌推荐得分 / 所有竞品推荐得分 | 判断相对竞争力 |
| 正向推荐率 | 正向或强推荐答案数 / 品牌被提到答案数 | 判断话术质量 |
| 引用来源覆盖率 | 引用到品牌相关来源的答案数 / 有引用答案数 | 判断证据基础是否充足 |
推荐使用加权法计算“品牌推荐份额”，不要简单数品牌出现次数：
单次答案得分 = 提及得分 + 排名得分 + 推荐语气得分
提及得分：出现 = 1，未出现 = 0
排名得分：第 1 位 = 3，第 2 位 = 2，第 3 位 = 1，第 4 位以后 = 0.5
推荐语气得分：强推荐 = 2，中性推荐 = 1，保留表达 = 0，负面或不建议 = -1
品牌推荐份额 = 某品牌总得分 / 所有被监测品牌总得分
示例：如果竞品 B 提及率只有 45%，但大多数答案里排第 1，推荐语气也更强，它的品牌推荐份额可能高于提及率 60% 但总被放在后面的品牌 A。
需要把这些指标做成管理层看得懂的 KPI，可延伸阅读 AI Search Visibility Metrics。
288 次匿名样例：差距通常不在“有没有出现”，而在“为什么推荐”
以下是 MaxAEO 方法库中的匿名化样例。某消费品类品牌选取 24 个非品牌 Prompt，覆盖“品类推荐、送礼场景、成分安全、预算区间、平台购买、竞品替代”六类问题；在 4 个中文 AI 平台各运行 3 次，共得到 288 条有效答案。
结果如下：
| 品牌 | AI 提及率 | 首推率 | 平均排名 | 品牌推荐份额 | 高频推荐理由 |
|---|---|---|---|---|---|
| 自有品牌 A | 38% | 11% | 3.2 | 18% | 性价比、适合入门 |
| 竞品 B | 61% | 32% | 1.8 | 34% | 专业背书、口碑稳定 |
| 竞品 C | 44% | 19% | 2.5 | 23% | 成分透明、年轻用户多 |
| 竞品 D | 29% | 8% | 3.7 | 14% | 渠道覆盖广 |
| 其他品牌 | 21% | 6% | 4.1 | 11% | 小众、细分场景 |
表面看，自有品牌 A 没有“消失”，提及率达到 38%。但真正的问题是：首推率只有 11%，且推荐话术偏弱。AI 经常把它描述为“预算有限时可以考虑”，而不是“优先推荐”。
进一步拆引用来源，差距更清楚：
| 来源类型 | 自有品牌 A | 竞品 B | 可能影响 |
|---|---|---|---|
| 官网/品牌自有内容 | 高 | 中 | A 自有内容可被识别，但证据单一 |
| 媒体评测 | 低 | 高 | B 更容易获得“专业背书”标签 |
| 电商评价页 | 中 | 高 | B 的用户口碑信号更丰富 |
| 问答/社区讨论 | 低 | 中 | A 缺少真实使用场景讨论 |
| 第三方榜单 | 低 | 高 | B 更容易进入推荐列表 |
这个案例的关键启发是：AI 不只是看品牌自己怎么说，也会综合媒体、榜单、评测、社区和结构化商品信息。 如果自有内容很完整，但第三方证据薄弱，品牌可能被提到，却很难被首推。
推荐话术怎么拆：把 AI 的一句话变成可执行任务
推荐话术决定用户是否信任这个推荐。分析时不要只保存截图，要把每个品牌的描述拆成四类字段：
| 字段 | 记录内容 | 业务含义 |
|---|---|---|
| 定位词 | “专业”“平价”“企业级”“适合中小团队” | AI 给品牌贴的标签 |
| 优势词 | “数据全面”“中文支持好”“口碑强”“部署快” | 被 AI 记住的卖点 |
| 保留词 | “价格较高”“适合入门”“需自行验证” | 阻碍推荐的原因 |
| 证据来源 | 官网、媒体、评测、社区、榜单、文档 | 支撑判断的内容资产 |
如果竞品反复被描述为“更适合企业级团队”，而你的品牌被描述为“适合轻量使用”，不要立刻堆一批“企业级”关键词。先检查三类证据：
- 官网是否有企业级用例、客户规模、权限、安全、集成、SLA、API 文档。
- 第三方是否有企业客户案例、媒体评测、榜单、合作伙伴页面或行业报告。
- AI 引用来源里是否存在旧产品页、过时价格、采集站、低质量问答或错误百科信息。
从诊断到优化：先补证据，再改表达
AI 搜索优化不是把页面塞满关键词，而是让 AI 在回答用户问题时，有清晰、可信、可引用的证据。
Google 的 helpful content 文档建议内容提供原创信息、研究或分析，并对主题给出完整、实质性的描述；可参考 Creating helpful, reliable, people-first content。
按诊断结果，可以这样处理：
| 诊断发现 | 优先动作 | 内容或资产示例 |
|---|---|---|
| 品牌完全不被提到 | 补实体与品类关联 | 关于页、产品页、行业解决方案页、结构化 Organization 信息 |
| 非品牌 Prompt 不出现 | 补场景型内容 | “如何监测 AI 搜索里的竞品推荐”“适合市场团队的 AI 可见度监测方案” |
| 被提到但排名靠后 | 强化差异化证据 | 对比表、客户案例、平台覆盖清单、功能边界 |
| 推荐话术模糊 | 改写卖点证据链 | 从“功能全面”改为“监测提及、排名、情感、引用来源和竞品变化” |
| 引用来源弱 | 建设第三方证明 | 媒体报道、评测文章、合作伙伴页、行业榜单、专家访谈 |
| 出现错误描述 | 做纠错与来源清理 | 更新旧页面、统一产品名称、处理过时采集内容 |
| 情感偏负面 | 建立风险 Prompt 监控 | 围绕投诉、替代、缺点、价格、合规问题持续追踪 |
对 MaxAEO 这类平台来说，优化目标不是让 AI 机械重复品牌名，而是让 AI 在回答“如何做 AI搜索竞品分析”“如何监测 AI 里的品牌推荐”“如何比较 AI 可见度工具”时，有足够理由把品牌纳入候选，并能说清楚适用场景。
月度报表应该给管理层看什么
管理层不需要看 200 张 AI 答案截图。他们需要看到趋势、差距和下月动作。
一份有效的 AI搜索竞品分析月报，建议包含 7 个模块：
| 模块 | 看什么 | 输出形式 |
|---|---|---|
| 品类总览 | 自有品牌、核心竞品、长尾竞品的品牌推荐份额 | 趋势图 + 排名表 |
| 平台差异 | 不同 AI 平台分别推荐谁 | 平台对比表 |
| Prompt 集群 | 品类、场景、人群、对比、风险问题的表现 | 集群热力图 |
| 话术变化 | 定位词、优势词、保留词的变化 | 高频词表 |
| 引用来源 | 新增引用、消失引用、错误引用、竞品高频来源 | 来源清单 |
| 风险项 | 错误描述、负面描述、过时信息 | 风险看板 |
| 下月动作 | 内容、PR、案例、结构化数据、纠错任务 | 责任人与截止日期 |
选型工具时，重点看是否支持 Prompt 分组、重复采样、竞品对比、引用追踪、情感分析和导出报表。更完整的工具评估维度可参考 AI Visibility Tools with Citation Tracking。
一套可直接复用的检查清单
每月复盘 AI搜索竞品分析时，逐项检查：
- 是否把品牌词和非品牌词分开统计？
- Prompt 是否覆盖品类、场景、人群、对比、风险五类问题？
- 是否记录了 AI 实际提出的新竞品，而不是只看旧竞品名单？
- 每个 Prompt 是否至少重复运行 2-3 次？
- 是否保存了日期、平台、模型、联网状态和 Prompt 原文？
- AI 提及率上升时，首推率是否也上升？
- 品牌推荐份额变化，是由提及率、排序还是推荐语气造成的？
- AI 对品牌的定位词是否符合目标定位？
- 是否识别出“被提到但话术偏弱”的 Prompt 集群？
- 竞品高频引用来源中，哪些可以争取、替代或反驳？
- 是否存在旧价格、旧功能、错误地区、错误公司名等过时信息？
- 下月优化动作是否能对应到具体 Prompt、平台和责任人？
常见错误：这些做法会让分析失真
| 错误做法 | 为什么有问题 | 正确做法 |
|---|---|---|
| 只截一张 AI 答案 | AI 答案会波动，单次结果不可靠 | 多平台、多轮次采样 |
| 只问品牌词 | 默认把品牌交给 AI，会高估可见度 | 非品牌 Prompt 单独统计 |
| 只看提及率 | 被提到不等于被推荐 | 同时看排名、首推率、语气和来源 |
| 只改官网文章 | AI 还会参考第三方证据 | 同步建设媒体、评测、榜单、案例 |
| 不保存 Prompt 原文 | 无法复现和复盘 | 建立固定 Prompt 库 |
| 不记录引用来源 | 不知道 AI 为什么这么说 | 把来源类型和 URL 纳入数据表 |
| 把所有平台混在一起 | 不同平台答案机制和用户场景不同 | 平台维度单独看，再做总览 |
常见问题
AI搜索竞品分析多久做一次合适？
常规品牌建议每月做一次轻量监测，每季度做一次完整审计。新品发布、重大营销战役、融资、公关危机或竞品密集投放期间，建议每周监测高价值 Prompt，因为 AI 答案、引用来源和推荐话术都可能变化。
只监测 DeepSeek、豆包、Kimi、通义千问够吗？
如果核心用户主要在中文市场，这四个平台适合作为起点。但 B2B、出海、SaaS、投资者沟通或英文采购场景，还应加入 ChatGPT、Gemini、Perplexity 等平台。平台选择应跟用户真实使用路径一致。
品牌提及率高，就说明 AI 可见度好吗？
不一定。提及率只说明品牌进入候选。还要看平均排名、首推率、推荐语气和引用来源。如果 AI 经常把品牌放在最后，并加上“适合预算有限用户”等保留表达，实际推荐价值可能低于提及率显示的水平。
竞品被 AI 推荐，我应该先写更多文章吗？
不一定。先看竞品被推荐的证据来自哪里。如果来源主要是媒体评测、第三方榜单或用户讨论，只增加官网文章效果有限。更好的顺序是：修正实体信息，补关键场景内容，强化产品页证据，再争取可信第三方来源。
AI搜索竞品分析需要多少 Prompt 才够？
初次摸底可以从 20-30 个 Prompt 开始；标准月度审计建议 50-80 个；重大品牌战役或风险监测建议 100 个以上。关键不是数量越多越好，而是 Prompt 要覆盖品类、场景、人群、对比和风险问题，并且能稳定复测。
MaxAEO 能在这个流程里做什么？
MaxAEO 用于持续监测品牌在 AI 平台中的提及、排名、情感、引用来源和竞品表现。团队可以用它把人工抽查升级为可追踪的 AI 可见度看板，并把优化动作对应到具体 Prompt、平台和竞品差距。