GEO 競品分析怎麼做？評估競品在 AI 回答的能見度

GEO 競品分析要回答的問題只有一個：在 AI 生成的回答裡，使用者聽到的名單是誰，你佔了幾席。做法可以拆成五個動作：圈出競品集合、設計代表商業問題的題組、跨引擎重複取樣、計算各品牌被提及與被引用的相對份額、把落差換成內容與露出動作。它量的不是排名，是「被講到的機率」，以及這個機率在競品之間的分配。

GEO 競品分析所說的 AI 回答，涵蓋幾個正在分食查詢流量的介面：Google 搜尋結果頁上的 AI 摘要與 AI Mode、ChatGPT 與 Gemini 這類聊天助理、Perplexity 這類以引用為核心的回答引擎。介面不同，共通點是答案由模型生成，品牌以被提及、被引用的形式出現在文字裡，而不是以一條可點的結果排在第幾位。

這件事沒辦法直接套用排名追蹤的直覺。AI 助理給的是機率性的回答，同一個問題重複問，名單會換一批。Ahrefs 團隊在 2025 年 9 月的追蹤方法論文章裡把前提講得很白：ChatGPT、Gemini、Perplexity 這類助理不顯示固定的結果，它們產生的回答會隨每次執行、每個模型、每個使用者而變。所以 GEO 競品分析的量測單位是出現次數與份額，讀法接近民調：單一回答是雜訊，聚合之後的趨勢才是訊號。

站上對 GEO 的整體框架已有總論，自家網站能見度的監測流程也另行拆解過。這裡補上缺的那一塊：把鏡頭從自己轉向競品，評估對手在 AI 回答裡的能見度，並且找出差距具體長在哪裡。

先看輸出物：一份 GEO 競品分析長什麼樣

把名詞講清楚，後面的步驟才不會飄。一份完整的 GEO 競品分析由四個檔案構成。第一是題組，固定的 prompt 清單加版本號，它是量測儀器。第二是記錄表，每一輪每一題的回答逐筆登記，它是原始資料。第三是指標頁，出現率、引用率、聲量佔比三個數字，加上情緒分佈，按主題與引擎切分。第四是缺口清單，競品在而你不在的題目與主題，它是整份分析通往行動的介面。四個檔案齊了，才叫做過一次競品分析，缺了題組與紀錄，那就只是一次印象。

誰該看這份東西：內容團隊看缺口清單排題目，公關與社群看第三方露出層，產品看 AI 怎麼形容各家優劣，業務看比較題的輸贏。四個受眾對應四種行動，這也是它跟一份 AI 排名報表的差別：排名報表只有一種讀法，競品分析的輸出是給整個成長鏈用的。

重複是這份產品的關鍵成分。第一輪的數字是快照，第二輪開始有對照，第三輪之後趨勢成形。它跟民調一樣，價值在序列，單獨一輪的絕對值說不了太多話。這也決定了後面所有步驟的設計邏輯：一切服務於可重複。

先分清楚：GEO 競品分析跟 SEO 競品分析量的東西不同

傳統的競品分析圍繞排序與流量：對手排了哪些字、拿了多少造訪、內容結構長什麼樣，工具與方法相當成熟，站內以 SimilarWeb 為例的五步驟工作流程就是這個路線的完整版。GEO 競品分析把問題換掉：在同一段由 AI 生成的回答裡，哪些品牌被點名、哪些網頁被引用、每個名字被怎麼形容。點擊不是它直接量測的對象，因為 AI 回答把點擊這個動作大幅壓縮了。Pew Research Center 在 2025 年 7 月發布、以 900 名美國使用者 2025 年 3 月瀏覽紀錄為基礎的分析發現，出現 AI 摘要的搜尋裡，使用者點擊傳統結果連結的比例是 8%，沒有 AI 摘要的搜尋則是 15%，將近兩倍。點擊 AI 摘要本身那些連結的比例更低，只有 1%。當答案直接被整理好唸出來，被唸到名字的品牌拿到的是注意力，沒被唸到的品牌，連亮相的機會也沒有。

這個轉變對內容經營者的處境，GEO 研究論文講得直接：生成式引擎快速取代傳統搜尋的過程裡，網站與內容創作者是第三個利害關係人，面對黑箱且快速變動的系統，對自己的內容何時出現、怎麼呈現，控制權很低。正因為控制權低，量測才變成必要動作。GEO 競品分析本質上就是在替這個黑箱做定期體檢：你改變不了模型怎麼選，但你看得見它這個月選了誰，跟你上次看的時候差在哪裡。

量的東西不同，競品的定義也跟著變。排名頁上的對手是跟你在同一組關鍵字裡共存的品牌，AI 回答裡的對手還包括論壇討論串、百科條目、開箱影片這些平台型內容。這是很多人第一步就走偏的地方，後面圈競品集合一節會專門處理。

為什麼現在要做：問題型查詢正在被 AI 摘要接走

Pew 同一份分析量化了覆蓋面：研究的 68,879 次 Google 搜尋裡，18% 出現了 AI 摘要。以 who、what、when、why 這類疑問詞開頭的查詢，有 60% 出現 AI 摘要。十個詞以上的長查詢，比例升到 53%。這組比例出自美國樣本，繁體中文的商業問句是否落在同樣區帶，仍需用自家題組另行觀察。一到兩個詞的短查詢只有 8% 會出現摘要，長句與問句先被接走，短字詞還留在傳統結果裡。

同一份資料裡有個容易被忽略的數字：看見 AI 摘要的使用者，有 26% 在這次搜尋後直接結束瀏覽工作階段，沒有摘要的頁面是 16%。這組比例代表的是相關，出現 AI 摘要的瀏覽較常就此收尾，但不能單憑它判定使用者已被滿足。對競品分析的意義在於：當「搜尋然後點進網站」這條路變窄，能見度的主戰場就往「答案裡有沒有你」移動。問題型查詢被 AI 摘要覆蓋的比例偏高，代表「誰被講到」的分配正在成形，而且這個分配看得到、算得出來。

Pew 觀察到的 AI 摘要中位數長度是 67 個英文單字，88% 引用至少三個來源。這類生成文字構成了搜尋結果中的另一個能見度版面。位置變少、被點擊的機率變低，但被提到的份額依然存在。GEO 競品分析量的就是這份分配：你的名字在多少個該出現的回答裡出現，競品的名字又佔了多少。

動手前的三個前提認知

認知一：回答是機率性的。Ahrefs 的觀察是，跑同一個 prompt 三次，很可能看到三個不同的回答，聚合大量 prompt 之後變異才會撫平。他們給的比喻很好用：AI 追蹤該像民調，你在意的從來不是某一通電話怎麼答，是趨勢在統計上夠分的資料裡往哪個方向走。落到操作上，這代表單次回答不能當定論，結論要站在多輪、多題的聚合資料上，分析的最小單位是「一題在一輪裡的一份回答」，不是「我今天問的感覺」。單題的解析度也順便算一下：一題跑三輪，出現次數的可能值只有零到三，一共四個台階，出現零次算全缺席，出現兩次已經算常客。格子這麼粗，單題的細微變動本來就讀不出來，所以單題要併成主題群看，二十題的題組按四個主題分群，每群五題乘三輪十五格，群內的出現率就有解析度了。

認知二：沒有固定位置。AI 回答裡的品牌以提及的形式出現，順序每次不同，不是編了號的名次。Ahrefs 的表述是，提及在行文中閃現、順序多變，不存在排名追蹤那種第幾名的欄位。所以記錄方式要跟著換：從「排第幾」換成「有沒有被提及、被引用幾次、被放在哪個段落、被怎麼形容」。這四個欄位湊起來，才等於排名時代一個名次欄位的資訊量。

認知三：需求是黑箱。搜尋引擎公開關鍵字搜尋量，AI 公司把 prompt 紀錄留在自家伺服器，規模化的提問內容對外不可見。Ahrefs 的對策是把資料庫種在真實搜尋需求上：用關鍵字資料庫與「People Also Ask」的問題當種子，配上搜尋量，近似使用者在問的東西。這個思路可以整套搬到自己的題組上：繁體中文的關鍵字庫、PAA 問題、自家客服紀錄，就是你的需求種子庫，後面題組設計一節展開。種子不等於題組，中間還有翻譯的工夫：關鍵字報表給的是片段與量，題組要的是完整問句，把量大的片段逐一改寫成問句，再按主題歸堆，這份工夫沒人能替你做，因為只有你知道顧客講話的樣子。

第一步：圈出競品集合，AI 回答裡的對手跟 SERP 不一樣

第一層是直接商業競品，你平常比價、比方案、比案子的那些名字，數量依可負擔的樣本量決定，沒有硬性數字。挑法有兩個來源：業務上真正交手的對手，加上搜尋結果裡同字詞共存的品牌。

第二層是平台型內容，GEO 與 SEO 兩種競品分析在這一層分道揚鑣。Pew 觀察到 Google AI 摘要與傳統結果的共同現象：最常被引用的來源是 Wikipedia、YouTube、Reddit，三者合計佔 AI 摘要來源的 15%，在傳統結果裡也佔 17%。同一份資料裡，政府網站出現在 AI 摘要來源的比例是 6%，在傳統結果裡只有 2%。在「推薦哪家」這類回答裡，佔走版面的常常是討論串、百科條目、開箱影片，不是你的商業對手。分析時把這層分開記：輸給商業競品，跟你的類目被社群內容代言，是兩種不同的處方。

面對平台型對手的策略跟面對商業對手不同。你很難在「什麼是電子報行銷」這種定義題上跟百科條目搶版面，但你可以爭的是兩個位置：在那個主題的回答裡，被點名的商業選項有你，以及回答引用的來源頁面裡有你。前者靠內容與第三方露出，後者靠寫出值得被引用的頁面。把目標從「贏過那個條目」換成「跟它並存而且被引用」，資源才會用在構得到的地方。

第三層是新興對手：只在 AI 回答裡反覆出現、搜尋端卻默默無聞的名字，值得單獨留一欄。生成機制會穩定引用某些形態的內容，這些名字是你傳統雷達掃不到的，第一次做題組時常常是意料之外的主要收穫。名單跑兩三輪之後，把反覆出現的陌生名字升級成正式追蹤對象，這正是大範圍主題追蹤在找的未知對手。升級的門檻自己定，舉個可直接用的規則：連續兩輪、在超過三成的主題題裡出現的陌生名字，就列為觀察對象，第三輪還在，就排進正式的實體設定。門檻的用意在擋單輪的隨機閃現，機率性的回答裡，一次出現什麼也代表不了。

用工具追蹤的話，競品是以品牌實體的形式設定。Ahrefs 說明中心對 AI 聲量佔比有個直接了當的警語：它是比較指標，會因為你怎麼設定自己與競品的實體而出現很大變化。品牌名稱的寫法要在設定前固定：中英文並存的類目，先決定主追蹤哪個寫法，另一個寫法單獨測一輪看落差有多大。公司名與產品名不同的，追產品名，因為使用者問的是產品。設定固定之後，追蹤期內不要任意更換，實體設定改變會使前後數字失去直接可比性。這個工具的完整拆解，站內另有專文。

第二步：設計題組，把商業問題翻成 prompt

題組是整個分析的地基，也是「隨手問 ChatGPT 看看」跟可重複分析之間的差別。Ahrefs 把追蹤分成兩層：micro 層顧少數真正要緊的查詢，官方給的例子是品牌題（某品牌是做什麼的）、比較題（某品牌跟某品牌差在哪）、購買決策題（某類產品選哪家）。macro 層看 AI 怎麼把品牌連到主題與市場，靠大量變體鋪開，畫競爭地圖、找未知對手。一份能用的題組應該兩層兼備：關鍵題盯輸贏，主題題看份額。

題目從哪裡生：關鍵字庫裡有量的詞（選字方法站內有完整指南）、搜尋結果的 People Also Ask、Search Console 裡真正帶流量的查詢、客服與業務最常被問的問題。GEO 研究論文的做法可以借來當框架：六位作者建的 GEO-bench 用跨多個領域的大量使用者查詢當評測基準，而不是幾個手感題。你在做的其實是自家類目的小型 benchmark，題組就是你的基準。

命題的寫法有個原則：用顧客會講的完整問句，不要用關鍵字碎片。理由直接寫在 Pew 的數字裡，疑問詞開頭的查詢有 60% 會出現 AI 摘要，同時含名詞與動詞的查詢也有 36%，反觀一到兩詞的碎片只有 8%。真實使用者的提問長什麼樣，你的題組就長什麼樣，量出來的分佈才貼近你真正面對的戰場。micro 題的形態例如：品牌題「某某方案算什麼類型的工具」、比較題「某某跟某某在價格上差在哪」、購買題「小型工作室的電子報工具選哪家」。macro 題用主題乘情境的矩陣展開：同一個主題配上不同使用者身分、預算帶、使用階段，就是一組變體。具體例子：主題是電子報工具，配上個人創作者、小型工作室、電商行銷團隊三種身分，再配上免費、中價位兩種預算帶，六個組合就是六個 macro 變體，每一條都是完整的中文問句。矩陣展開的好處是題組有結構，缺口出現時直接知道缺的是哪個格子，而不是一面模糊的落後。

命題要保持中立。題目裡不放自家品牌名，除非那是品牌題本身。題目裡先塞了品牌名，等於在問卷裡引導，量出來的出現率會虛高。比較題用競品對競品的自然問法，購買題用類目詞加情境詞，讓 AI 自己決定要點誰的名，那個「自己決定」的結果才是你要的資料。

語言與地點要固定。同一個概念用英文或繁體中文命題，AI 檢索到的來源池不同，回答裡的品牌組成也會不同。服務台灣市場，題目語言就固定為顧客真正會打的繁體中文，工具端固定可設定的地點與引擎，手動執行時也維持相同條件。Ahrefs 的自訂追蹤文件把這件事寫進了計費公式：一次 check 等於一次 prompt 執行乘上一個 LLM 乘上一個地點。換地點、換引擎就等於換樣本，混在一起就失去可比性。

題組多大才夠：Ahrefs 的評估是，多數 AI 追蹤工具把額度壓在 50 到 100 個查詢，這個量不足以對整體聲量佔比說出有意義的話。題組大小決定結論的解析度：二三十題的手動題組看得出關鍵題的輸贏，要看份額得往百題以上走。手動跑不動這個量級，這正是工具存在的理由。以 Ahrefs 的額度結構算一筆帳：Lite 方案每月 150 次 check，Standard 300 次，Advanced 600 次，用「一題乘一引擎乘一地點」的公式換算，150 次 check 等於 25 題在兩個引擎跑三個地點，要鋪百題以上的 macro 層，就得靠他們資料庫既有的 350M 以上 prompt 集合，而不是自己逐題買。指標一節會回來算這筆帳的意義。

題組要版本化。第一次定稿的題組存成固定版本，之後每季檢視一次：換掉已經沒有商業意義的題，補上新的產品線與新的競品比較組合，改版就換版本號，歷史資料標註用的哪一版。題組是你的量測儀器，儀器中途改規格，讀數就斷軸，這個紀律跟實體設定固定是同一件事。

第三步：跑題組與記錄，固定的取樣協定

手動協定的要件：固定帳號狀態，登出或開全新對話可降低對話記憶的干擾，但 Ahrefs 點名 AI 會依位置、情境與先前對話的記憶調整輸出，這些條件仍應固定記錄。固定語言與地區。每題重複數次，建議至少三輪，輪次可分散到不同時間，隔幾天再補一輪更穩。逐題記錄，不靠印象。Ahrefs 新追蹤資料最多需 24 小時才會顯示於報表，這是報表處理時間，不是手動取樣間隔，手動輪次照自己的節奏分散即可。

幾個讓樣本更乾淨的細節。同一輪裡，題目的先後順序換著跑，前一題的回答內容可能影響下一題，亂序可以攤平這種對話內的污染。每份回答存檔，聊天介面的分享連結或純文字匯出留底，日後回看才知道當時 AI 到底說了什麼。記錄裡加一欄日期與模型版本，模型改版是資料的分水嶺，欄位有記，事後才分得出「我的內容變強」跟「模型換了」這兩種原因。AI 給品牌的形容句要逐字抄，那些句子是定位追蹤的原始料，改寫過就失去比對基礎。

記錄欄位的建議如下，一列一個品牌在一輪回答裡的表現：

引擎選擇上，Ahrefs 自訂追蹤目前涵蓋 Google AI Overviews、Google AI Mode、ChatGPT、Perplexity、Gemini、Copilot，Grok 因政策變動暫停收資。Semrush 補上分開看的理由：同一個品牌在不同 AI 系統的能見度可以差很大，因為每個平台的訓練資料與檢索、呈現來源的方法各自不同。用單一引擎的結果代表「AI 怎麼看你的市場」，是以偏概面的起手式。資源有限就先挑兩個：顧客實際會用的一個，加你所在產業流量最有感的一個。記錄的顆粒度跟著引擎特性調：會在回答裡掛連結的引擎，引用網域欄位要記滿。純對話形態的回答，重點放在清單順序與描述用語。同一套欄位表兩邊共用，空白就留白，硬填反而污染資料。

用二十題的小面板走一遍完整流程

以下用一個二十題的示範面板把流程走完，數字均為示意，重點在計算與判讀的形狀。題組結構：micro 十二題（品牌題四、比較題四、購買題四）加 macro 八題（四個主題各兩個變體），兩個引擎、每題三輪，共 120 份回答。

計數結果：我方在 41 份回答被提及，出現率 34%。競品 A 在 63 份，52.5%。競品 B 在 28 份，23%。論壇與百科內容在 22 份裡佔走版面，18%。同一份回答可以同時提多個品牌，所以這些百分比的分母相同、彼此不互斥，加起來超過 100% 是正常的。我方網頁被當成引用來源的有 9 份，引用率 7.5%，遠低於提及率，這個落差本身就是訊號：AI 講得出你的名字，但它的依據連到別人的頁面。

聲量佔比接著算：三個商業品牌的提及合計是 41 加 63 加 28 等於 132，我方 41 次，佔 31%，競品 A 佔 48%，競品 B 佔 21%。這就是 Semrush 那條公式在實務上的長相，分子是你的提及，分母是類別內追蹤品牌的提及合計。跟出現率並排看，資訊才完整：出現率告訴你 AI 多常講到你，聲量佔比告訴你在商業選項裡你分到幾成。

判讀三步。看分佈：競品 A 在四個主題裡有三個過半，它就是你在 AI 回答裡的頭號對手。看缺口題：把「競品出現、我方三輪全缺席」的題目挑出來，示範面板裡有三題，集中在同一個主題群，那個主題就是下一季的內容計畫。看描述：如果 AI 給競品的形容是功能齊全、給我方的是價格實惠，你被寫進的是預算欄位，不是決策欄位，這是定位問題，補內容之前要先想清楚要被歸到哪一格。

三十天後用同一套題組重跑，前後多輪對比，就是你自己的 GEO 實驗。GEO 論文的結論提醒過，優化策略的效果依領域而異，別人案例裡的幅度不能直接搬到你的類目。實驗設計很簡單：題組、引擎與實體設定保持一致，只動內容，更新前後各做多輪取樣，比較出現率、引用率與聲量佔比。變化可作為效果訊號，仍須連同模型改版與其他事件判讀，不能只靠單次前後差異確認因果。這個紀律比工具的漂亮報表更能回答「我做的內容有沒有用」。

第四步：算指標，從提及到聲量佔比

基礎計數先分清楚三個詞，Semrush 的定義可以直接借：mention 指品牌出現在 AI 生成的回答裡這件事。citation 指你的內容被當成連結來源引用。source 指 AI 為了組答案而取用的網頁或文件。被提及但沒被引用、被放進來源摺頁但沒被列出，意義各自不同。Ahrefs 還多記一層 found in：AI 檢索過但沒引用的頁面。拿得到這層資料，可以看出進了候選池卻沒被採用的內容，把它們列入檢查清單，再依商業價值與內容缺口決定優先順序。

聲量佔比（AI Share of Voice）的算式很樸素，Semrush 給的公式是：你的 AI 提及次數除以類別內全部品牌的提及合計，乘一百。品牌拿 10 次、類別合計 100 次，佔比就是 10%。這個量在文獻與工具裡也常以 Answer Share（答案市占）、AI answer share of voice 等名稱出現，但名稱相近不等於口徑相同：有的工具以題組答案數為分母，有的以品牌提及總和為分母，有的再對競品集合加權，閱讀國外研究或工具文件時先確認分母定義，才不會把近似指標混成同一條時間序列；要把這個數字納入常態追蹤，站內的AI 搜尋品牌監測指南有完整流程。兩家工具在樸素算式上各自加權：Semrush 的 Brand Performance 報表同時看提及次數與出現高度，ChatGPT 的計算還納入主題搜尋量。Ahrefs 以 impressions 為底，先把出現你品牌的 prompt 依 Google 搜尋量加總，再算你佔追蹤品牌的百分比，跨平台時以 impressions 加權平均。加權的道理不難理解：一個月搜尋量上萬的主題裡被提及，跟冷門長尾裡被提及，對注意力的意義不同，流量視角的權重讓佔比貼近真實的市場感受。平台拆分要單獨存一欄，不要只看加總。同一品牌在不同 AI 系統的能見度可能差異很大，Ahrefs 的跨平台數字是流量加權後的單一值，拆分與加總兩種讀法各有用處：加權值適合放月報開頭當開場數字，拆分值適合找行動點，因為你輸的那個平台常常藏著最便宜的改善空間，而加總會把它淹掉。

競品分析讀的是同一張表裡的相對值。百分比本身會隨題組與實體設定浮動，Ahrefs 對自家指標的警語同樣適用於所有工具：設定改了，序列就斷。有意義的讀法是差距的分布與變化：哪幾個主題你長期落後、哪個對手的份額這季在爬、你的引用率與提及率的缺口有沒有收斂。絕對數字拿去跟別家工具的絕對數字比，比的是兩套樣本，不是兩個品牌。

情緒是第三個軸。被提及的份額高但形容偏負面，是警訊不是戰果，處方往公關與產品溝通走，不在內容。Semrush 把這個視角做成了正式報表，從正面與負面驅動因素去拆 AI 對品牌的觀感來源。手動題組對應的做法就是描述用語欄位，把形容句按正面、中性、負面歸檔，每輪點一次分佈的變化。

第五步：把缺口換成動作，三種處方

處方一：內容缺口。Semrush 的 Competitor Research 報表有個 Missing 視角，列的是 AI 提及競品但沒提及你的 prompt，這就是題庫級的缺口清單。手動版的對應動作一樣：把記錄表裡競品在、我方缺席的題目按主題分組，每群對應一篇該補或該改寫的內容。從缺口群寫內容 brief 時，把那群題目原句附上去，那串問句就是內容要替 AI 回答好的問題清單，寫完之後拿同樣的問句回測，形成小迴圈。這條路值不值得走，GEO 論文提供了測試方向：作者在 GEO-bench 上觀察到最高 40% 的能見度提升，同時指出策略效果依領域而異，不能保證你的類目得到相同結果。內容形態怎麼選，站內對AI 偏好的內容格式另有整理。

缺口清單排出來之後要排優先順序，兩個篩選軸：商業價值，這個主題離購買決策多近。可得性，你現有的內容離被引用差多遠。高價值又高可得性的主題先做，高價值但低可得性的排中期，例如需要先累積第三方背書的主題。低價值的主題就算缺口再明顯，做了也只是帳面好看。

處方二：第三方露出缺口。同樣的 Missing 邏輯換到來源側，Semrush 的 Sources 分頁列的是 AI 用來認識你類目的網域裡，提了競品沒提你的那些。Pew 的資料側證了這層的分量：Wikipedia、YouTube、Reddit 是 AI 摘要最常引用的三個來源。處方是露出經營：該補的商家條目、該經營的討論串、該投稿的媒體、該回的評論。這是公關與社群的活，把它排給對的團隊，站內內容解決不了這一層。

處方三：技術可及性。AI 引用你的前提是它的檢索層拿得到你。這層的檢查不走題組，走日誌：伺服器紀錄裡看 AI 爬蟲有沒有來、抓了什麼、有沒有被 robots 規則擋下，站內有完整的日誌分析方法。題組測的是有沒有被講到，日誌測的是有沒有被讀到，兩項檢查過關，才算真的在場。自站可取得的第一方資料可當旁證，站內對Search Console 的 AI 成效報表有完整拆解，不把它與題組數字混成同一指標。

三種預算的三種配置

零預算的純手動版：二十題、兩個引擎、三輪作為手動起點，依團隊可用時間分批完成，產出是關鍵題輸贏與缺口主題清單。這個配置的極限在樣本量，份額級的結論不要硬下，報告裡明寫資料範圍，讀的人自然知道怎麼用它。

小額工具版：以 Ahrefs 的例子換算，Lite 方案每月 150 次 check，可以養 25 題在兩個引擎、三個地點的月追蹤，Standard 的 300 次與 Advanced 的 600 次等比放大題組或引擎。這個配置把 micro 層自動化，數字有時間軸，模型改版的事件也接得上。要注意的是 check 的乘法結構，加一個地點或一個引擎，消耗就乘上去，題組設計時先想清楚錢要花在哪個維度。

混合版：macro 層交給工具的既有資料庫，Ahrefs 的 prompt 集合在 3.5 億這個量級，主題級的份額從那裡讀。micro 層的關鍵題每月手動複查一輪，用人工的眼睛核對工具的自動判定。這樣配置的邏輯是：花錢買廣度，花時間買關鍵深度的準確。工具數字的解讀踩不準時，手動那輪就是校正器。選配置之前先回答一個問題：你要的是關鍵題的輸贏，還是市場份額的走向。答案常常是先要前者，做出信心與字彙之後，份額的需求自己會長出來，那時候再升級配置，錢花在已經想清楚的刀口上。

五個常見誤讀

這一節列出五種與前述量測前提相衝突的讀法，可作為月報完成後的檢查表。月報寫完自己掃一遍，中一條就回頭修對應的段落。

• 把單次回答當定論。同一題問三次拿到三個名單是常態，結論要站在多輪、多題的聚合上。
• 跨工具比數字。各家的題組、取樣地點、實體設定、加權方式各自不同，兩家工具的佔比放進同一張表，比的是兩套樣本。趨勢各自跟自己比。
• 實體設定中途飄移。改了品牌的寫法或增刪競品，前後份額就斷了序列，等於重測一次。
• 把提及當推薦。被點名但被放在缺點段落，計數上是提及，意義上是負債，情緒欄位要一起讀。
• 小樣本下大結論。二十題的題組回答得了關鍵題的輸贏，回答不了市場份額，硬講就是超出資料的推論。

把它變成週期，而不是一次性專案

題組固定、週期固定，比單次結果關鍵得多。Ahrefs 自訂追蹤讓你選每日、每週或每月更新，手動題組對應的節奏建議是每月一輪，模型有大改版時加跑一輪，理由在前提認知就出現過：連同一助理的內部版本對同一 prompt 就是會給不同回答，模型換版等於重新洗牌。把每輪結果記在同一張表的時間軸上，方向的說服力大於絕對值。對內的溝通也定個格式：每月一頁，三個數字、缺口清單前十名、跟上月的差異，一頁講完。細節留在記錄表裡等人問，摘要頁照顧的是決策者的注意力。

除了固定週期，三個事件觸發加跑：模型大改版、競品有大動作（改名、併購、大改產品線）、自己內容上了重大更新。加跑的目的在歸因，事件前後各做多輪取樣，變化可作為訊號，仍須連同其他事件判讀，不能只靠單次前後差異確認因果。平常月的輪次當基線，基線越長，事件造成的跳動越看得清楚。

跟既有流程的接點：SEO 端的競品流量分析照舊跑，GEO 端的份額追蹤疊上去，兩邊看的是不同戰場，不必互相取代。自站監測與競品分析共用同一套題組最省工，一魚兩吃。工具怎麼挑，站內有工具分層評比。llms.txt 這類新興規格的爭議與局限，站內也梳理過。

今天就能開始的最小版本

• 列出最關鍵的直接競品，再加入平台型內容源，名單固定下來。
• 從關鍵字庫與客服問題挑二十個關鍵題，全部用繁體中文的完整問句命題，micro 題與 macro 題各半。
• 在兩個引擎各跑三輪，登出狀態、固定語言與地區、輪內亂序，逐題記進欄位表。
• 算每個品牌的出現率、引用率與聲量佔比，標出你三輪全缺席的題目。
• 挑三個缺口主題排進內容計畫，三十天後用同一套題組重跑，前後各做多輪取樣再比較。

這個最小版本的用意在建立儀器，不在數字本身。第一輪的結果無論好看難看，價值都有限，它的真正作用是當基線。第二輪跑完，你開始有對照，第三十天的重跑會顯示那些缺口的變化訊號，效果仍要連同多輪取樣判讀。從零到有儀器，可以用二十題、兩個引擎、三輪當手動起點，依團隊可用時間分批完成，這是 GEO 競品分析對大多數團隊最實際的起點。

GEO 競品分析不會給你一個每天看的名次。它給的是分配：在 AI 替使用者整理的名單裡，你有沒有被唸到、被怎麼形容、落後給誰。題組固定、輪次拉開、聚合解讀，這三個紀律守住，雜訊會沉下去，格局會浮上來，下一步該補什麼也會自己跳出來。競品在 AI 回答裡的能見度不是你輸了就固定的數字，模型、內容、第三方露出三個變因每個月都在動，持續追蹤能看見分配是否移動，但不能只憑投入頻率推定份額會上升。

競品題組跑出結果後，還可以把觀察升級成兩種訊號：品牌提及與引用連結。提及與引用的衡量與經營說明兩者的定義差異、研究數據與可以分頭經營的方向，正好接在競品分析的儀器之後。