在传统搜索时代,竞品分析看排名:谁的页面在前面,谁拿走了点击。在AI搜索时代,竞品分析的标的变了——看的是”答案份额”(Answer Share):当用户问品类问题时,AI推荐了谁、怎么描述谁、引用了谁的信源。这是一个赢家通吃的战场:AI答案的推荐位通常只有三到五个,竞品占住一个位置,你就少一个位置。更关键的是,AI对竞品的描述方式——”行业领先者””性价比之选””新锐品牌”——正在成为用户心智的默认设定。本文给出一套完整的竞品AI可见性分析方法论:如何系统化地测量、拆解并超越竞品的AI答案表现。
一、答案份额:GEO时代的核心竞争指标
先定义清楚我们在争夺什么。对任何一个品类问题,AI的答案可以拆解为四个可量化的维度:
| 维度 | 定义 | 测量方法 | 竞争含义 |
|---|---|---|---|
| 出现份额 | 品类Prompt中品牌被提及的比例 | Prompt库扫描统计 | 是否进入候选池 |
| 位次份额 | 出现时的平均推荐位次 | 答案结构化解析 | 候选池内的优先级 |
| 描述份额 | AI对品牌的描述字数与详细度占比 | 答案文本切分 | 心智占位的深度 |
| 信源份额 | 答案引用链接中品牌域名的占比 | 引用列表抓取 | 信任背书的强度 |
四个维度的诊断价值各不相同:出现份额低说明信源覆盖不足;出现但位次靠后说明信任度不够;位次好但描述单薄说明内容深度不足;描述详细但信源引用少说明可验证性弱。竞品分析的第一步,是找出自己和竞品分别卡在哪个维度。
二、竞品扫描体系:从Prompt库到对比矩阵
2.1 构建品类Prompt库
竞品分析的题库与自有监测库同源但视角不同,需要覆盖四类问题:
- 品类推荐类:”武汉{品类}公司推荐””国内{品类}哪个牌子好”——测出现份额与位次。
- 竞品对比类:”A公司和B公司哪个好””A和B的区别”——测AI对竞争格局的默认叙事。
- 竞品验证类:”A公司靠谱吗””A公司有什么负面”——测竞品的信任软肋。
- 场景细分类:”{具体场景}用什么{品类}”——测细分场景的占位空白。
题库规模建议:核心竞品3-5家,Prompt库60-120条,每月全量跑一轮,重点品类每周一轮。武汉某激光设备企业用80条Prompt库追踪四家竞品,两个月内发现了竞品在”小型加工厂适用设备”细分场景的全部缺位——这个空白场景随后成为其GEO内容的主攻方向,六周内拿下该场景85%的出现率。
2.2 自动化对比矩阵
# 竞品扫描输出的对比矩阵结构(示意)
prompt_id | engine | 我方 | 竞品A | 竞品B | 竞品C
P-001 | deepseek | 出现/位次2 | 出现/位次1 | 缺席 | 出现/位次3
P-001 | doubao | 缺席 | 出现/位次1 | 出现/位次2 | 缺席
P-002 | deepseek | 出现/位次1 | 出现/位次3 | 缺席 | 缺席
...
# 聚合输出:
# 1. 各品牌出现率(分引擎、分问题类型)
# 2. 平均推荐位次
# 3. 描述词云对比(AI用什么形容词说各家)
# 4. 信源域名分布(AI从哪些站点认识各家)
三、拆解竞品的信源结构:它凭什么被推荐
知道竞品出现率比你高只是表象,价值在于拆解”它凭什么”。方法是对竞品做信源考古:
- 引用反查:收集AI推荐竞品时引用的所有链接,按域名归类。如果发现竞品被引用最多的信源是某行业垂直媒体,那个媒体就是你的攻略目标。
- 内容审计:找出竞品官网被引用率最高的页面(通常是选型指南、参数对比、FAQ页),分析其结构与深度,判断是模仿还是超越。
- 百科与目录占位:检查竞品在百科、行业目录、榜单中的收录情况——这些高权威信源的占位往往是长期投入的结果,也是追赶周期最长的部分。
- UGC密度对比:在知乎、小红书、什么值得买搜索品类问题,统计竞品相关内容的数量与质量分布。
| 信源层 | 审计内容 | 追赶难度 | 典型追赶周期 |
|---|---|---|---|
| 自有阵地 | 官网页面结构、Schema、内容深度 | 低 | 4-8周 |
| UGC生态 | 知乎/小红书/测评站内容密度 | 中 | 2-4个月 |
| 垂直媒体 | 行业媒体报道与专栏 | 中 | 3-6个月 |
| 权威目录 | 百科、榜单、协会名录 | 高 | 6-12个月 |
| 预训练印象 | 模型记忆中的品牌定位 | 极高 | 1年以上(持续压制) |
四、竞品描述分析:AI给竞品贴了什么标签
AI对竞品的描述用语是宝贵的竞争情报。系统化收集后做标签聚类,通常能发现三类信息:
- 竞品的默认心智位:如果AI反复用”性价比””老牌””专注XX领域”描述某竞品,说明这个定位已被信源生态固化。正面强攻这个定位成本极高,应该寻找相邻定位。
- 竞品的描述软肋:AI提到竞品时附加的保留意见(”但售后服务评价不一””主要面向大型客户”)就是你的差异化切口。
- 品类的叙事框架:AI组织品类答案的默认逻辑(按规模排?按场景排?按价格带排?)决定了你应该往哪个维度注入自己的优势。
竞品分析的终极目标不是”复制竞品”,而是找到”AI叙事的空位”。当所有竞品都被AI描述为”规模大、价格高”时,”灵活定制的中型专家”就是无人占领的黄金定位——谁先把这个定位写进信源生态,谁就拥有它。
五、超越策略:三种竞争打法
5.1 正面超越(品类领导者缺位时)
当品类的AI推荐位没有绝对主导者(各品牌出现率都在30-50%区间),直接对标出现率最高的竞品,在其核心信源层逐层建设并加码:它有选型指南,你做更深的选型指南;它上了三个目录,你上八个。窗口期打法,适合品类GEO整体不成熟的市场。
5.2 侧翼包抄(领导者稳固时)
竞品在通用问题上占位稳固时,转向细分场景:区域细分(”湖北省内的{品类}服务”)、场景细分(”{特殊工况}下的{品类}”)、人群细分(”初创公司适用的{品类}”)。细分问题的信源竞争密度低,快速占位后,细分场景的高出现率会逐步向通用问题渗透——AI对”该品牌在XX场景很专业”的认知会泛化为整体权威度。
5.3 借力打力(利用竞品对比流量)
用户问”A和B哪个好”时,AI需要对比类信源。主动建设客观的对比内容(自家产品vs行业主流方案的参数对照,口径中立、数据可验证),让AI在对比场景中有据可引。关键纪律:只陈述可验证事实,不贬损竞品——AI对倾向性明显的对比内容会降低信任评分,弄巧成拙。
| 打法 | 适用局面 | 资源需求 | 见效周期 | 风险 |
|---|---|---|---|---|
| 正面超越 | 品类无主导者 | 高 | 3-6个月 | 消耗战 |
| 侧翼包抄 | 领导者稳固 | 中 | 2-4个月 | 细分市场天花板 |
| 借力打力 | 对比类问题流量大 | 低 | 1-3个月 | 内容口径失控反噬 |
六、竞品监测的运营机制
竞品分析不是一次性报告,而是持续运营。建议的机制:月度竞品对比矩阵(自动扫描+人工复核描述标签)、季度信源结构复盘(竞品新增了什么信源、哪些页面开始被引用)、事件驱动的即时扫描(竞品融资、发新品、上榜单后一周内重扫,观察AI叙事的响应)。上海某B2B企业把竞品扫描接入了自己的GEO看板,实现”竞品动作→AI叙事变化→我方应对”的两周响应循环,一年内品类出现率从第二升至第一。
七、分析中的常见误区
- 误区一:只比出现率,不比描述质量。被提到但描述平庸甚至带保留意见,不如不被提到——负向描述会直接劝退用户。
- 误区二:用自家品牌词测竞品。”A公司和B公司哪个好”的答案与”A公司怎么样”的答案逻辑完全不同,题库必须分开统计。
- 误区三:忽略引擎差异。竞品在DeepSeek强不代表在豆包强,分引擎对比才能找到真正的突破口。
- 误区四:单次扫描定结论。AI答案有随机性,竞品对比必须基于多次扫描的统计结果。
八、竞品分析的报告模板与汇报节奏
竞品分析的价值最终要通过决策落地,报告结构直接影响决策效率。推荐的月度竞品报告框架:
# 月度竞品AI可见性报告结构
1. 执行摘要(半页)
- 本月我方 vs 竞品出现率变化(一句话+趋势箭头)
- 需要管理层决策的事项(最多3条)
2. 份额矩阵(一页)
- 四维份额表 × 分引擎热力图
3. 竞品动作观察(一页)
- 竞品新增信源/内容/媒体动作清单
- AI叙事的相应变化
4. 机会与威胁(一页)
- 本月发现的场景空白(可抢占)
- 竞品逼近的信号(需防守)
5. 下月行动建议(半页)
- 每条建议对应预算与预期指标变化
| 报告层级 | 频率 | 核心读者 | 重点内容 |
|---|---|---|---|
| 扫描快报 | 每周 | GEO执行团队 | 份额矩阵变化、异常告警 |
| 月度竞品报告 | 每月 | 市场负责人 | 五节完整框架 |
| 季度竞争格局复盘 | 每季度 | 管理层 | 叙事定位变迁、打法调整、预算再分配 |
| 竞品信号 | 解读 | 应对时效 |
|---|---|---|
| 竞品出现率月升超10pp | 对方启动了系统性GEO投入 | 两周内完成信源考古 |
| 竞品新上行业榜单 | 权威信源占位,影响将扩散 | 评估同类榜单申报 |
| AI对竞品描述出现新标签 | 对方定位叙事开始固化 | 一月内确定差异化应对 |
| 我方描述中出现新保留意见 | 负面信源正在发酵 | 48小时启动溯源治理 |
常见问题
Q1:竞品监测会不会被反监测?我们的动作会暴露吗?
Prompt扫描通过各引擎的正常接口进行,与真实用户提问无法区分,不存在暴露问题。反过来说,你无法阻止竞品监测你——唯一防御是让自己的信源结构足够扎实,经得起任何角度的对比。
Q2:发现竞品买通了垂直媒体发软文,我们要跟吗?
先验证”买通”是否真实转化为AI引用——很多软文因为质量低根本不被引擎采信,竞品可能白花钱。若确实形成引用优势,应对方式是在同一媒体建立更高质量的内容合作,或攻略其他媒体形成信源对冲,而不是复制低质软文。
Q3:小预算怎么做竞品分析?
最小可行方案:20条核心品类Prompt、两家主要竞品、每月人工在两个主力引擎上扫描一次,用表格记录出现与位次。成本是每月半天人工,但足以支撑”我在品类中处于什么位置”的基本判断,并发现最明显的场景空白。
Q4:AI推荐结果千人千面,竞品对比数据的可信度如何保证?
确实存在会话级波动,应对方法是标准化测试条件(固定引擎入口、无个性化登录态、每条Prompt多次取样)+ 统计化解读(看比例与趋势,不看单次结果)。竞品对比的意义在于相对位置的稳定性,而非绝对数值的精确性。
Q5:见山GEO的竞品分析服务如何交付?
见山GEO的竞品分析方案(/solutions/)交付三层产出:品类Prompt库与竞品对比矩阵(含分引擎出现率、位次、描述标签)、竞品信源结构考古报告(可追赶的信源清单与周期评估)、以及基于三种打法的超越策略建议。可与推山模块的持续监测打包,形成月度竞争情报循环。咨询 13632957375,或访问 /services/tuishan 了解详情。