AI 聲量占比的計算公式是什麼？
AI 聲量占比 = 您品牌的提及次數，除以同一批回答中組合內所有品牌的提及次數。每個品牌在每則回答中最多只計一次，這樣一則把名字重複五次的回答，才不會壓過四則各提一次的回答。
公式很簡單。決定數字的是分母：哪些品牌算是「所有品牌」。有三種誠實的選擇，而聲量占比數字一定要說明用的是哪一種：
- 在追蹤的品牌中：您的提及占您和您選擇追蹤的競爭對手提及總數的比例。
- 在所有被點名的供應商中：您的提及占回答點名的所有品牌（不論是否追蹤）提及總數的比例。
- 在被點名的前 10 名供應商中：您的提及占最常被點名的十個品牌提及總數的比例，若您排名較後，再加上您自己。
品牌組合如何改變數字？
同一批回答會因組合不同而得出差異很大的占比。在公開的 Tesla 範例（2026 年 10 月 4 日）中，25 個買家問題的回答有 53 則點名 Tesla。對比最常被點名的四個競爭對手（Rivian 和 SunPower 各 13 則，Ford 10 則，Enphase Energy 9 則），就是 98 次提及中的 53 次，聲量占比 54%。
加入在 7 則回答中被點名的 General Motors，Tesla 本身毫無變化，占比卻降到 105 次中的 53 次，也就是 50%。把組合擴大到回答點名的所有品牌，占比還會再降。這些數字都沒有錯。真正誤導人的，是沒有說明組合的聲量占比。
| 品牌 | 點名它的回答 | 五個品牌中的占比 | 六個品牌中的占比 |
|---|---|---|---|
| Tesla | 53 | 54% | 50% |
| Rivian | 13 | 13% | 12% |
| SunPower | 13 | 13% | 12% |
| Ford | 10 | 10% | 10% |
| Enphase Energy | 9 | 9% | 9% |
| General Motors | 7 | 不在組合中 | 7% |
聲量占比和提及率有什麼不同？
提及率問的是您出現的頻率；聲量占比問的是品牌出現時，您在回答空間中占了多少。兩者可能朝相反方向變動。
如果有新的競爭對手開始出現在每則回答中，您的提及率可能持平，聲量占比卻下降。如果引擎開始在每則回答中點名較少的品牌，您的占比可能上升，提及率卻下降。請一起看：提及率看存在感，聲量占比看擁擠程度，引用占比則看兩者背後的來源。
AI 聲量占比可以依主題、市場或客戶意圖細分嗎？
可以，而且通常應該這麼做，因為一個品牌可能在某個主題領先，在下一個主題卻缺席。橫跨所有問題的單一占比，會把您正在失利的主題平均掉。
在 Tesla 範例中，主題差異非常明顯：在 5 則太陽能板安裝回答中，Google AI Overviews 點名 Tesla 4 次，Claude 在同樣 5 則中一次也沒有。依主題與引擎細分，就能看出占比在哪裡贏、在哪裡輸；Prompt 涵蓋率則逐題呈現相同的差異。
在 Proofsource 哪裡可以看到聲量占比？
Proofsource 在提及率旁顯示聲量占比，並標示它是哪個組合的占比：追蹤的品牌、所有被點名的供應商，或被點名的前 10 名供應商，分子與分母寫在同一行。AI Visibility 功能頁展示了這個畫面。
關於 AI 聲量占比 的常見問題
多少的 AI 聲量占比算好？
沒有通用的數字，因為這取決於您類別的回答會點名多少品牌，以及占比是以哪個組合計算。請在相同引擎、相同問題、相同組合下，和最常被點名的品牌比較，並在每次調整後觀察趨勢。
這些工具有競爭對手與聲量占比追蹤嗎？
大多數 AI 能見度工具都會在同一批回答中被點名的競爭對手旁，提供某種形式的聲量占比。請確認每個工具除以的是什麼：五個追蹤競爭對手中的占比，和所有被點名品牌中的占比，對同一批回答來說是不同的數字。
要可靠比較，需要多少 Prompt 和競爭對手？
回答數要多到讓兩個品牌之間的差距大於各自占比的不確定性，競爭對手要多到讓組合反映回答實際點名的對象。請從引擎在您的買家問題中最常點名的品牌開始，而不只是您認為的競爭對手，並讓重複執行累積樣本。
如何公平地將我的分數與競爭對手比較？
對每個品牌使用相同的問題、相同的引擎、相同的期間與相同的品牌組合，每個品牌在每則回答中只計一次，並留意信賴區間。差距小於不確定性的兩個占比，還稱不上排名。
相關詞彙
- AI 能見度
AI 能見度是指當人們詢問您的類別時，ChatGPT、Perplexity、Claude 和 Google AI Overviews 等 AI 助理點名您品牌的頻率。
- 引用占比
引用占比是指 AI 回答的所有引用中，指向特定網站的比例。
- Prompt 涵蓋率
Prompt 涵蓋率是指在您追蹤的買家問題中，AI 引擎的回答點名您品牌的比例，並依問題、主題和引擎細分。
- 查詢扇出
查詢扇出是指 AI 引擎把一個問題拆成數個相關搜尋，再根據所有結果組成回答。
實例：Tesla，公開的 AI 回答，2026 年 10 月 4 日：Proofsource 對 Tesla 的第一次掃描，25 個買家問題和 5 個品牌問題，四個引擎各回答每個問題一次。這是單一品牌的小樣本，僅作為範例，不是基準。
