TL;DR / 核心要点总结
- 对标要回答的不是“有没有我”，而是“差距属于哪一类”。 只数自己被提到几次，得到的结论无法指导投入。
- 5 个竞品从三个池子里取：AI 推荐名单里实际和你一起出现的、客户拿来和你比的、过去丢单输给的。三池并集排序后再定人，不要凭印象挑。
- 提问集分三类题、分开计分：品类题测在场，场景题测可比，对比题只用来读“AI 复述了谁的哪条事实”。带品牌名的题不能计入在场率。
- 对标结果只有三个差：在场差、位次差、证据差。三者对应完全不同的投入方向，混在一起谈，最后只会得出“多写点内容”这类无效结论。
一、对标不是再测一次自己
决策人问的通常不是“我们的 AI 可见度是多少分”，而是“我们在 AI 里和 XX 比，差在哪、要不要投”。前者是自测，产出一个分数；后者要的是差距的归因和投入顺序。
多数团队卡在这一步——他们把对标当成自测的加长版，多问了几个问题，最后得到一张“我有出现 / 我没出现”的表，仍然回答不了“差在哪”。
本文只做一件事：把 AI 竞品对标做成一套可重复执行的流程，交付三样东西——一份提问集、一张记录表、一页结论。推荐机制（品类归属、可比事实、第三方共识）在《品牌如何被 AI 搜索推荐》里已经拆过，本文不重复机制，只做竞品对照这一层。
二、先选 5 个竞品：三个池子，不要凭印象
对标最常见的失败不是测错，而是选错对手：凭印象挑几家“看起来像我们”的公司，测完发现差距说不清，因为那些对手本来就不在你的赛道上。
竞品从三个池子里取：
| 池子 | 从哪里拿 | 回答什么问题 | 常见陷阱 |
|---|---|---|---|
| AI 名单池 | 你那批推荐类问题里，实际和你一起被提到的名字 | 在 AI 的名单里，你实际在跟谁争 | 只看自己有没有出现，没记同席的名字 |
| 客户口径池 | 销售对话、询盘邮件、招投标文件里客户拿来比你的公司 | 决策人脑子里的替代项是谁 | 只问市场部，不问销售与售前 |
| 丢单池 | 过去一段时间没成的单，最后给了谁（输单原因里通常有） | 商业上真正击败过你的是谁 | 觉得“那家不如我们”就直接排除 |
如果你还没有一份稳定的自测提问集，先按品牌 AI 可见度诊断里的 8 个问题跑一轮——池 1 就是从那一轮的记录里抄出来的名字。
选人规则：
- 三个池取并集，按“出现在几个池里”排序，取前 5 家；
- 至少留 1 家来自丢单池，它是有成交证据的对手，不该被印象排除；
- 三类池都没出现过的公司不占名额，哪怕它看起来最像你。
对企业的翻译：对标名单是证据问题，不是感觉问题。 三家都凑不齐时，说明你的自测清单本身还不完整，先补清单。
另外，把“为什么不选某家”写下来。半年后回看，你会需要这份假设记录——尤其是当某个被排除的名字开始频繁出现在客户对话里时。
三、对标提问集：三类题，四个固定变量
提问集不需要长，需要可归因。10–15 个题，分三类：
| 类型 | 示例句式 | 测什么 | 能否计入在场率 |
|---|---|---|---|
| A 品类题 | “做 [品类] 的公司有哪些？” | 你在不在名单里 | 能 |
| B 场景题 | “[行业 / 预算 / 场景] 的情况下，[品类] 有哪些选择？” | 进入短名单后你排在哪 | 能 |
| C 对比题 | “[竞品] 和 [你的品牌] 有什么区别？” | AI 复述了谁的哪条事实、说得准不准 | 不能，点名会强制带入 |
题目措辞优先用客户的原话，不要改写成“专业问法”——你测的是 AI 在客户真实问法下如何回答，不是在你理想问法下如何回答。
四个固定变量，缺一个结果就不可比：同一引擎、同一模型版本、同一时间窗（建议同一天跑完）、新会话（清空上下文）。
一句可以摘走的口径：不带品牌名的题测在场，带品牌名的题测事实；两类混在一起算出来的对标结论没有意义。 对比题本身的句式站内已经给过，对标要补的是“它不计入在场率”这条计分口径。
还有一句反向提醒：把“哪家最好”写进题目，看起来能得到一个直接答案，实际测的是你的期待——诱导式提问的结果不能写进结论。
四、记录表：一张矩阵，三个差
记录表的结构比字段更重要。用一张矩阵：行是题目（含引擎、版本、日期），列是 6 个品牌（你 + 5 家竞品），每个单元格记三样东西——是否出现、出现位次、AI 复述的那句事实（照抄，不要转述）。
表尾再补两列：这次回答给出的引用来源域名、模型版本与日期。自测阶段要记的字段站内已经给过；对标要在同一张表上加的是竞品列与来源列。
然后只算三个差：
| 差距类型 | 怎么算 | 典型表现 | 先补什么 |
|---|---|---|---|
| 在场差 | 你在品类题、场景题里被提到的题数，对比 5 家各自的题数 | 名单里根本没有你 | 品类定义句、可比事实句 |
| 位次差 | 双方都在场时，你的平均位次与第一位次 | 总在名单后半段 | 事实密度：数字、边界、适用条件 |
| 证据差 | AI 复述竞品时引用的来源类型（官网 / 第三方媒体 / 目录与评测站），对比你自己的 | 能把你说清楚的内容，基本都不是你说的 | 该争哪个渠道，而不是改官网 |
证据差这一栏最容易被忽略，也最值得看：站内既有分析显示，AI 引用的来源里品牌自有网站只占很小一部分（来源结构）。
所以对标时要记的不只是“我被提到了”，还有“这句话是从谁的页面抄来的”。结论落到执行时通常会回到页面类型上——产品页是 AI 引用占比最高的一类页面，改造优先级从那里排。
一句约束：不要给三个差设“行业基准线”。 公开渠道没有可信的其他品牌平均值，拿外部数字当及格线，只会把结论带偏。对标是相对比较：你与这 5 家之间。
五、结论怎么写：给决策层的一页纸
对标的产出不是一张表，是一页纸。四段就够：
- 一句结论：差距主要发生在哪一类、涉及哪几家竞品；
- 差距表：三个差各自的数字，各配 2–3 个最典型的题目，把 AI 原话抄进去；
- 投入映射：先补哪一类资产、什么时候复测同一份题目；
- 边界声明：引擎与模型版本、测试日期、样本量，以及这份结论不能用来做什么。
对照一下合格与不合格的写法：
不合格：我们在 AI 搜索里的可见度明显低于竞品，需要加大内容投入。
合格：10 个品类题与场景题里有 6 个没有提到我们；这 6 个题里，AI 复述竞品 A 的理由集中在交付周期与适用规模；本周先把这两条写成可摘走的事实句，两周后复测同一份题目。
三条不能写进结论的话：推算的市场份额、“AI 排名第一”这类对外口径、以及用一次测试判断趋势。
六、四个常见误判
- 只测“有没有我”，不测“为什么是它”。 竞品被复述的那句话，才是对标真正要读的东西。
- 把竞品被复述的句子直接抄进官网。 AI 复述的是它采信的事实，不是可抄的文案；抄了只会让两家口径趋同，你更难被区分出来。
- 一次测试就下结论。 名单会随模型版本与检索结果变；复测前先核对版本，方法见《AI 引用波动，先查模型版本再改内容》。
- 把 5 家竞品当成同一类对手。 来自 AI 名单池的对手拼的是可比事实，来自客户口径池的往往差在第三方共识，来自丢单池的常常差在渠道与交付边界——同一份结论里要分开写。
七、行动清单
今天
- 从三个池子各拉一份名单，取并集排序，定下 5 家对标对象，并写下“为什么不选某家”
- 把 10–15 个题写成三类题（品类 / 场景 / 对比），措辞用客户原话
本周
- 在同一引擎、同一版本、同一天里把题跑完，填好矩阵（出现 / 位次 / 复述事实 / 来源域名）
- 算出三个差，各挑 2–3 个最典型的题目，把 AI 原话抄进结论页
- 用 GEO 站点健康度诊断工具 检查技术通道——在场差大且爬虫访问或内容可读性不过关时，先修通道再谈内容
本月
- 按投入映射补第一类资产，两到四周后用同一份题目复测
- 把对标结果写成一页纸并附边界声明；对外只使用事实句，不使用排名类表述
- 把对标排进固定节奏（建议每 2–4 周一次，与模型换代解耦）
结语
对标的价值不是证明谁更强，而是把“我们在 AI 里表现不好”这种模糊焦虑，换成一张任务分配表：差距属于哪一类、先补哪一类资产、什么时候复测。
5 个竞品、10–15 个题、一张矩阵、三个差、一页纸——这五样东西两周内能做完，而它们决定后面几个月的投入方向。
📩 需要帮助？GEO 咨询团队可以为你做什么
如果你要的是一份能直接进决策会的对标结论：
- AI 可见度对标诊断：与你一起定 5 家对标对象与三类提问集，在多个引擎实测，交付三差差距表与一页纸结论
- 按差距补资产：可比事实句、页面结构调整、第三方渠道口径统一
- 一次深度审计：想先看清全站状况再定投入方向，GEO 审计与 AI 搜索诊断 说明了我们查什么、交付什么
本文的对标流程与三个差的口径为 GEOVA 整理；引用来源结构的判断来自站内既有分析（来源结构、产品页引用占比），这些分析本身引用了第三方实测数据并已在原文标注来源类型。本文不包含 GEOVA 自有实验数据，也不提供行业基准值。