你的網站排在 Google 第一頁，SEO 報表很漂亮。但你打開 ChatGPT 問「推薦幾個我們這個品類的品牌」，AI 流暢地列出三個名字，沒有一個是你。排名第一，卻在 AI 的答案裡不存在——這個落差，傳統指標完全照不到。照得到它的，是模型聲量。
目次
- 模型聲量是什麼？定義與計算公式
- 它跟你熟悉的「網路聲量」是什麼關係
- 模型聲量 vs 網路聲量 vs LLM SOV：一張表看懂差別
- 為什麼是「唯一」的北極星
- 模型聲量怎麼算（五步驟）
- 它真的可量化嗎？面對最尖銳的批評
- 三個常見誤區
- 模型聲量 vs AI 認知經營：別搞混層級
- 常見問題 FAQ
模型聲量是什麼？定義與計算公式
模型聲量（Share of Model）：在你所屬品類的一組問題裡，AI 生成的答案提及你的品牌的頻率，乘上提及時的正面程度，相對於所有競爭對手的佔比。
它衡量兩件事：你被提到的頻率（AI 多常講到你），以及你被提到的方式（把你放在「首選推薦」還是「便宜但功能有限」）。一個只算頻率、不看語氣的數字會騙你——被提到十次但十次都是負評，那是危機。
具體例子：你的品類問題裡，AI 一共提到所有品牌 100 次，提到你 30 次，你的模型聲量約 30%。也就是 AI 每講十次這個品類，有三次講到你。
它跟你熟悉的「網路聲量」是什麼關係
如果你做過行銷，「聲量」不陌生。聲量佔有率（Share of Voice，SOV）衡量你在整個品類討論中佔的比例。模型聲量是同一個概念換了戰場：把「人類在網路上怎麼談你」換成「AI 在答案裡怎麼談你」。
這個延續性很重要，因為行銷圈有一條被反覆驗證的老規律：聲量佔有率長期高於市場佔有率的品牌會成長，反之萎縮（Les Binet 與 Peter Field 的 ESOV 研究）。這條規律在 AI 搜尋時代同樣成立——當 AI 持續、優先地推薦你，它在替你對每個潛在客戶做複利式背書。
模型聲量 vs 網路聲量 vs LLM SOV：一張表看懂差別
你可能已經看過輿情工具在講「LLM SOV／大語言模型聲量」。它們跟模型聲量指的是同一個現象，但定位不同，這張表幫你分清楚：
| 維度 | 網路聲量（社群 SOV） | LLM SOV（工具廠商指標） | 模型聲量（本站定義） |
|---|---|---|---|
| 測量場域 | 社群、論壇、新聞的人類討論 | AI 對話中的提及 | AI 對話中的提及 |
| 在產品裡的角色 | 社群聆聽的核心數字 | 社群聆聽工具新增的一個分數 | 一套經營紀律的北極星指標 |
| 問題集怎麼來 | 平台抓取 | 多半未公開（黑盒子） | 錨定真實搜尋需求、且公開凍結 |
| 重點 | 量 | 量＋排名＋命中率 | 頻率 × 語氣，且方法可被檢驗 |
| 適合回答的問題 | 大家在不在聊我 | 我在 AI 被提到幾次 | 我在 AI 心中的份額是升是降、為什麼 |
差別的核心：工具廠商的 LLM SOV 是社群聆聽產品裡多出來的一個分數，算法與問題集通常不公開。模型聲量在這裡多要求兩件事——錨定真實需求、且方法透明可檢驗。一個你看不到怎麼算的分數，沒辦法支撐長期決策。
為什麼是「唯一」的北極星
過去行銷的北極星是流量與排名，但零點擊讓這兩個失準：使用者看完 AI 答案就走，流量看不到這次曝光；你排 Google 第一，AI 卻沒引用你——排名漂亮，模型聲量是零。當購買決策越來越多在「問 AI、看答案」這一步就完成，真正決定你有沒有被納入考慮的，是 AI 答案裡有沒有你。模型聲量量的就是這件事，其他指標都是它的註腳。
模型聲量怎麼算（五步驟）
- 定義一組品類問題（prompt 集）：用真實會被問的問題，例如「最好的 CRM 推薦」「中小企業適合的 CRM」。
- 固定條件丟給各 AI：ChatGPT、Perplexity、Gemini，記錄每個答案提到哪些品牌。
- 算頻率佔比：你被提及數 ÷ 所有品牌被提及總數。
- 加權語氣：每次提及標記正面／中性／負面，得到反映「質」的模型聲量。
- 分平台、分問題看：整體數字會掩蓋差異，拆開才知道往哪施力。
它真的可量化嗎？面對最尖銳的批評
我把這領域最尖銳的質疑端上桌：有一派觀點認為，AI 能見度／模型聲量還稱不上客觀指標，致命傷是「提示詞依賴性」——問法一改結果天差地遠，不同工具的 47% 和 70% 無法互比。這個批評是對的。
但「目前做法不嚴謹」不等於「這件事不能量」。解法是把方法鎖死：問題集凍結並錨定真實需求、條件固定、重複測看趨勢。在這套紀律下，絕對值或許不能跨工具比較，但「你自己這條趨勢線是升是降」可信，而那是策略上唯一重要的事。（方法論細節見第 5 篇。）
三個常見誤區
誤區一：只看量、不看語氣。 被瘋狂提及但全是負評，是品牌危機不是聲量。
誤區二：迷信工具給的單一分數。 不知道問題集怎麼建、條件有沒有固定的分數，當決策依據很危險。
誤區三：拿不同工具的絕對值互比。 問題集與算法不同，跨工具比絕對值沒有意義；只比你自己的趨勢。
模型聲量 vs AI 認知經營：別搞混層級
模型聲量是指標，AI 認知經營是經營這件事的整套學問。
模型聲量是 AI 認知經營的北極星，告訴你站在哪、是進步還是退步；AI 認知經營是看著這個指標持續診斷與調整的整個迴路。只盯指標不經營，你會有一個漂亮儀表板和一台不會動的車。下一篇就看這台車怎麼開：為什麼 GEO 必須用閉迴路的方式做。
—— Vanessa ｜ GEO is cool
常見問題 FAQ
Q：模型聲量和 LLM SOV、AI 聲量佔比是同一個東西嗎？ 指的是同一個現象。差別在定位：模型聲量強調「頻率 × 語氣」、錨定真實需求、且方法公開可檢驗，而非工具裡一個黑盒子分數。
Q：模型聲量可以跨工具比較嗎？ 絕對值不行，問題集與算法不同。可信的是同一套方法、固定條件下自己趨勢線的變化。
Q：我要怎麼開始量？ 定義一組真實品類問題，固定競品與條件，定期丟給主要 AI、記錄提及與語氣，看趨勢。方法嚴謹度比工具更重要。
Q：模型聲量高就一定帶來銷售嗎？ 它是領先指標而非保證，與品牌考慮度和成長相關，仍需搭配整體轉換流程。
