一句话：AI 回答里的声量份额只有在这个条件下才有意义——回答中点名的每一个品牌，都在同一批问题、同一时间窗口内，用同一口径被计数。
这个指标容易算，也容易被污染。下面每一种错误产生的数字都看着合理、都朝着管理层期望的方向移动，而且光看结果发现不了。
错误一：对自家宽松、对竞品严格
常见的实现是：对自家品牌做模糊匹配，能抓到各种写法与产品线；对竞品只按一份固定名单匹配。助手点名了、但不在名单上的品牌全部掉出分母，于是你的份额上升，而实际什么都没改善。
规则是：把回答里点名的每个品牌都抽出来、全部计数，你的竞品名单只用来在报告里高亮几行。份额旁边要写明品牌总数——117 家里的 1% 和 5 家里的 1% 是完全不同的处境。
错误二：把含自己品牌名的问题算进去
你问助手「某某公司好不好」，它当然会点名那家公司。这类自指问题无法衡量品牌是否会自己浮现，却会同时抬高提及率与声量份额。
我们见过一个真实案例：报告出来的 13% 可见度，全部来自一道含品牌名的题，而真实的主动可见度是 0。要在生成时排一次、计分时再排一次，并把它们留在单独的品牌声誉视图里。
错误三：把失败的回答当成 0
模型超时或请求失败时，正反两面都没有产生证据。把那个格子算成「未提及」，会压低百分比，把一个正常的月份显示成下滑，甚至触发一次根本没发生过的下跌告警。
让未测量的格子一路以 null 传到界面、渲染成横线，并并列报告「尝试数」与「完成数」，让完成率低这件事被看见，而不是被吸收进指标里。
错误四：跨着一把换过的尺子作比较
打开联网检索、增加一个模型、扩充问题集，改变的都是测量，不是品牌。一个真实案例里，开启检索后某站点的提及率从 3% 变成 13%，而站点什么都没做。
给每一轮存下的检测打上口径版本号，并拒绝跨版本比较。如果必须换尺子，要么用新尺子重测历史，要么在图上标出断点。
另外两件值得并列报告的事
按引擎分别报告声量份额，而不是跨模型平均——模型之间的差异大到平均值描述不了任何真实处境。同时报告你的品牌出现在多少道不同的问题里，而不只报百分比：在十道题里各出现一次，比在一道题里出现十次是更强的位置。
一份最低限度诚实的报告
一份不会被误读的声量份额报告包含六样东西：问题集及其版本、引擎以及是否开启检索、尝试与完成的回答数、被点名的不同品牌总数、你在其中的份额与名次、以及日期。比这更短的，就是一个没有尺子的数字。