用「触达多少人」衡量公关效果的时代正在过去。在 AI 问答里，一次「被大模型主动推荐」对购买决策的影响，远大于一千次刷过即忘的曝光，可传统的阅读量、转发数完全捕捉不到这件事：一篇被大模型反复引用的内容，阅读量可能很低，却在成千上万次 AI 回答里影响了用户决策；反过来，一篇 10 万加的爆文，可能根本没进 AI 的语料。
要在 AIGC 时代衡量 PR，需要一套能被持续测量的新指标。本文给出四个可量化、可自动化的核心指标，以及把它们落成季度考核的具体方法。重点不是公式本身，而是怎么测才不会自欺欺人。
BMR：大模型提及率
BMR 回答最基础的问题：在用户可能提问的场景里，你的品牌有多大概率被 AI 提到。
BMR ＝ 提及品牌的回答数 ÷ 测试提问总数 × 100%
围绕「国内有哪些 GEO 监测工具」这类问题，构造 100 个不同措辞的提问，分发到各大模型，其中 32 个回答提到了你，BMR 就是 32%。它是 GEO 优化的北极星指标：优化前后各跑一轮，差值就是这次投入的直接效果。
但 BMR 有个陷阱：它对「提问怎么写」极其敏感。同一个品牌，问「推荐 GEO 工具」和问「最好的 GEO 工具是哪个」，提及率可能差一倍。所以 BMR 只有在「提问集固定」的前提下才有可比性，这也是下文「基准卷」如此重要的原因。
SOV-AI：AI 曝光占有率
BMR 告诉你「被提到多少」，SOV-AI 告诉你「在同一批回答里，你和竞品相比占了多大声量」。
SOV-AI ＝ 本品牌提及次数 ÷（本品牌 ＋ 全部竞品提及次数）× 100%
这是比 BMR 更能反映竞争格局的指标。BMR 高但 SOV-AI 低，说明 AI 在回答里「什么品牌都提」，你没形成区隔，本质上是在给整个品类做嫁衣；只有 SOV-AI 持续走高，才说明你在 AI 心智里真正挤占了竞品的位置。考核时，SOV-AI 比 BMR 更该作为对竞争对手的相对指标来看。
TAR：引用转化率
被提及不等于能带来流量。TAR 衡量「被提及的回答里，有多大比例真正附带了指向你官网或落地页的链接」。
TAR ＝ 带官网引用链接的回答数 ÷ 提及品牌的回答数 × 100%
TAR 低意味着 AI 知道你、却没把用户引到你这里。常见原因有两个：你缺少可被引用的权威落地页（AI 想给链接也无处可给），或者第三方提到你时没有回链。提升 TAR 的关键，是把「被提到」做成「被点击」，这一步直接关系到 GEO 能不能转化为真实业务。
提及排名：被提及的质量
当一个回答推荐多个品牌时，你排第一还是排第五，用户的心智权重完全不同：AI 答案里的首位推荐，往往拿走绝大部分注意力。提及排名作为 BMR 的补充维度，衡量的是「被提到的质量」而非数量。一个 BMR 中等但常年排第一的品牌，实际价值可能高于 BMR 很高却总排末位的品牌。
怎么测才可信：四条工程纪律
指标本身不难，难的是测得可信。以下四条决定了你的数据是真信号还是噪声。
- 设计「基准卷」并冻结它：围绕核心业务沉淀一套 50 到 100 条提问，覆盖不同用户视角（决策者、执行者、比价者）和不同措辞。一旦定下，就长期冻结，只在业务有重大变化时才改版。前后两期用的提问不一样，对比就没有意义。
- 控制抽样误差：大模型回答有随机性，同一个问题问两次结果可能不同。提问集太小（比如只有 10 条），BMR 的波动会盖过真实变化。50 条以上、每条多次采样取平均，才能把噪声压到可接受范围。
- 谨慎选竞品集：SOV-AI 的分母由你选的竞品决定。竞品集选窄了，SOV-AI 虚高；选进一堆不相关的大品牌，又会被稀释。竞品集应该是「用户真的会拿来和你比较」的那几家，并保持稳定。
- 留存证据：每次回答保留渲染截图。大模型回答会变，没有截图，三个月后没人能复现当时的结论。截图既是汇报依据，也是和「AI 幻觉、口说无凭」之间的护城河。
把指标接到 PR 动作上
最后一步，也是最容易被忽略的一步：把每次发稿、第三方布局的时间点，和指标曲线叠在一张图上看。哪次动作之后 SOV-AI 抬升、哪次毫无波澜，一目了然。这样 PR 的价值证明，就从「这季度发了多少稿」升级成「这季度在 AI 答案里多赢得了多少心智」，后者才是 AIGC 时代真正值钱的东西。