同一品牌 五个AI，五种说法

同样是问“人工智能如何改变未来十年的就业市场结构”，百度AI堆了42处数据引用但部分缺来源，微博智搜引用了MIT和斯坦福的研究，抖音AI提到了更具体的落地场景但并没标注数据来源。

最终，36氪得出的结论是：完全相同的问题，在不同平台，很大概率会得到差异明显的回答。

这里划重点：不是排名靠后，是彻底隐形，从未出现！

更离谱的是，出现在推荐中的品牌，不同AI给出的描述时常会出现三套完全不同的“人设”，其中，同庆楼就是一个典型案例。

这家始创于1925年的中华老字号餐饮企业，在做了系统化GEO优化后，DeepSeek上的可见占比达到56.63%，豆包上是40%。可虽然两个平台都推荐了它，但推荐逻辑却完全不同。

DeepSeek引用的是它徽菜代表的历史文化属性；豆包引用的更多是用户评价和消费场景。

也就是说，同一个品牌，不同AI从不同的方向理解你，推荐给用户的“品牌人设”就不一样。

可相比之下，还存在一种更极端、更可怕的情况，那就是你被推荐了，但被推荐成了另一个品牌。而这种情况在当下反而是一种“可怕的常态”

根据掘金的监测数据发现：在被AI提及的品牌中，34%的描述与品牌实际定位存在偏差。最典型的错位是：定位中大型企业的品牌被AI归类为“适合中小企业的入门方案”，两年前已停更的功能仍被当作“核心优势”引用。

推荐了你，但推荐的是两年前的你、错位的你，这或许比不被推荐更可怕。

同一个品牌，五个AI，五个完全不同的“你”，这已然不是选哪个AI的问题，而是你的品牌在AI世界有没有“统一身份”的问题。

超过60%的企业在AI核心决策场景中处于“查无此人”的状态；34%的品牌被错误描述；最终，能稳定、准确、正向出现在AI答案中的品牌不足6%。

6%？多么悲哀的数字，因为这说明有百分94%的企业甚至连及格都没达到。

可这还没有结束，我们继续来看掘金的下一组数据：71.4%的AI推荐位被同行业前3名品牌瓜分；第4名到第10名的合计可见度仅为第1名的12.3%。

也就是说，超过一半的品牌，五个AI里一个都没推荐你。

再看看全球范围的数据。Trakkr.ai的模型分歧报告分析了超过92万条跨8个AI模型的品牌推荐对比，发现AI模型在品牌推荐上的一致率只有43.9%。完全一致率，也就是8个模型都推荐同一个品牌的比例只有4.2%。结果很明显，超过95%的情况下，AI们对“谁是最好的”这个问题是互相矛盾的。

Cited平台追踪了202个品牌，发现同一个品牌在Claude上的得分和Perplexity上的得分差距可以高达85分。

AuthorityTech的跨引擎审计发现，主流AI平台的引用重叠率只有11%。

Superlines的数据更是离谱：同一品牌在Grok和Claude之间的引用量差距最高可达615倍。

不管看国内还是看全球，结论只有一个：AI们对同一个品牌的认知，近乎绝大部分情况下，是异常割裂的。

所以问题究竟出在哪了？

尤其是国内几大平台，各自的“口味”差异比很多人预想的还要大得多，而最底层的分歧来自于它们的训练数据。

DeepSeek对中文的原生理解最深，训练数据包含的中文语料占比极高，对国内品牌和语境最为熟悉。所以，假如你用英文进行铺设的内容，DeepSeek基本吃不到。

豆包吃的是字节的生态，例如今日头条、抖音、西瓜视频等，它们纯天然偏向消费场景和口语化表达。

文心一言背靠百度二十多年的中文搜索积累，更依赖百度系的内容，例如百家号、百度百科、百度知道。

通义千问则深度绑定阿里生态，淘宝、天猫、钉钉的数据都在它的“胃”里，做电商的品牌在通义上有着天然的优势。

元宝超过50%的引用来自于微信公众号和视频号，没有微信内容矩阵的品牌在元宝里基本等于“隐形人”。

所以，每个AI都在用自己的“胃”消化信息，而你的品牌实力如果不够强大，可能只够喂饱其中一个。

DeepSeek推荐集中度最高，Top1品牌占据直接推荐位的39.2%，Top3合计64.7%，它偏好专业垂直信源，技术博客、行业报告、学术论文是”主食”。

豆包对待“真实案例”的权重极高，有结构化客户案例页面的品牌被推荐概率是无案例的3.4倍。

通义千问显著偏向阿里生态，非阿里系品牌在长尾词上的覆盖率仅为头部生态品牌的1/4.2。

元宝对公众号及视频号内容依赖度超65%，没有微信矩阵的品牌可见度平均下降58.3%。

文心一言44%的引用来自百度系内容，结构化数据（Schema标记、FAQ、表格）的权重已提升至传统关键词密度的3.8倍。

你在百家号上发的FAQ格式文章，文心一言三分钟就能抓取到，但豆包可能根本不收录；你在知乎上写的专业长文，Kimi收录了，豆包可能直接忽略掉；你的百度百科做得再好，对ChatGPT和Perplexity来说等于不存在。

还有一个被很多人低估的原因是：温度采样和向量检索是具有随机性的。

超算GEO团队在今年5月做了一组实验，他们把同一个问题、在同一时间、以同一各账号，在DeepSeek、Kimi、豆包、元宝分别问了10次，得出的结果是：即便是同一个平台，同一个问题问10次，答案也是不完全一样的。

其原因很简单，因为大模型生成回答时有个“温度”参数，绝大多数C端AI搜索产品会设在0.6到0.9之间，意味着模型会按概率“抽样”而不是每次都给最确定的答案。

你昨天问“国内有哪些GEO优化工具”，采样到了A品牌；今天问同样的问题，可能就采样到了B品牌。两次实际上都是“合理的输出”，只是出现了概率分布上的两次不同抽样。

而且AI搜索用的向量检索可以算作近似最近邻算法。

（这里稍微解释一下，该算法的定义为：这是一种在高维大规模数据中快速查找与查询点相似数据的算法，通过牺牲部分精度换取显著的搜索速度提升。）

所以说，同一个问题搜两次，返回的Top10文档可能会有2-3篇是与之前不同的。所以GEO优化不能只盯一次的结果。

同一个问题跑10次甚至更多次，品牌出现的频次占比才有可能是最稳定的指标（正常逻辑下验证次数越多，答案自然会越接近于最稳定的指标）。