你的品牌再有名，系统可能根本“看不见”

文章作者、来源：哈佛商业评论

当我们让主流的AI系统——ChatGPT、Claude和Gemini——推荐跑鞋时，相对小众的品牌Brooks总能稳定出现。而全球最大的运动品牌Nike，出现频率却低得多。这种模式反映了一个根本性的转变：当AI系统成为产品发现的媒介时，品牌的竞争方式已经改变。

Brooks并非围绕宽泛的生活方式叙事来建立品牌，而是专注于技术性能以及契合特定跑步者的需求。在CEO吉姆·韦伯的领导下，公司缩小了业务范围，退出了相邻品类，并投资于生物力学研究和产品工程。GuideRails和DNA LOFT缓震等技术，都是为了攻克明确定义的痛点而研发的。同样关键的是，Brooks培育了一个由教练、临床医生和专业零售商组成的生态圈，这些人能用精准的术语拆解这些技术方案。换言之，Brooks打造的是一个“可被算法读懂”的品牌。

AI系统更青睐那些能被拆解成具体属性和事实依据的品牌——也就是用户一问，它的价值好在哪儿，能说得清清楚楚。在一项涵盖15个零售品类——包括笔记本电脑、宠物食品和信用卡——的研究中，我们使用相同的提示词对GPT-4o、Claude和Gemini进行测试。统计下来，品牌被提及了超过1000次，涉及716个不同的品牌。这项由乔治城大学麦克多诺商学院和弗吉尼亚大学达顿商学院进行的研究，揭示了一个一致的模式：品牌争夺的不再主要是注意力。

AI工具正在迅速成为产品发现的前沿入口。与基于可见度或叙事来呈现品牌的搜索引擎和传统媒体不同，AI系统旨在帮助消费者做出选择。在AI环境下，品牌拼的是：模型推荐时，会不会把自己列入候选名单。大多数品牌并非为此而生。

AI推荐它能解读的东西

我们的研究揭示了四种模式，它们共同解释了为什么这么多品牌在AI主导的产品发现中节节败退——以及为什么可解读性是破解之道。

首先，营销人员口中的“AI可见性”，其实远比表面看起来更加支离破碎。在我们研究中出现的716个品牌里，只有8.4%在ChatGPT、Claude和Gemini三个平台上都能稳定出现。大多数品牌只出现在一个平台上。一个在某个系统中看似很突出的品牌，在另一个系统中可能压根儿不见踪影。

品牌或许仍在砸钱提升可见度，但决定AI系统是否推荐它们的，并不是这个。关键在于，模型能不能把你的品牌当作某个特定问题的可靠答案。当一个品牌的属性和支撑证据被梳理得清清楚楚时，不同的系统就更有可能同时看上它。反之，品牌的出现就会忽隐忽现，甚至彻底消失。

其次，那些出现在多个平台的品牌，有55%在不同系统里被贴上了不一样的标签。一个品牌在A平台是“高端创新者”，到了B平台可能就成了“平价替代品”。这是因为AI系统并不会原封不动地搬运品牌信息，而是从自己能抓到的第三方信息里去推断你的定位。模型拼凑出来的品牌画像，依据的是属性和佐证，而不是你想对外讲的那个故事。象征性的定位几乎没用，除非它能落到系统可以识别的具体属性上。

这种差异在我们的数据里一目了然。苹果在笔记本电脑和耳机品类中横跨多个平台稳定出现，索尼在耳机品类中更是几乎做到了完美平衡。然而，许多全球知名度最高的品牌却不见了。迪士尼、星巴克、麦当劳、Netflix、IBM和英特尔，都没有出现在我们的查询结果里。即便是那些露了脸的知名品牌，也往往是通过某个可解读的子品牌而非母品牌本身出现的。丰田是以RAV4、汉兰达这些具体车型为代表；可口可乐和百事则是以零糖版本的面目出现。在这些案例里，AI凭的是具体产品的属性来判断，而不是母品牌的象征价值。

第三，查询方式决定了竞争格局。探索性查询带来的品牌提及次数，比目标明确的查询多了95%；而且只有大约11%的品牌能同时出现在两种查询的结果里。AI助手是根据消费者怎么描述自己的问题来构建推荐的。用户问“跑鞋”，AI给出第一组候选；用户问“适合膝盖疼痛人群的跑鞋”或“针对过度内旋人群的稳定型跑鞋”，候选名单就换了一批。

这里还有一个更深层次的影响因素：品牌可以去塑造消费者使用的词汇。Brooks花了20年时间，教跑步者给自己的问题起名字：过度内旋、步态偏差、负重稳定性。这些术语通过教练圈、专卖店和跑步媒体传播开来。那些愿意投资于这种“问题素养”的品牌，在AI生成任何推荐之前，就已经给自己铺好了一条有利的查询赛道。

第四个发现补全了整幅图景：78.7%的品牌提及都带着正面情绪，而且这个比例在三个平台上惊人地一致。一旦某个品牌被纳入推荐，它通常都会被夸上几句。

这恰恰反映了AI系统的工作方式。它们先判断哪些品牌有资格成为用户问题的答案，然后才表达态度。过去的媒体，看的是谁露脸多、谁口碑好。

真正的竞争瓶颈

是“被选中”，而不是“被夸赞”

真正重要的战略问题，不是“怎么让AI说我们好话？”，而是“怎么让我们的品牌能出现在AI的回答里？”答案就是可解读性。

当模型能够构建一条清晰的逻辑链，从用户的具体情况推导到产品特性，再到能满足需求的品牌时，该品牌就会出现在AI的答案中。AI推荐不是从品牌和它的承诺开始的。它从用户的条件出发，由查询框定范围，然后一步步往前推：用户状况→产品需求→满足需求的品牌。

可解读性取决于三个要素：

实体清晰度：品牌在各种信息源中都能被清晰识别；

属性结构化：产品特性有明确名称，可进行比较和衡量；

佐证基础：品牌宣称的优势有可靠、独立的来源支持。

具备这些特征的品牌，更容易被AI系统纳入推荐，因为它们的属性和佐证能与用户需求清晰地挂上钩。

说到底，争夺AI推荐本质上是一个信息架构问题，需要跨职能协同。在大多数公司里，品牌信息归营销部门管，产品规格归工程和产品管理部门管，而第三方验证（评测、专家点评、临床数据）往往没人真正负责。AI推荐让这种各自为战的局面付出了高昂代价。最有可能胜出的，是那些围绕“品牌如何被理解、如何被当作解决方案检索”建立起跨职能问责制的公司。

这重新定义了品牌建设该做什么。传统的品牌建设把钱投在讲故事、象征符号和情感定位上，目的是抓住人的注意力、影响人的感受和记忆。AI系统依赖的是完全不同的东西：结构化的属性、可衡量的产品特性、以及能把品牌和具体问题拴在一起的可验证事实。它要取悦的是一个AI决策者——花言巧语没用，真凭实据才行。

提高AI入选率的三个方法

营销高管传统上用品牌实力指标来衡量自己的工作，例如市场份额（消费者购买什么品牌）和心智份额（消费者想到什么品牌）。AI主导的产品发现，则需要一个新指标：AI入选率——也就是当一个品牌确实能解决用户问题时，作为候选品牌被检索到的频率。

这与迪布瓦（Dubois）、道森（Dawson）和贾斯瓦尔（Jaiswal）所说的“模型份额”不是一回事。模型份额衡量的是品牌在AI生成的回答里出现了多少次，它看的是曝光度；而AI入选率看的是适配度——也就是当品牌属性和用户查询对得上时，它被可靠检索到的程度。适配度决定了品牌是否能被纳入推荐。

当消费者向AI助手求助时——“适合膝盖疼的跑鞋”“最适合剪视频的笔记本”“给旅行积分多的信用卡”——系统会识别出查询背后藏着什么需求，然后把属性对得上的品牌拎出来。可解读性让模型更容易把用户的情况和品牌的属性、支撑证据串起来，从而提高AI入选率。品牌现在争的不再只是让消费者记住自己，而是让那些帮消费者做选择的AI系统能找到自己。

对营销人来说，要提高AI入选率，就得改变品牌传达价值的方式。下面三个方法尤其重要。

1. 用可验证的规格取代主观声明

AI系统难以处理模糊的声明。将"高质量"替换为"1000 次循环耐用，通过 ISO 认证"，能为模型提供有用信息。为了被检索到，品牌必须通过可命名、可比较且与特定用户需求相关联的特性来表达价值。

这需要将定位转化为规格。性能指标、设计参数或临床验证的效果，使AI系统能够将用户条件与产品能力联系起来。声明表达得越精确且支撑越充分，就越有可能被用于自动推荐。

Brooks诠释了这一原则。其产品通过可衡量的属性来描述——稳定性评级、前后掌落差，以及旨在解决特定跑步状况的生物力学特性。这些属性使得将"适合膝盖疼痛的跑鞋"等查询与解决方案联系起来变得更加容易。

索尼和苹果在不同品类中反映了同样的逻辑。索尼的产品由技术规格定义，如降噪性能和传感器能力，通常有独立基准测试的支持。苹果产品同样立足于可衡量的性能指标，从处理器基准到电池续航。

这些品牌的共同点不仅在于声誉和规模，还在于可解读性 —— 能够以可评估、可比较且可用于推理过程的术语，来表述自身的产品特点。

2. 培育独立的、高权威性的第三方验证

被纳入AI回答取决于围绕你品牌的评论、专家点评和研究。Brooks与专业跑鞋店、教练、足病医生和临床医生建立了合作关系，这些人需要解释为什么某双鞋能帮助特定的跑步者。AI系统推荐Brooks，部分原因在于该公司花了20年时间让自己变得易于被理解。AI入选率是对第三方可信度持续投入的长期回报。

3. 将重心从象征性吸引力转向证据结构

许多知名度高且受信赖的品牌，在AI生成的推荐中出现频率较低，因为它们的优势表达方式无法被模型利用。传统品牌建设讲究的是情感定位——生活方式联想、品牌故事、笼统的质量信号。这些能建立消费者的好感，但转化不成AI系统能处理的属性和事实依据。

因此，品牌实力不会自动转化为AI检索。弥合这一差距需要重心转移：减少对象征性声明的依赖，加强将品牌与特定用户问题联系起来的证据。

在AI主导的市场中，品牌实力不仅取决于品牌如何被知晓或感知，还取决于它能否轻易成为问题的答案。

从简单的诊断开始

每个品牌都要问自己一个战略问题：我的品牌现在处在什么位置？怎么才能变得更“可解读”？可以从一个简单的诊断开始。

第一步，用你的客户最常用的关键词——不管是品类词还是具体问题——去问几个主要的AI平台：ChatGPT、Claude、Gemini。看看哪些品牌会出现，你的品牌被说成什么样，在不同平台上说法是不是一样。我们的研究发现，55%的品牌在不同系统里被描述得不一样——也就是说，AI正在给你的品牌贴一个标签，这个标签可能跟你自己想传达的完全不是一回事。

第二步，盘一盘你品牌的属性结构。随便找个客户——或者干脆找个AI——能不能说出你家产品三个可衡量、可比较、又能对应到具体用户需求的特性？如果老实说“不能”，那你就有功课要补了。目标不是写出一本技术手册，而是确保那些让你与众不同的属性，有清清楚楚的名字，而且在你品牌出现的每一个地方都被一致地使用。

第三步，梳理你的第三方证据。有哪些独立的声音——评测机构、专家、临床医生、专业媒体——在用你的关键属性来描述你的产品？哪里还有空白？在AI推荐里表现好的品牌，不是广告预算最大的那些，而是外部验证最一致、最可信的那些。这种佐证是靠时间攒出来的，砸钱买不来。

留意你的客户用什么词来描述他们的问题——然后去塑造这些词。投资于“问题素养”：让你的产品所解决的那些具体问题，有名字、能传播。这些词通过教练圈、专业社群和专家媒体扩散开来，在AI生成任何推荐之前，就已经给你铺好了一条有利的查询赛道。

那些在AI主导的产品发现中占尽先机的品牌，未必是今天在AI上砸钱最多的。它们是那些花了多年时间、一点一滴建立起佐证体系，让自己变得容易被AI搜到的品牌。

AI主导的产品发现并非一个需要优化的新媒体渠道。它要求品牌竞争方式发生结构性转变——这种转变青睐的是截然不同的一套能力。大众媒体时代，比的是声量。搜索时代，比的是相关性。社交媒体时代，比的是参与度。AI助手时代，比的是可解读性——也就是你的品牌有没有足够的属性和事实依据，让AI能为你生成让人信服的推荐。

在这种环境中胜出的品牌不一定是最知名的，而是对于从用户问题出发并推导出解决方案的推理系统来说，最易理解的品牌。在AI环境中，入选机会才是真正的竞争瓶颈。品牌一旦被选入候选名单，AI说起它来几乎都是好话。真正的较量在更早的阶段就已经见分晓了——取决于品牌的属性和佐证如何被结构化。

Brooks不是为了AI才打造了一个可解读的品牌。它是为了那些需要向真实跑者解释“为什么选这双鞋”的人类专家而打造的。结果发现，这两件事是一回事。未来十年能赢的品牌，是那些有意做出同样选择的品牌。

约翰·盖尔（John Gale）、卢卡·钱（Luca Cian）、吕克·瓦蒂厄（Luc Wathieu）| 文

约翰·盖尔是一名顾问，也是乔治城大学麦克多诺商学院的兼职教授。卢卡·钱是弗吉尼亚大学达顿商学院的营销学教授。吕克·瓦蒂厄是乔治城大学的营销学教授。