已完成的脱敏研究样例
某豪华品牌的 AI 认知与竞品基准研究。
从真实用户决策问题出发，同时分析品牌的自然推荐表现和正负面认知，把不同 AI 平台中的露出、倾向、风险与竞品差异整理成可以复测的 GEO 诊断基线。
5主流 AI 平台
8推荐意图簇
160自然推荐样本
140正负面认知案例
项目要回答什么
不只看“有没有提到”，
还要看“为什么这样回答”。
企业能够感受到品牌在 AI 回答中的存在感和评价不稳定，却缺少统一问题集、竞品参照和正负面判断口径，因而很难决定应该先补内容、补信源，还是处理影响用户决策的认知风险。
- 品牌在自然推荐问题中是否会被主动想起
- AI 评价品牌时，是明确推荐还是附带较多条件
- 不同平台的表达、证据和竞品参照是否一致
- 哪些认知缺口可以通过内容与信源建设改善
研究设计
两组问题、统一口径、
分别判断自然推荐与品牌认知。
8 个推荐意图簇 × 5 个平台
采集 160 条自然推荐样本，观察品牌是否出现、所在位置、同场竞品及不同平台差异。
28 个认知问题 × 5 个平台
逐条复核 140 条回答，判断最终倾向、负面强度、购买结论、回答风格和品牌效果。
140 条人工复核案例
95%的回答给出推荐或条件推荐，
但多数同时指出短板。
86.4%条件推荐121 / 140
8.6%明确推荐12 / 140
3.6%建议谨慎5 / 140
1.4%不推荐2 / 140
口径：最终人工复核的购买结论。明确推荐与条件推荐合计 133 条，占 95.0%。
会回答，不等于会主动推荐
当问题直接指定品牌时，AI 通常能够作答；真正的差异出现在自然推荐场景里，品牌是否会被主动召回、是否进入合适的比较范围。
条件推荐是主流，不等于态度中立
最终人工复核中，121 条为条件推荐、12 条为明确推荐。诊断重点不是简单统计正负面，而是识别 AI 在认可品牌时默认带出的保留条件。
平台风格不能混为一个结论
不同平台可能更偏场景建议、优缺点平衡或搜索结果拼接。统一口径横向观察，才能区分品牌问题和平台表达差异。
从研究到行动
把样本结果转成
可以执行和复测的建设清单。
具体完成的工作
- 围绕用户决策场景建立推荐类问题集和统一采样口径
- 覆盖豆包、千问、DeepSeek、元宝与文心助手进行横向观察
- 对品牌露出、推荐位置、产品提及及豪华竞品表现进行对比
- 对 28 个品牌认知问题在 5 个平台形成的 140 条回答进行人工复核，区分条件推荐、明确推荐、建议谨慎与不推荐
- 将结果整理为可按平台筛选、可继续复测的互动基准报告
形成的交付成果
- 品牌 GEO 认知基准
- 全品牌与豪华竞品对照
- 平台及问题意图差异分析
- 140 条正负面认知案例明细
- 后续内容与信源建设的优先级依据
案例体现的价值
不仅回答“AI 有没有提到品牌”，还看 AI 如何评价品牌、附带哪些保留条件、哪些风险会削弱用户信心，让下一步投入建立在可复核的证据上。
你的企业也有类似问题？