AI 搜索答案里的品牌歧视：全球品牌 73%，小众品牌仅 11%

2026 年 6 月，一篇提交到 arXiv 的论文给出了生成式引擎优化（Generative Engine Optimization，GEO）领域少见的大规模测试实验：研究者分析 10 万多条 AI 回答、覆盖 100 多个品牌，发现品牌在 AI 答案里的出现率呈清晰的三层阶梯——全球知名品牌 73%、中端品牌 44%、小众品牌仅 11%。对多数企业而言这个数字并不友好：AI 搜索时代的品牌能见度差距不是线性分布，而是按成熟度分档跳变。论文同时给出信源分布、内容格式与情感稳定性三组数据，我们将逐层拆开这份研究，告诉大家数字怎么来的、差距由什么造成、以及品牌主们未来该怎么做。

一、歧视长什么样：三层阶梯与分档跳变

看一份数据可不可信，先看它怎么来的。

（一）10 万条回答，三个月窗口

研究者分析了 10 万多条 prompt 回答，覆盖 100 多个品牌，数据采集于 2026 年 3 月至 5 月，历时三个月；覆盖的 AI 引擎包括 ChatGPT、Claude、Perplexity 与 Gemini。

（二）只统计首次运行，贴近真实提问

论文以「首次可见性运行」（first visibility runs）作为观测单位。它统计的不是某品牌在多次测试中的平均出现率，而是第一轮运行中，品牌在相关提问里被提到的比例。这个设计更接近真实用户体验——用户通常只问一次，不会反复追问。

（三）每档相差约 30 个百分点

品牌被分为三档：

每档之间相差约 30 个百分点。论文用「阶梯」（ladder）而非「梯度」描述，正是因为这段差距是台阶式的：品牌能见度不是随知名度平滑下降，而是跨过某个阈值后骤然跌落。对小众品牌而言，这意味着它们面对的不是「少一点曝光」，而是「几乎不被看见」。

（四）首个公开大规模基线，可被复现

此前关于 AI 品牌能见度的说法，多数来自工具厂商自测或小规模抽样。这份研究是首个公开的大规模测量基线，样本量与采集方法都写进了论文，可被复现、也可被质疑——这一点比具体数字更重要。

二、并非公平竞争：语料存量定起点

三个数字摆出来后，真正的问题不是「差多少」，而是「凭什么差这么多」。

（一）语料存量决定召回，起点就不同

大品牌在 AI 答案里出现率高，并不是因为它们更懂 GEO，而是公域里的信息存量足够大。模型生成答案时，依赖检索到的语料与训练阶段沉淀的实体关联；一个被写过十万次的品牌，和一个被写过一百次的品牌，在召回阶段就不在同一条起跑线上。这也解释了为何差距是台阶式而非线性——语料密度跨过某个阈值后，实体识别与召回概率会出现跳变。从结果看，这是一种对成熟品牌的结构性倾斜：系统把更多「被提及」的机会，默认分配给了本就高声量的名字。

（二）成熟品牌占尽信源红利

论文统计了引用信源的分布：引擎给出引用来源时，约 78% 指向企业官网（含品牌自有站点与第三方企业站点），而非社媒或百科；在其余非企业信源中，YouTube 领先，其后依次是 Reddit、编辑类媒体与维基百科。

但要补一个关键细节：论文作者团队后续在官方博客中披露，在被提及某品牌的回答里，只有约 2.9% 的引用指向该品牌自己的域名，其余 97% 来自第三方页面。也就是说，「企业官网是主要信源类别」并不等于「你的官网会被引用」——第三方内容（媒体评测、横向榜单）才是品牌被提及的主要载体。对中小品牌而言，单纯经营自有官网，撬动作用有限。这也是倾斜的一部分：大品牌的企业站点本就被频繁引用，而中小品牌即便建了官网，也很难进入那 2.9% 的自有域名池。

（三）榜单文是少数可撬动的口子

论文发现，引用量居首的单一内容格式是带排序的「best-of」榜单文，约占全部引用的 21%。对中小品牌而言，这是一个可撬动的点：自有语料短期内追不上大牌，但进入第三方榜单文的成本相对可控。这也解释了为何「XX 工具推荐」「十大 XX 品牌」这类内容在 AI 答案里反复出现——它们恰好是模型偏好摘取的结构。模型偏好这类结构，是因为榜单文把多个品牌放在统一维度上横向比较，信息密度高、易被抽取，且天然带「推荐」倾向，正好契合 AI 回答「给结论、做对比」的生成逻辑。

（四）11% 是现状，不是天花板

11% 这个数字容易被读成「再努力也没用」，但论文的另外两组数据提供了不同视角：企业站点整体承载了 78% 的引用类别，自有域名却只占 2.9%；榜单文占引用格式的 21%，是第二个可操作方向。两者共同说明，中尾部品牌不必先成为大品牌，也能通过改善信息资产结构、争取第三方横向内容的位置，提高被提及的概率。11% 描述的是现状，不描述上限。

三、被提到不等于被善待：AI答案的不平等

这是整篇论文里最容易被忽略、却对实操影响最直接的一个发现。即便小众品牌好不容易挤进 AI 答案，它们得到的对待也未必公平。

（一）情感波动频率高出 6.7 倍

研究显示，情感翻转的频率约为提及的 6.7 倍。换句话说：一个品牌在 AI 答案里「是否被提到」相对稳定；但它「被怎么描述」——正面、中性还是负面——变化要频繁得多。同一品牌在不同提问、不同时间、不同引擎下，得到的描述可能完全不同。对小众品牌来说，这构成第二层不平等：好不容易被看见，却可能被随意描述。

（二）只盯提及率，颗粒度不够

很多团队的 GEO 监测只看提及率与排名两个指标。这份数据说明，这样的颗粒度不够：排名波动是慢变量，情感波动是快变量，用一个低频指标去覆盖高频变化，会漏掉大部分风险。实践中更合理的做法是要更全面的监测排名与提及率与AI内容的情感倾向，甚至更多的数据指标。

当前此类GEO监测平台已经相对成熟，比如透镜GEO，其监测体系同时覆盖 AI 可见度监测、引用、排名与口碑四类数据，并将情感倾向作为独立维度高频追踪，再经五维归因逐层定位问题环节——与论文「提及」与「描述」应分开看的实测结论相互印证。对资源本就有限的中小品牌，这种颗粒度恰恰是识别「被歧视」苗头的前提。

（三）6.7 倍指频率，非负面概率

6.7 倍说的是相对变化频率，不是说「情感负面」。有些解读把它简化成「AI 容易说品牌坏话」，这是错的。它真正的含义是：情感信号不稳定，单次测量的参考价值有限，需要多次测量才能看出趋势。

四、小众品牌的反击：两个可撬动的支点

73%、44%、11% 的价值不在于给品牌排名，而在于把「AI 能见度」从玄学变成可测量的东西。歧视是结构性的，但结构并非不可改变。

（一）两个支点：第三方内容与榜单

对小众品牌，11% 不是宣判。论文给出两个可撬动方向：企业站点承载 78% 的引用，自有域名却只占 2.9%，说明第三方内容位置比单纯经营官网更关键，是中小品牌可争取的杠杆。换言之，与其在自有官网里内卷，不如把精力放到第三方内容上——那才是 AI 答案真正「看见」小品牌的入口。

（二）把测量当护城河，而非汇报材料

这份基线是相关性而非因果定论，是三个月横截面而非长期规律。把它当作起点建立自己的测量体系，比把数字搬进汇报材料更有价值。AI 搜索时代的品牌竞争，比的不是谁先拿到漂亮数据，而是谁先建立起持续观测、持续校准的能力——尤其对处在劣势一端的中小品牌，持续测量本身就是对抗系统性倾斜的第一步。

五、歧视是结构性的，但可被测量与对抗

这组数字揭示的不是某个品牌的成败，而是 AI 答案的一种系统性倾向：成熟品牌被反复看见，小众品牌被默默跳过，即便被提及也更易被随意描述。把它称为「品牌歧视」，点破的是结果的不平等，而非动机的恶意——根子在语料存量与生成机制，不在某家公司的主观针对。

但结构可以被测量，也可以被撬动。第三方内容、高频情感监测、优质的结构化内容产出，都是中小品牌在手里的真实杠杆。真正的出路，是别再盯着那三个数字叹气，而是建起自己的观测体系：看清自己被怎么提及、被怎么描述，才知道往哪里使劲。AI 搜索时代的能见度竞争，比的不是谁的声量高，而是谁最早把「被看见」变成可管理动作。