劉宇 · Tianwen SEO Research 研究筆記本
AI 怎麼評價你的品牌：情感監測低成本做法
AI 回答裡提到你，和推薦你是兩件事；推薦你，和說得對又是兩件事。情感監測要做的，就是把這三件事分開記，而不是攢一個好感度分數。
先帶走這幾個判斷
- Semrush 2026-06-15 的 AI 情感分析指南講的是怎麼判斷回答對品牌是正面、中性還是負面。
- Ahrefs 2026-10-01 測到 83% 的品牌搜尋會出現 AI Overview，意味著連找你的人都會先讀到一段 AI 對你的描述。
- 我方 T1 面板裡，嚴格提及從 3/72 到 6/72、服務商點名從 0 到 2——提到和推薦是兩種不同的成功。
- 不用買工具。固定題面加四檔標註，一個表格就能跑。
- 情感監測的產出不該是一個好感度分數，而是一份需要修正的資訊源清單。
權威站最近測到了什麼？
Semrush 在 2026-06-15 發了《What is AI sentiment analysis? A marketer’s guide》。這篇講的不是某個行業的資料，而是一套方法：怎麼判斷 AI 在回答裡對某個品牌是正面、中性還是負面，以及為什麼這件事值得單獨監測。
他們給出的理由是：AI 回答裡的一句話，可能比十條評論更影響採購的第一印象。因為使用者把它當成中立的總結，而不是廣告。這個判斷有資料支撐——Ahrefs 在 2026-10-01 測到品牌詞搜尋有 83% 會出現 AI Overview，搜你公司名的人，最先看到的往往是那段總結。
我關心的是另一面：這套方法聽起來需要工具，其實手工也能做。Semrush 的文章面向有預算的團隊，我會把它拆成一個不花錢的版本。原因很簡單，大多數外貿站現在的 AI 提及量還不大，手工完全跑得過來。參考口徑可以先看提及、引用與流量的監測口徑。
提到、推薦、說對：三種不同的成功
很多人把「AI 提到我們了」當成一個結果。我在面板裡把它拆成三層，因為它們的難度和意義完全不同。
| 層級 | 表現 | 難度 | 說明什麼 |
|---|---|---|---|
| 被提到 | 回答裡出現公司名或產品名 | 低 | 模型知道這個實體存在 |
| 被推薦 | 進入候選名單或分類表 | 中 | 模型認為你值得考慮 |
| 被說對 | 描述與事實一致、定位準確 | 中高 | 你的公開資訊夠清楚、夠一致 |
第三層最容易被忽略。我見過 AI 把一家做精密件的公司描述成通用五金供應商，也在中文回答裡見過把服務範圍說錯的情況。被提到但說錯，比沒被提到更麻煩，因為它在替你向客戶傳遞錯誤定位。修正方法我在AI 回答把品牌說錯怎麼修裡寫過。
所以監測表至少要有兩列：這一條屬於哪一層，以及描述和事實有沒有出入。只有第一列，你會得出過於樂觀的結論。
還有一個細節值得單獨記：同一條回答裡，模型可能先把你放進名單，後面又補一句限制條件，比如「適合小批量但不適合超大批量」。這句話算正面還是負面？我把它單獨標成「帶條件推薦」，並在備註裡抄下原句。因為這句限制往往才是採購真正在意的部分，只看褒貶會把它漏掉。記錄時把限制條件抄全，比標一個「正面」有用。
四檔標註法怎麼用？
固定題面
準備 10 到 15 個問題，覆蓋三類：品牌直問（你公司怎麼樣）、品類比較（這類供應商怎麼選）、場景問題（你的產品在某工況下合不合適）。題面固定下來後不要中途換，否則前後沒法比。
四檔標註
每條回答標一個：正面、中性、負面、未提及。判斷標準要提前寫死，別憑感覺。我的標準是：正面指回答明確認可或推薦；中性指僅陳述事實；負面指提出明確缺點或警告；未提及就是沒有出現。標準寫下來，不同人標出來的結果才可比。
分開記模型和日期
同一個問題在不同模型上問一遍，分別標註，不要合併成一個平均分。不同模型的訓練資料和檢索行為不一樣，混在一起會把差異抹平。可參考AI 推薦是怎麼形成的來理解模型之間的差別。
我方面板裡的情感變化
T0 基線輪在 2026-09-17，T1 在 2026-10-12，各 72 條回答。嚴格品牌提及從 3/72 漲到 6/72，服務商類問題裡的點名從 0 漲到 2。這兩條聽起來都不錯，但如果按三層拆，它們在第二層和第三層上的意義完全不同。
那 2 條點名出現在「怎麼選服務商」「報價為什麼差這麼多」這類問題裡，屬於被推薦。而早期那 3 條提及，多數只是把我們的文章當成參考資料，回答裡並沒有推薦我們的服務。這兩種情況如果混成一個「AI 可見度提升」的結論，就會高估進展。
同一輪的資料裡還有一個提醒：被引域名從 322 變到 245，重合只有 90。模型在換來源，今天的正面描述不一定明天還在。這就是為什麼要按月記錄並保留原文，而不是只在某個時刻截個圖。相關方法在實測研究與方法記錄。
發現負面評價後先做什麼？
先分辨它是不是事實。如果是真的，比如交期確實長、認證確實不全，那要做的是改業務，不是改說法。AI 只是把已經存在的問題說出來了。這種情況下的正確動作是把改進結果寫成公開資訊，讓下一次檢索能讀到新情況。
如果是資訊陳舊或來源混亂導致的誤判，那就回到資訊源。第一優先是官網，第二是權威目錄和平台頁，第三才是社媒。順序不能反，因為 AI 更信結構化、可追溯的來源。身份和定位的統一方法，我在品牌權威與 AI 搜尋裡拆過。
不要做的事有兩件：一是到處發聲明，這只會增加雜訊；二是假裝沒看見，因為回答會跟著舊資訊一直錯下去。監測的價值就是儘早發現這類錯誤，在它影響到真實詢價之前處理。
低成本落地清單
三步，一個月跑一輪，不花錢。
- 定 12 個固定問題：品牌、品類、場景各四個，寫下來不要再改。
- 做一張四檔表：日期、模型、問題、原文、標註、描述是否準確，六列就夠。
- 每月看一次負面和「說錯」兩類：每類挑一條，找到對應的資訊源去修，別一次改十處。
跑滿三個月，你會有一份比輿情工具更貼合業務的記錄。想把它變成常規流程，可以看AI 可見度監測檢查清單和監測口徑怎麼定。
老闆最常追問的幾個問題
AI 情感監測一定要買工具嗎？
不必。固定題面加四檔人工標註就能起步。工具的優點是省時間和可規模化，但前提是你先想清楚要標什麼。
同一個問題問不同 AI，答案不一樣，以哪個為準？
都不要當唯一標準。分開記每個模型的答案和標註，看的是趨勢和共識，不是某一次的措辭。
AI 說我們不好，能要求它刪掉嗎？
沒有這種通道。能做的是改善它讀到的資訊源：統一身份、補充事實、修正舊資料，然後持續觀察答案是否變化。
監測頻率多高合適？
每月一次就夠。AI 回答變化不快，高頻複查只會增加雜訊，也會讓你忍不住對單次波動做過度反應。
本頁由簡體版機器翻譯，尚待人工審核。