刘宇 · Tianwen SEO Research 研究笔记本
AI 怎么评价你的品牌：情感监测低成本做法
AI 回答里提到你，和推荐你是两件事；推荐你，和说得对又是两件事。情感监测要做的，就是把这三件事分开记，而不是攒一个好感度分数。
先带走这几个判断
- Semrush 2026-06-15 的 AI 情感分析指南讲的是怎么判断回答对品牌是正面、中性还是负面。
- Ahrefs 2026-10-01 测到 83% 的品牌搜索会出现 AI Overview，意味着连找你的人都会先读到一段 AI 对你的描述。
- 我方 T1 面板里，严格提及从 3/72 到 6/72、服务商点名从 0 到 2——提到和推荐是两种不同的成功。
- 不用买工具。固定题面加四档标注，一个表格就能跑。
- 情感监测的产出不该是一个好感度分数，而是一份需要修正的信息源清单。
权威站最近测到了什么？
Semrush 在 2026-06-15 发了《What is AI sentiment analysis? A marketer’s guide》。这篇讲的不是某个行业的数据，而是一套方法：怎么判断 AI 在回答里对某个品牌是正面、中性还是负面，以及为什么这件事值得单独监测。
他们给出的理由是：AI 回答里的一句话，可能比十条评论更影响采购的第一印象。因为用户把它当成中立的总结，而不是广告。这个判断有数据支撑——Ahrefs 在 2026-10-01 测到品牌词搜索有 83% 会出现 AI Overview，搜你公司名的人，最先看到的往往是那段总结。
我关心的是另一面：这套方法听起来需要工具，其实手工也能做。Semrush 的文章面向有预算的团队，我会把它拆成一个不花钱的版本。原因很简单，大多数外贸站现在的 AI 提及量还不大，手工完全跑得过来。参考口径可以先看提及、引用与流量的监测口径。
提到、推荐、说对：三种不同的成功
很多人把“AI 提到我们了”当成一个结果。我在面板里把它拆成三层，因为它们的难度和意义完全不同。
| 层级 | 表现 | 难度 | 说明什么 |
|---|---|---|---|
| 被提到 | 回答里出现公司名或产品名 | 低 | 模型知道这个实体存在 |
| 被推荐 | 进入候选名单或分类表 | 中 | 模型认为你值得考虑 |
| 被说对 | 描述与事实一致、定位准确 | 中高 | 你的公开信息够清楚、够一致 |
第三层最容易被忽略。我见过 AI 把一家做精密件的公司描述成通用五金供应商，也在中文回答里见过把服务范围说错的情况。被提到但说错，比没被提到更麻烦，因为它在替你向客户传递错误定位。修正方法我在AI 回答把品牌说错怎么修里写过。
所以监测表至少要有两列：这一条属于哪一层，以及描述和事实有没有出入。只有第一列，你会得出过于乐观的结论。
还有一个细节值得单独记：同一条回答里，模型可能先把你放进名单，后面又补一句限制条件，比如“适合小批量但不适合超大批量”。这句话算正面还是负面？我把它单独标成“带条件推荐”，并在备注里抄下原句。因为这句限制往往才是采购真正在意的部分，只看褒贬会把它漏掉。记录时把限制条件抄全，比标一个“正面”有用。
四档标注法怎么用？
固定题面
准备 10 到 15 个问题，覆盖三类：品牌直问（你公司怎么样）、品类比较（这类供应商怎么选）、场景问题（你的产品在某工况下合不合适）。题面固定下来后不要中途换，否则前后没法比。
四档标注
每条回答标一个：正面、中性、负面、未提及。判断标准要提前写死，别凭感觉。我的标准是：正面指回答明确认可或推荐；中性指仅陈述事实；负面指提出明确缺点或警告；未提及就是没有出现。标准写下来，不同人标出来的结果才可比。
分开记模型和日期
同一个问题在不同模型上问一遍，分别标注，不要合并成一个平均分。不同模型的训练数据和检索行为不一样，混在一起会把差异抹平。可参考AI 推荐是怎么形成的来理解模型之间的差别。
我方面板里的情感变化
T0 基线轮在 2026-09-17，T1 在 2026-10-12，各 72 条回答。严格品牌提及从 3/72 涨到 6/72，服务商类问题里的点名从 0 涨到 2。这两条听起来都不错，但如果按三层拆，它们在第二层和第三层上的意义完全不同。
那 2 条点名出现在“怎么选服务商”“报价为什么差这么多”这类问题里，属于被推荐。而早期那 3 条提及，多数只是把我们的文章当成参考资料，回答里并没有推荐我们的服务。这两种情况如果混成一个“AI 可见度提升”的结论，就会高估进展。
同一轮的数据里还有一个提醒：被引域名从 322 变到 245，重合只有 90。模型在换来源，今天的正面描述不一定明天还在。这就是为什么要按月记录并保留原文，而不是只在某个时刻截个图。相关方法在实测研究与方法记录。
发现负面评价后先做什么？
先分辨它是不是事实。如果是真的，比如交期确实长、认证确实不全，那要做的是改业务，不是改说法。AI 只是把已经存在的问题说出来了。这种情况下的正确动作是把改进结果写成公开信息，让下一次检索能读到新情况。
如果是信息陈旧或来源混乱导致的误判，那就回到信息源。第一优先是官网，第二是权威目录和平台页，第三才是社媒。顺序不能反，因为 AI 更信结构化、可追溯的来源。身份和定位的统一方法，我在品牌权威与 AI 搜索里拆过。
不要做的事有两件：一是到处发声明，这只会增加噪声；二是假装没看见，因为回答会跟着旧信息一直错下去。监测的价值就是尽早发现这类错误，在它影响到真实询盘之前处理。
低成本落地清单
三步，一个月跑一轮，不花钱。
- 定 12 个固定问题：品牌、品类、场景各四个，写下来不要再改。
- 做一张四档表：日期、模型、问题、原文、标注、描述是否准确，六列就够。
- 每月看一次负面和“说错”两类：每类挑一条，找到对应的信息源去修，别一次改十处。
跑满三个月，你会有一份比舆情工具更贴合业务的记录。想把它变成常规流程，可以看AI 可见度监测检查清单和监测口径怎么定。
老板最常追问的几个问题
AI 情感监测一定要买工具吗？
不必。固定题面加四档人工标注就能起步。工具的优点是省时间和可规模化，但前提是你先想清楚要标什么。
同一个问题问不同 AI，答案不一样，以哪个为准？
都不要当唯一标准。分开记每个模型的答案和标注，看的是趋势和共识，不是某一次的措辞。
AI 说我们不好，能要求它删掉吗？
没有这种通道。能做的是改善它读到的信息源：统一身份、补充事实、修正旧数据，然后持续观察答案是否变化。
监测频率多高合适？
每月一次就够。AI 回答变化不快，高频复查只会增加噪声，也会让你忍不住对单次波动做过度反应。
