AI认识你却不推荐你：96%与11%的落差
一次覆盖175个品牌、8个AI平台的测试显示：直接问品牌，96%能被准确描述；换成买家真实比价时会问的品类问题，89%从未出现。本文拆开"被AI认识"与"被AI提名"两套机制，列出与提名率同步变化的站外信号及其量级门槛，并给出把可见度拆成两条线管理的方法。
作者：灵曦GEO
结论：认知来自模型"读过什么"，提名来自它此刻"能不能检索到你"。前者是过去积累的结果，后者是这一次搜索的结果——两套机制不同，所以一个高，不代表另一个会跟着高。
现象与数据：96% 与 11% 的落差
结论：覆盖 175 个品牌、5 个垂直行业与 8 个 AI 平台的测试显示，96% 的品牌能被准确描述，但在品类题上的提名率只有 11%。
一次覆盖 175 个品牌、5 个垂直行业、8 个 AI 平台的测试给出两组数字。直接问"这个品牌是做什么的"，96% 的品牌被准确描述——模型说得出它卖什么、服务谁。但换成买家在比较阶段真实会问的品类问题，89% 的品牌从未出现过，也就是说出现过的只有约 11%。
| 测试类型 | 问题形态 | 结果 |
|---|---|---|
| 识别测试（140 个品牌） | 直接点名："某某是做什么的？" | 96% 被准确描述 |
| 提名测试（150 个品牌） | 品类问题："做这行该选哪几家？" | 89% 从未出现 |
机制拆解：点名题和品类题考的是两件事
结论：点名题和品类题考的是两件事：平台间差异很大，部分平台各垂直识别率在 83% 以上，而 Perplexity 对 SaaS 与电商品牌低于 55%。
两组数字不是互相矛盾，是两种任务。可以拆成三点看：
点名题是复述，品类题是筛选
点名题把实体直接交给模型，它只需要从已有认知里组织语言；品类题不提供实体，要求模型在有限名额里自己挑人。前者考记忆，后者考召回与比较。
识别率不能预测提名率
测试方的初始假设是"认识得越准，越容易被推荐"，结果是两个指标几乎不一起动。一个品牌可以既被准确描述，又在买家比价的时刻完全缺席。
平台之间的差异还很大
部分平台在各垂直的识别率都在 83% 以上；而 Perplexity 对 SaaS 与电商品牌的识别率低于 55%，Meta AI 对 SaaS 品牌仅 46%。只测一两个平台，结论会严重失真。
机制拆解：与提名率同步变化的是站外信息足迹
结论：识别率不能预测提名率，与提名同步变化的是站外信息足迹，也就是第三方语料里对该品牌的提及密度。
既然识别不能预测提名，真正相关的是什么？测试把品牌在多个信号上的表现与提名率做了相关性比较，指向的是站外信息足迹：
| 信号 | 与提名率的相关性 |
|---|---|
| 引荐域名数量 | r = 0.49（最强） |
| 第三方网页提及 | r = 0.45 |
| 领域权威分 | r = 0.37（子集，偏弱） |
| 自然关键词排名 / 自然流量 | 均为 r = 0.33 |
| 知识图谱是否存在 | 无明显稳定关系 |
值得注意的是排序：外链与第三方提及排在前面，传统排名的相关性反而偏弱。测试还发现，仅有高权威外链不足以带来提名——有些品牌拿到了权威站点的链接，仍很少出现在答案里，因为那些链接建立权威的话题与 AI 正在回答的问题并不对口。相关性比权威性更关键。
门槛：第三方提及的量级对应关系
结论：按第三方提及量分档后提名率呈阶梯：品类研究 49,391 条引用中 99.99% 指向第三方网站，150 品牌里仅 4 个拿到官网引用。
把品牌按"被索引的第三方提及量"分档后，提名率呈现明显的阶梯：
| 第三方提及量（不含自家站点） | 被提名率 |
|---|---|
| 少于 2,000 | 3% |
| 2,000 - 10,000 | 25% |
| 10,000 - 30,000 | 47% |
| 30,000 以上 | 64% |
按报告口径，约 2 万条第三方提及时，品牌达到约 50% 的被提名概率。另一个细节是引用落点：品类研究问题产生的 49,391 条引用中，99.99% 指向第三方网站，150 个品牌里只有 4 个拿到了指向自家官网的引用。这与第三方榜单为什么频繁被 AI 引用是同一个结构。
反直觉观点：只测品牌词会系统性高估可见度
结论：只测品牌词会系统性高估可见度：点名题命中率天然很高，品牌词可见度属于确认性指标，而非诊断指标。
多数监测工具的默认做法是拿品牌词去问各个平台——"某某公司怎么样""某某是什么"。这些都属于点名题。根据上面的数据，点名题的命中率天然很高，96% 的品牌都能被准确描述。于是会得到一份很好看的报告，然后在真实买家比价的场景里一无所获。
我们的判断是：品牌词可见度基本是一项确认性指标，不是诊断指标。真正该固定复测的是品类问题——买家不知道你存在时会怎么问、会拿谁和你比较。要区分"品牌被提到"和"品牌被引用"，可以另见推荐与引用是两层事的拆解。
报告还给了一个侧面数据：在买家还不知道自己需要什么的早期问题里，品牌被提名的比例仅 0.10%，不到品类问题的十二分之一。
操作清单：把可见度拆成两条线来管
- 拆分指标：把"AI 能否准确描述我"与"AI 是否提名我"分成两条线记录，不要合成一个分数。
- 建立品类问题基线：用买家口吻收集 20 个品类问题，固定下来作为月度复测集，跨月比较才有意义。
- 记录错位而不是分数：重点标出"被准确描述但未被提名"的场景，那里才是可用功的位置。
- 扩大站外信息足迹：让第三方页面、行业目录、公开评测中出现与你业务真正相关的表述，而不是单纯堆链接数量。
- 按平台分别看：不同平台的识别与提名行为差异很大，至少覆盖三个以上平台再下结论。
常见问题
AI 知道我的品牌，为什么不推荐我？
推荐的机制不是"想起你"，而是在回答这次提问时去检索并筛选。识别来自长期积累，提名来自这次检索能否找到你。
品牌词搜得到，为什么品类词里永远没有我？
品牌词是点名题，模型只需复述；品类题不提供实体，要在候选池里挑。两者考的能力不同，前者高并不代表后者也高。
多做外链对 AI 推荐有用吗？
引荐域名数量与提名率的相关性是最高的（r = 0.49），但仅有高权重链接不足以带来提名，话题是否对口更关键。
第三方提及要到多少量才起作用？
数据显示是一条阶梯：不足 2,000 条时提名率约 3%，2 千到 1 万约 25%，2 万左右接近一半。这是信息足迹的刻度，不是可购买的投放门槛。
我该怎么测自己的真实可见度？
固定一组品类问题，在三个以上平台按买家口吻反复提问，记录是否出现、排在第几位、引用指向谁。
新品牌现在做还来得及吗？
提名名额有限，越早积累可核验的站外表述越占先机；但短期内靠单次投放很难跨过量级门槛。
数据与来源
本文数据出自同一份报告，口径与限制一并标注：
- 报告名称：Victorious《Q2 2026 Quarterly Search Report》，2026 年 7 月发布，经 Search Engine Journal 首发报道。样本为 175 个品牌、5 个垂直（法律/医疗/SaaS/金融/电商零售）、8 个 AI 平台（ChatGPT、Claude、Gemini、Copilot、Perplexity、Google AI Overviews、Google AI Mode、Meta AI），其中识别分析 140 个品牌、提名分析 150 个品牌。
- 转述来源：dataconomy.com 报道
- 口径提醒：报告由提供搜索服务的机构自研，未获独立复现；给出的相关系数（0.49 / 0.45 / 0.37 / 0.33）描述的是同数据集内的关联，不构成因果结论。
边界与不适用
结论：数据以欧美品牌与英文提问为主，提名率受措辞影响很大，复测须固定问题集，提及量是观测刻度而非门槛。
数据以欧美品牌与英文提问为主，175 个品牌在垂直细分后每类样本更小，个别平台的极端值不宜外推。提名率高度依赖提问措辞，换一种问法结果会变，复测必须固定问题集。"
第三方提及 2 万条"是观测到的刻度，不是可以购买的门槛值。此外，本地服务型生意的关键信源集中在位置与点评类平台，与报告覆盖的提问结构不同，机制可类比但结论不能照搬。
一句话总结：绝大多数品牌已经"被认识"，差距发生在"被提名"这一步；而提名比拼的不是文笔，是站外有多少条与你业务真正相关、且能被独立核验的表述。
结语
结论：把「AI 知道我」与「AI 推荐我」分开看是这组数据最直接的改动：前者多数品牌已成立，后者才是有空间的部分。
把"AI 知道我"和"AI 推荐我"分开看，是这组数据带来的最直接改动：前者在多数品牌身上已经成立，后者才是还有空间的部分。要判断自己处在哪一档，可以先从一组固定的品类问题开始。完整的诊断路径，见灵曦GEO的服务页。