你的品牌再有名，系统可能根本“看不见”

当主流 AI 系统（如 ChatGPT、Claude 和 Gemini）被要求推荐跑鞋时，相对小众的 Brooks 品牌总能稳定出现，而全球巨头 Nike 的提及频率却低得多。这一现象揭示了根本性的转变：当 AI 成为产品发现的核心媒介，品牌竞争的逻辑已彻底改变。

Brooks 并未依赖宽泛的生活方式叙事，而是专注于技术性能与特定跑步者需求的契合。在 CEO 吉姆·韦伯的领导下，公司收缩业务战线，退出非核心品类，重金投入生物力学研究与产品工程。

其 GuideRails 支撑系统和 DNA LOFT 缓震等技术，均旨在解决明确定义的痛点。更为关键的是，Brooks 构建了一个由教练、临床医生和专业零售商组成的生态圈，这些人能用精准术语拆解技术方案。换言之，Brooks 打造的是一个“可被算法读懂”的品牌。

AI 系统更青睐那些能被拆解为具体属性和事实依据的品牌。一项涵盖笔记本电脑、宠物食品和信用卡等 15 个零售品类的研究显示，在使用相同提示词测试 GPT-4o、Claude 和 Gemini 后，统计超过 1000 次品牌提及、涉及 716 个不同品牌的数据揭示了一致模式：品牌争夺的焦点已从注意力转向了“可解读性”。

AI 工具正迅速成为产品发现的前沿入口。与传统搜索引擎或媒体基于可见度不同，AI 旨在辅助决策。在 AI 环境下，品牌竞争的核心在于：模型推荐时，能否将自己列入候选名单。

AI 推荐它能解读的东西

研究揭示了四种模式，解释了为何众多品牌在 AI 主导的产品发现中败退，以及“可解读性”为何是破局关键。

首先，"AI 可见性”远比表面支离破碎。在研究的 716 个品牌中，仅 8.4% 能在三大平台稳定出现。大多数品牌仅存在于单一平台，在一个系统中突出的品牌，在另一个系统中可能完全消失。决定 AI 是否推荐的并非曝光量，而是模型能否将品牌视为特定问题的可靠答案。属性清晰、证据充分的品牌，更易被多系统同时选中。

其次，跨平台品牌的定位存在显著差异。55% 的多平台品牌在不同系统中被贴上不同标签（如“高端创新者”变“平价替代品”）。这是因为 AI 不直接搬运品牌信息，而是基于抓取的第三方数据推断定位。象征性定位若无具体属性支撑，在 AI 眼中几乎无效。

数据显示，苹果和索尼因属性清晰而在多平台稳定出现；而迪士尼、星巴克、麦当劳、Netflix、IBM 和英特尔等巨头却未出现在查询结果中。即便露脸的品牌，也常以具体子品牌（如丰田 RAV4、可口可乐零糖）而非母品牌形象出现。AI 依据的是具体产品属性，而非母品牌的象征价值。

第三，查询方式决定竞争格局。探索性查询带来的品牌提及量比目标明确查询多 95%，且仅约 11% 的品牌能同时出现在两类结果中。AI 助手根据用户描述构建推荐：问“跑鞋”与问“适合膝盖疼痛人群的跑鞋”，候选名单截然不同。

更深层次的影响在于品牌对词汇的塑造力。Brooks 耗时 20 年教育市场，让“过度内旋”、“步态偏差”等术语通过专业圈层传播。投资“问题素养”的品牌，在 AI 生成推荐前已铺好有利的查询赛道。

第四，78.7% 的品牌提及带有正面情绪。这反映了 AI 的工作逻辑：先筛选有资格成为答案的品牌，再表达态度。一旦入选，通常都会获得好评。

真正的竞争瓶颈
是“被选中”，而不是“被夸赞”

战略核心不再是“如何让 AI 说好话”，而是“如何让品牌出现在 AI 回答中”。答案在于可解读性。

当模型能构建从用户情况到产品特性再到品牌匹配的清晰逻辑链时，品牌才会入选。AI 推荐路径为：用户状况→产品需求→满足需求的品牌。

可解读性取决于三要素：

实体清晰度：品牌在各信息源中能被清晰识别；

属性结构化：产品特性有明确名称，可比较衡量；

佐证基础：品牌优势有可靠独立来源支持。

具备这些特征的品牌更易被纳入推荐。这本质上是信息架构问题，需跨职能协同。传统品牌建设侧重故事与情感，而 AI 依赖结构化属性与可验证事实。它取悦的是"AI 决策者”，真凭实据胜过花言巧语。

提高 AI 入选率的三个方法

AI 主导的产品发现需要新指标："AI 入选率”，即当品牌能解决用户问题时，作为候选被检索到的频率。这不同于衡量曝光度的“模型份额”，入选率看重的是适配度。

要提高 AI 入选率，需改变价值传达方式：

1. 用可验证规格取代主观声明

AI 难以处理模糊声明。将“高质量”替换为"1000 次循环耐用，通过 ISO 认证”等具体数据，能为模型提供有效信息。Brooks、索尼和苹果的成功，均在于其产品由可衡量、可比较的技术规格定义，而非空洞的声誉。

2. 培育独立的高权威第三方验证

AI 推荐依赖周围的评论、专家点评和研究。Brooks 与专业跑鞋店、教练及医生的长期合作，使其易于被理解。AI 入选率是对第三方可信度持续投入的回报。

3. 从象征性吸引力转向证据结构

许多知名品牌因优势表达无法被模型利用而缺席 AI 推荐。品牌需减少对象征性声明的依赖，加强将品牌与特定用户问题挂钩的证据链。在 AI 市场，品牌实力取决于其成为问题答案的难易程度。

从简单的诊断开始

品牌可通过简单诊断评估自身位置：

第一步，用客户常用关键词在主要 AI 平台测试。观察哪些品牌出现，你的品牌被如何描述，以及不同平台说法是否一致。若描述不一，说明 AI 正在为你贴上可能偏离预期的标签。

第二步，盘点属性结构。确认是否能说出三个可衡量、可比较且对应具体需求的特性。若不能，需确保差异化属性拥有清晰名称并在所有渠道一致使用。

第三步，梳理第三方证据。检查有哪些独立声音在用你的关键属性描述产品。表现好的品牌往往拥有最一致、可信的外部验证，这是时间积累的结果。

此外，应留意并塑造客户描述问题的词汇。投资“问题素养”，让产品解决的具体问题有名字、能传播，从而在 AI 生成推荐前占据有利赛道。

AI 主导的产品发现要求品牌竞争方式发生结构性转变：大众媒体时代比声量，搜索时代比相关性，社交媒体时代比参与度，而 AI 助手时代比的是可解读性。

胜出的品牌未必最知名，但对推理系统而言最易理解。Brooks 并非专为 AI 打造可解读品牌，而是为了向人类专家解释“为什么选这双鞋”。事实证明，这两者殊途同归。未来十年赢家，将是做出同样选择的品牌。

来源丨哈佛商业评论（ID：hbrchinese）

文 | 约翰·盖尔（John Gale）、卢卡·钱（Luca Cian）、吕克·瓦蒂厄（Luc Wathieu）
编校 | 周强