AI 品牌描述（AI Brand Description） AI Brand Description
AI 品牌描述（AI Brand Description）指生成式引擎在被问到某品牌时给出的那套介绍性表述：它怎么定位你、用什么词形容你、把放进哪个对比组、情感倾向如何、事实说得对不对。它与可见度指标分工明确：提及率与 AI SOV 回答「提不提你、提多少」，品牌描述回答「提你的时候怎么说」。两者可以完全背离——一家公司可能被高频提及但被描述成「过时的老牌子」，也可能被低频提及但每次都被放在「专业可靠」的语境里。份额是量的账，描述是质的账，质的账在决策层往往更有解释力。
第二本账测什么：四个维度
实践里把品牌描述拆成四个维度分别记录。定位维度：AI 把你归入哪个品类、哪个梯队，与谁互为替代项——「与某某并列推荐」和「某某的地区平替」，是两种天差地别的位置。定性维度：给出的形容词与判断句，专业、性价比、老牌、激进，这些词构成 AI 时代的口碑底稿。事实维度：参数、历史、规模、资质说得对不对——说好话说错事与说坏话说对事，处置路径完全不同。情感维度：整体倾向是推荐、中立还是劝退，口径细节见提及情感（Mention Sentiment）。四个维度合起来，构成「AI 眼中的品牌画像」，它正成为品牌资产盘点里与搜索形象、社媒口碑并列的第三张体检表。
维度的记录要带上下文：同一品牌在品类推荐题、对比题、评价题里的描述可能完全不同——推荐语境里的保守措辞与被点名后的详细介绍并不矛盾。分语境建档，才不会把「品类题里没被展开描述」误读成「AI 不了解我们」。
描述从哪里来：模型心智是第三方语料的沉淀
一个必须先接受的事实：AI 对品牌的描述，主要不来自你的官网，而来自模型训练语料与检索结果里的第三方表达——评测、社区讨论、百科词条、媒体报道、对比文章。模型用这些材料的「共识」描述你：共识说你贵，你官网写性价比它也难以改口；共识说你是区域品牌，你的全国战略它暂时视而不见。品牌想改的每一处描述，对应的都不是改文案，而是改第三方语料里的共识——这正是实体建设工作的对象：知识图谱层的口径统一见知识图谱（Knowledge Graph），模型对品牌的结构化认知展开见品牌实体（Brand Entity）。
这个来源结构也解释了描述的惯性：语料共识变化慢，描述的改变以季度计，而且新描述要先在第三方内容里出现、被多处印证，才会反映到回答里。对描述监测的节奏预期应当照此设定——它不是营销动作的即时回声，而是语料环境的滞后读数。
怎么测：点名题与分维度的建档
测法上，品牌描述靠「点名题」触发：直接问「某某是什么/怎么样/与某某比怎么样」，采集各引擎的完整回答原文，按四个维度标注。题集设计要点有三。其一，点名方式要全：品牌全称、简称、品牌加品类都要有，不同问法触发不同的描述路径。其二，分引擎分列：各引擎语料与检索结构不同，描述差异极大，只测一家会把引擎个性误当品牌形象。其三，时间序列化：按固定周期复测，描述的每次显著变化都回查同期第三方语料发生了什么——这层测量方法论的完整口径，包括三类探针的分工，见秀虎GEO 测量方法论，其中品牌关联题与站点评价题正是描述监测的产品化形态。
读数纪律沿用测量的一般规则：多次采样看趋势、单点描述不定性。某一次回答里出现负面措辞，先看它是否在多次回答里复现；稳定复现的描述才进入经营议程，偶发的不值得反应——这与所有概率化读数的用法一致。维度记录时建议连「未提及」也记：被点名后 AI 只字未提你的某个核心卖点，本身就是一个读数——卖点没进语料共识，与卖点被说错，问题不同、修法也不同。
描述读数还有一个容易被忽略的用途：给内容与公关团队当「共识温度计」。把 AI 用的形容词按出现频次排序，前几名就是第三方语料里关于你的最大公约数——它与品牌自己的定位主张之间的差值，就是传播工作要弥合的距离。差距清单比任何抽象的品牌审计都更可执行：每一条不受欢迎的共识表述，都对应一类该去铺设的第三方内容。
描述错了怎么办：经营而非辩驳
事实性错误（参数说错、资质安错）与定性偏差（梯队放错、标签过时）要走不同流程。事实错误走纠错：定位错误来源、提供权威修正材料、推动纠错源进入检索视野，完整闭环见事实纠错监测（Fact-Check Monitoring）。定性偏差走建设：把期望的定位写成第三方内容可印证的表述，让评测与社区先说出来，再等共识沉淀回模型。两条路径的共同点是：动作发生站外，而不是在自己官网反复措辞——官网是说给自己人的，模型的描述听第三方的。
最后放回概念谱系：品牌描述、提及、引用、份额，层层叠起来逼近一个老问题的 AI 版——品牌在用户心智中占什么位置。有业者试图把它收拢成单一指标「模型份额」，该口径尚无统一定义，务实做法仍是拆成分开的账本各自监测，辨析见Share of Model（模型份额）。在指标可用的今天，把「怎么提」这本质账记清楚，比追逐一个尚不存在的总分更接近问题本身。