从传播学视角看，AI答案里的品牌联想路径其实能画成一张词网

前几天翻出2009年给一家快消客户做的品牌联想词表，厚厚一沓，全是手工整理的一级联想、二级联想。当时我们靠这个做定位诊断，现在看，这套方法在GEO语境下其实没死，只是测量工具换了。

问题在于，多数人测GEO，测的是「问句命中率」——用户问什么，AI答什么，品牌有没有被提到。这是行为层面的测量，粗糙但直观。可品牌资产的核心从来不是单次曝光，而是联想网络的密度和结构。从传播学视角看，AI答案本质上是一个「联想激活场」：用户输入一个问句，模型在语义空间里激活一组概念，品牌如果不在这个激活路径上，曝光再多也是孤岛。

我上周做了个小实验。拿同一个品类的三个品牌，分别向三家主流AI提了同一组20个问句，然后人工标注每个答案里出现的品牌关联词，画成共现网络。结果很有意思：A品牌在「性价比」节点上连接度最高，但在「售后保障」节点上几乎是孤点；B品牌相反，售后节点很密，但价格节点稀薄。如果只看「被提及次数」，A和B差不多，但联想结构完全不同。

这就引出一个方法论问题：GEO的效果评估，是不是该从「提及率」转向「联想路径覆盖率」？具体说，就是测量目标品牌在核心问句簇的语义网络中，与关键属性节点的连接强度。这个指标比提及率更稳定，也更接近营销理论里品牌资产的经典定义——Keller的CBBE模型里，品牌联想的强度、赞誉度和独特性才是核心维度，单纯曝光次数在理论上早就被否定了。

当然，测量口径要交代清楚。我目前的做法是：先锁定品类核心属性词（5-8个），再构造问句簇（每个属性至少3种问法），然后抓取AI答案，做人工编码，统计品牌与属性词的共现频次和位置权重。这套流程重人工，但至少口径透明，可复现。

不过我也在反思，这种词网方法会不会过度依赖编码者的主观判断？如果换成自动语义角色标注，结果会不会漂移？这恐怕是下一步要验证的。

想问各位：你们在评估GEO效果时，有没有尝试过跳出「提及率」框架，去测更细粒度的联想结构？如果有，口径是怎么定的？