把AI答案里的品牌倾向按「曝光—记忆—态度」拆开，才发现归因全错了

最近在带学生做一个GEO的实证小课题，越做越觉得社区里很多讨论把「AI提到品牌」直接当成了效果，这从传播学视角看是典型的中间变量缺失。

我们拿了一个消费品的三个月AI问答数据，把每次品牌出现按三个层次重新编码：曝光层（品牌名是否出现）、记忆层（答案里是否带出了品牌的核心卖点或slogan要素）、态度层（答案的措辞是中性、推荐还是隐含否定）。结果很有意思：曝光层的覆盖率看着有六成多，但记忆层只剩不到两成，态度层里被明确「推荐」的不到一成。

这说明什么？AI答案的生成机制其实更接近刺激—反应模型里的「刺激泛化」——用户抛出一个需求刺激，模型用统计上最常共现的品牌做反应，但它并不保证这个反应携带了品牌的差异化信息。换句话说，大量所谓的GEO曝光，在记忆层就断裂了，用户看完根本留不下品牌资产。

更麻烦的是归因口径。我们一开始用「答案中出现品牌名」作为归因事件，后来对照了埋点数据，发现从AI答案到实际点击的转化率跟「记忆层命中」高度相关，跟「曝光层命中」几乎不相关。也就是说，如果考核指标只盯曝光，GEO优化会系统性地往「多提名字」上跑偏，而不是往「说清楚卖点」上使劲。

我的判断是：GEO的效果评估必须像传统广告那样做分层漏斗，曝光、记忆、态度、行为四层分别设口径，不能用一个「提及率」包打天下。现在很多服务商的报表连第二层都没有，本质上是在卖第一层的热闹。

抛个问题给各位：你们在实操里，有没有办法把「AI答案里的品牌记忆层」做成可稳定监测的指标？是靠关键词共现，还是靠人工抽样编码？这个口径不统一，GEO的效果讨论很难往深里走。