把AI答案的品牌倾向拆成曝光、记忆、态度三层后，我发现原来归因口径全偏了

最近在整理一批AI答案的品牌倾向数据，越看越觉得不对劲。之前我们团队（包括我自己）习惯用一个笼统的「品牌提及率」来归因，把AI答案里出现品牌名就直接算作一次曝光，然后拿这个数去和转化漏斗对。结果上周做交叉验证时，发现同一个品牌在两类问题下的提及率几乎一样，但用户调研里的品牌回忆率差了将近一倍。

这就逼着我回到营销理论里找根子。从传播学视角看，AI答案其实同时承担了三个功能：曝光（exposure）、记忆（memory）和态度（attitude）。我们原来的口径把这三层压成一层，等于默认「看到=记住=好感」，这在传统广告时代就不成立，在AI答案这种高度结构化的信息环境里更荒谬。

于是我做了个笨办法：把同一批AI答案按三层重新编码。

• 曝光层：品牌名或产品名是否出现，出现位置（开头/中段/结尾）。
• 记忆层：品牌是否与关键属性（比如「续航」「性价比」）形成绑定，且该绑定是否出现在答案的核心结论句里。
• 态度层：答案是否包含评价性词汇（「领先」「可靠」「争议」），以及这些词汇有没有出处。

编码完我发现两个反直觉的结论。第一，曝光层高的品牌，记忆层未必高——很多品牌只是被列举在「可选品牌」清单里，AI根本没给它任何属性绑定，这种曝光对用户记忆几乎没贡献。第二，态度层的评价词如果没出处，用户反而会降低信任，这在我们的用户访谈里有直接证据。

所以我现在坚持一个判断：GEO的效果归因必须分层测量，不能再用单一提及率糊弄。这本质上是营销测量理论里「认知—情感—行为」链条的延伸，只不过AI答案把这条链压缩在了几百字里，更需要精细拆解。

抛个问题给大家：你们在监测AI答案时，有没有试过把「品牌被列举」和「品牌被评价」分开统计？如果分开，两边的数据差距有多大？