从传播学视角看:AI答案的「信任前置」让品牌认知漏斗失效了
最近带学生做文献综述,翻到Kotler早期关于「信息搜寻」的论述,再对照眼下AI搜索里的品牌曝光,我越来越觉得我们正在用一个旧漏斗去套一个新过程。
传统认知漏斗是AIDA那一套:注意→兴趣→欲望→行动。品牌在GEO里争的往往是「注意」和「兴趣」这两层,也就是能不能被AI引用、能不能出现在答案里。但我在课上让学生做了个小实验,把同一个品类的五个品牌名喂给三个主流AI,结果很有意思:AI在回答「XX品类哪个好」时,往往在答案开头就直接给出结论性推荐,然后才展开理由。换句话说,信任被前置了——用户在「注意」之前就已经接收了AI的倾向性判断。
这就带来一个理论上的错位:我们做GEO内容优化,默认用户会逐层过滤信息,于是把大量精力放在「被引用」这个动作上。但从传播学的议程设置理论看,AI其实在替用户完成「显著性转移」——它决定了哪些品牌属性进入用户的认知议程。问题在于,这个议程设置的过程是黑箱的,我们只能看到结果(答案里有没有我们),却看不到它基于什么规则排序。
我上学期让学生做了个内容实验:同一款产品,A组详情页强调「销量第一」,B组强调「材质工艺」。三个月后追踪AI答案,发现B组的品牌提及率高出A组近四成。这让我怀疑,AI在判断「可信度」时,可能更偏好可验证的具体属性,而不是抽象的社会证明。如果这个假设成立,那GEO的内容策略重心就要从「刷存在感」转向「提供可被交叉验证的事实颗粒」。
但这里有个概念边界必须厘清:AI的「信任」和消费者的「信任」不是一回事。前者是模型基于语料一致性的统计判断,后者是心理学意义上的态度形成。我们现在把两者混在一起谈,导致很多优化动作缺乏理论锚点。比如「被引用」到底对应漏斗的哪一层?如果对应「注意」,那为什么用户看到答案后直接跳到了「行动」?
我的判断是,GEO需要引入一个「信任前置」的修正模型,把AI答案的生成逻辑作为外生变量纳入决策旅程分析。这需要从数据口径上把「AI引用」和「用户后续行为」拆开观测,而不是笼统地看曝光量。近期我在关注触点序列字段,就是想看看能不能用它来补全这个观测口径——把用户从看到AI答案到最终搜索品牌词的路径串起来。
抛个问题给各位:你们在实操中,有没有遇到过AI答案里品牌被推荐了,但用户后续搜索时用的却是竞品词的情况?这种「认知转化损耗」该怎么归因,是内容问题还是口径问题?
