从科特勒的「品牌联想网络」看GEO:AI推荐到底在改写哪一层节点
最近备课时又把科特勒那版《营销管理》翻出来,重点看品牌联想网络那一章。Keller 的 CBBE 模型讲得很清楚:品牌资产的核心是消费者记忆里那张联想网络——节点是属性、利益、态度,连线是联想强度。我之所以重读,是因为带的一个硕士生拿 AI 推荐结果做论文,问我「AI 推荐算不算品牌联想的一种测量」。这个问题问得挺关键,我顺着想了一层,写出来跟大家碰一碰。
先说我的判断:GEO 在理论上不是新东西,它是品牌联想网络在「机器中介传播」场景下的一次重新测量。传统营销里,品牌联想的测量靠问卷、靠投射法、靠反应时实验,测的是人脑里的节点和连线。而 AI 推荐给出的,是模型训练语料里品牌词与属性词、场景词、竞品词的共现关系——它测的不是消费者脑子,是语料里的统计关联。这两者高度相关,但绝不能划等号。
我拿一个小实验说明这个区别。选一个国产护肤品牌,我设计了三个层级的问句去问主流 AI:
- 属性层:「XX 品牌主打什么成分?」
- 场景层:「敏感肌换季用什么精华?」
- 竞品层:「XX 和 A 牌、B 牌比怎么选?」
结果很有意思。属性层回答稳定,基本能复述品牌自己的成分话术;场景层就开始漂,AI 会把该品牌和另外两个竞品并列推荐,且排序每次略有差异;竞品层最不稳定,同一问句隔两天问,推荐顺序会变。
这个结果用联想网络来解释就通了:属性层对应的是品牌自己可控的「强节点」,语料里反复出现,关联稳固;场景层对应的是「弱节点」,依赖第三方内容(测评、种草、问答)的共现,而第三方语料本身噪声大;竞品层则是「竞争性联想」,AI 在做的是语料层面的相似度排序,不是消费者真实的偏好排序。
由此我得出一个判断:把 GEO 的 KPI 定成「被引用次数」,测的其实只是属性层强节点的可见度,场景层和竞品层根本没覆盖到。这就是为什么很多品牌周报里引用数很好看,一到真实购买场景就掉链子。
再往深一层,从传播学视角看,AI 推荐引入了一个新的「把关人」——它不是编辑,不是算法排序,而是语料分布本身。品牌想影响这个把关人,靠的不是写更多自夸文案,而是让品牌词在第三方场景语料里获得稳定共现。这跟传统公关的逻辑其实一脉相承,只是执行口径变了。
所以我的结论是:GEO 需要建立分层测量框架,至少把属性、场景、竞品三层拆开,分别设定观测口径,而不是笼统统计引用数。
抛个问题给大家:你们在做 GEO 的时候,有没有试过把同一个品牌分别放到属性、场景、竞品三类问句里测?三类结果之间的落差有多大?我挺想知道这是不是普遍现象。
