研究笔记 NOTE-001
AI知道你的品牌，不等于AI会推荐你的品牌
Brand Recognition Is Not Recommendation
一项匿名历史结构化研究，观察品牌理解、自然推荐与产品适配为什么必须被当作不同的可观察问题。
研究问题
AI知道一个品牌，
和AI会不会推荐它，是一回事吗？
不是。
当品牌名称、定位或产品信息已经提供时，AI 可以描述它，也可以判断它是否适合某类消费者。但在另一种更接近真实购物提问的场景里，如果不主动告诉 AI 这个品牌，它可能根本不会把品牌带进推荐结果。
品牌被 AI 理解，
与品牌被 AI 自然推荐，
是两个不同的问题。
识别与推荐的差距
为什么“你知道这个品牌吗”
容易造成误判
很多品牌测试 AI 时，会先问：
“你知道品牌 X 吗？”
这种测试能够告诉你，模型是否可以识别或描述一个已经被点名的品牌。但它不能替代无品牌提示条件下的推荐测试。
在本文的实证部分，我们使用的是更明确的 Brand-informed 条件：向模型提供品牌背景，再观察它如何理解和评估品牌与不同购物情境的适配。研究没有假设模型在获得这些背景之前已经独立理解匿名目标品牌。
消费者通常先描述自己是谁、要完成什么任务、预算与偏好是什么，以及哪些条件不能妥协。品牌能否在没有被预先点名的情况下进入候选列表，才是另一个独立的可观察状态。
一段准确的品牌介绍不能替代推荐测试。AI 能描述品牌，不代表品牌会自然出现在消费者的选择路径里。
测试设计
同一组购物情境，
三种彼此分开的研究条件。
PersonaSignal 已在不同消费品情境中开展多轮结构化 AI 推荐研究，使用过 GPT 与 Gemini，并观察自然推荐、品牌理解、产品适配、模型差异，以及探索性的 Search / Grounding 条件。本文只使用其中一项匿名历史研究的核心非 Grounding 证据。
自然盲测
不提供目标品牌
不提供匿名目标品牌及其产品，也不要求模型考虑或推荐该品牌。
- 观察
- 它是否自然进入回答、推荐列表或第一选择。
品牌信息条件
提供匿名品牌背景
让模型评价品牌与购物情境的适配、信息完整度与不确定性。
- 观察
- 品牌理解与适配判断；这不是推荐率。
产品适配
提供匿名产品信息
观察具体产品与不同购物情境的适配、替代判断与无合适产品状态。
- 观察
- 产品 / 消费者适配；不与自然推荐混为一项指标。
条件边界三种条件回答不同问题。本文不把 Brand-informed 适配判断描述为自然推荐，也不把条件差异描述为推荐提升。
研究结果
我们观察到什么
以下三个数字是一个完整、不可拆分的公开结果包。4 / 300 的产品提及必须与两个 0 / 300 同时呈现。
模型运行
进入推荐列表
0 / 300没有进入推荐列表
匿名目标品牌及其产品第一选择
0 / 300没有成为第一选择
匿名目标品牌及其产品仅出现于 Gemini 安全说明
4 / 300仅在安全说明中提及
一个匿名目标产品 不是推荐不是第一选择
状态定义
提及 ≠ 推荐 ≠ 第一选择
- 提及
- 目标身份出现在可观察输出的其他位置，例如安全说明。
- 推荐
- 目标品牌或产品进入结构化推荐列表。
- 第一选择
- 目标品牌或产品被选为第一选择。
分母说明300 表示同一组 100 个结构化购物情境分别由 3 个历史模型运行，共 300 次模型运行（model-runs）；不是 300 名消费者，也不是市场样本。
换句话说，在这组历史模型、提示与情境下，品牌没有自然进入推荐结果。
当品牌背景被明确提供后，模型可以讨论其定位、适配情境、信息缺口与风险，并在部分结构化情境中将其判断为可适配对象。这里的“适配”不是“推荐率”，也不能与 Blind 条件直接相加或换算成提升幅度。
品牌信息进入上下文后可以被理解，
不等于品牌会在独立推荐场景中自然出现。
条件比较
不同条件揭示了什么
品牌信息条件
品牌理解与适配判断
呈现品牌定位、适配情境、信息缺口与风险。自然盲测
自然进入推荐结果
观察品牌能否在未被点名时进入推荐列表。不同条件呈现了不同信息，但这种比较不等于品牌信息提高了推荐表现，也不构成自动的因果证明。
对品牌的意义
这对品牌意味着什么
“AI 知道我们”不是完整的 AI 推荐诊断。一个品牌可以在被提供时容易描述，同时在自然购物问题中没有进入选择路径。
- 01
信息已提供
品牌信息已提供时，AI 能描述并评估它。
- 02
特定情境适配
它可以适配一部分结构化购物情境。
- 03
未进入自然推荐
它仍然可能没有自然进入推荐列表。
- 04
竞品替代
在另一些情境中，AI 会选择替代品牌。
- 05
无合适目标产品
部分情境可能没有合适的目标产品。
品牌还需要分别测试：它会不会自然进入候选集、在哪些消费者情境中适配、何时被竞品替代，以及公开信息是否足以支持模型做出清晰匹配。
证据边界
这些结果能说明什么，
又不能说明什么。
这是一项匿名历史结构化研究，结论只对应当时测试的模型版本、提示、情境、条件与执行时间。
- 01
100 个情境是结构化的合成购物情境，不是统计代表性的市场样本。
- 02
300 条输出是三组模型运行，不是 300 名独立消费者。
- 03
结果描述可观察输出，不解释模型隐藏推理或内部排序权重。
- 04
条件之间的差异不是自动的因果证明。
- 05
结果不保证未来模型、其他市场或所有行业出现同样行为。
- 06
研究不承诺排名、推荐、流量或销售提升。
不纳入本结果独立的 Search / Grounding 探索不属于本文核心结果，也不在这里报告任何量化影响。
研究结论
品牌识别是一层。品牌推荐是另一层。
如果品牌只测试“AI 是否知道我”，就可能错过更关键的问题：
当真实消费者带着自己的情境和筛选条件来提问时，
AI 会不会自然选择这个品牌？
这需要独立、结构化、可重复的推荐研究，而不是一次品牌点名测试。