GEO 一问一答 · 第 18 篇 · 每日更新
GEO 一问一答 · 第 18 篇 · 每日更新
62.2% 对 9.0%。
这是多伦多大学一项实验里的分配结果：50 个不带品牌名的提问，AI 提到品牌的总次数里，62.2% 给了 20 个大牌，9.0% 给了 20 个小众品牌。
差了近 7 倍。可口可乐一家，在 ChatGPT 里被提 78 次，在 Perplexity 里被提 107 次。
所以第一个问题先答：宽问题上，AI 确实偏心大公司。
但这组数字后面还藏着半句更要紧的话——差距不在预算，在证据。
他做过 40 多个食品厂车间，AI 提的是没做过的连锁
上周三下午，佛山一个做工业清洗的老板给我发截图。
他叫老周（化名），18 个人的厂，干了 14 年。
他在 AI 里问："佛山工业清洗，能进食品厂车间的那种，找哪家？"
AI 列了 5 家。3 家是全国连锁，2 家他没听过。
他自己的公司，一个字都没有。
电话里他说的原话我记下来了："食品厂车间我做过 40 多个，那两家连锁一个都没做过，凭什么提它们？"
我让他把 40 多个案例发我。
他发了 9 张图，全是车间照片，一个字说明都没有。
我又问："你做过食品厂的，网上哪儿能查到？"
他想了半分钟，说："客户不会往外说啊，签了保密协议的。"
这就是全部答案。他有证据，证据在相册里、在记忆里、在保密协议里。AI 一条都读不到。
AI 的大牌偏好，是平局时的默认值
很多人以为 AI 手里有一份"大品牌白名单"。不是。
同一批研究者后来做了控制实验：让一个完全不存在的品牌，跟真实的在位品牌放在一起比。
结果是这样——虚构品牌只要评分高 0.075 分、评论数是对方的 1.6 倍，或者价格低 7.3%，就能在一半的回合里赢。
这三条证据一条都没有的时候，在位品牌 100% 赢。
翻译成人话：AI 偏向大牌，是因为大牌的证据到处都有——维基、媒体、测评、榜单、别人的文章。它不是在给你排名，它是在找"谁的说法被最多人写过"。
你把说法写出来，它就会改判。你不写，它只能按默认值排。
我不信的东西
同一批实验里还有个数字，我必须说。
给虚构品牌编造"临床实验证明"，它在 73.3% 的回合里压过了真品牌。研究者是故意造假来找上限的。
这说明两件事：AI 现在能被骗；AI 明天就能不信你。
我的立场很直接：任何跟你说"能让你被 AI 首推"的服务，都不值得信。
靠编数字换来的位置，一次模型更新就归零。而且客户真按 AI 的话找上门，你接不住，反而更糟。
别跟连锁抢宽问句，去抢窄问句
老周后来问了句更实在的："那我是不是得跟连锁拼？"
不用。你拼不过"工业清洗哪家好"，但你能赢"佛山食品厂车间清洗"。
差别在这儿——
问句类型| 长什么样| AI 怎么答
---|---|---
宽问句| 工业清洗公司哪家好| 能答的来源太多，全国连锁占满前排
窄问句| 佛山食品厂车间清洗找谁，要能过验厂| 能答的来源很少，谁写过具体工艺和验收标准，就提谁
这不是我编的。
对 10 万多条 AI 回答、100 多个品牌的分析发现：全球知名品牌在相关问题里的出现率是 73%，中腰部品牌 44%，小品牌 11%。
但另一组数据更有意思。G2 今年的 B2B 买家调研里，三分之一的人最后选的供应商，是 AI 推荐之前压根没听过的。
两句放一起，小公司的路就清楚了：宽问题上你进不去；窄问题上，客户本来就在找"没听过但正好对口"的那一家。
今天就能做的三件事
① 写下 10 个窄问句。用客户的原话，带上城市、场景、限制条件。"食品厂车间清洗要过验厂"比"工业清洗"值钱十倍。
② 一个问句配一段 200 字答案。问句当小标题，第一句直接给结论，别铺垫。
③ 把证据写成能核对的形式。做过几个、验收标准是什么、资质编号多少。"多年经验""业界领先"这种词，AI 抄了也没用，因为没法验证。
别一上来铺 100 篇。先做 3 个窄问句，两周后自己问一遍，看它提不提你。
老周走之前说了一句："我那 9 张照片，是不是白拍了？"
不白拍。照片配上一句话——什么厂、多少平方、验厂过了几项——它们就从相册搬到了 AI 读得到的地方。
今天就能做的一件事
打开手机里的豆包或者 DeepSeek，问一句你自己的窄问句：
"（城市）（行业）（具体场景）找谁？"
看它念出来的那几家，有没有写过你写过的东西。
如果没有，你就知道这个月该写什么了。
想先看自己在 8 个平台里长什么样？
后台回复 测评 ，把品牌名 + 行业发给我们，免费扫 8 大 AI 平台出可见度报告：谁提到了你、说对了没有、哪一题答错、哪几家在你前面。每天限 5 个名额 ——每份报告人工核过再发，不收钱，也不承诺排名。
数据说明：62.2% / 9.0%、可口可乐 78 次与 107 次，出自多伦多大学 Chen 等《When Models Choose: Brand Bias in LLM Recommendations》（arXiv:2509.08919，2025），方法为 50 条不带品牌的软饮提问，统计 ChatGPT 与 Perplexity 合计的品牌提及分布。0.075 分评分优势、1.6 倍评论数、7.3% 价差、73.3% 编造说法，出自 2026 年 6 月发布的对照实验（Chu 与 Hou），为虚构品牌与真实在位品牌的配对比较，属预印本口径。73% / 44% / 11% 出自 2026 年 3—5 月对 10 万余条 AI 回答、100 多个品牌的可见度分析，经行业媒体转述。三分之一买家选择"AI 推荐前没听过的供应商"出自 G2 2026 年 B2B 买家调研。以上均为海外口径，比例不直接套用于国内，仅作趋势参考。案例为脱敏样本，人物化名，案例数量与经历为当事人自述，未经第三方审计。本文不构成效果承诺或排名承诺。
一问就来GEO · 每天一篇，讲给中小企业老板听
不承诺效果，只讲怎么把事实摆对
觉得有用，扫码加我微信。 免费帮你测一次 AI 可见度：让客户问 AI「你所在的行业哪家好」，看看答案里有没有你。