AI 答案里的品牌叙事：一致性检查

九月，一家做折叠电助力车的团队在德国站看到一句谁都没写过的话：“该品牌主打入门通勤，续航够用，价格亲民。”官网写的是“城市通勤，15 秒折叠”，亚马逊 listing 标题挂着“越野宽胎”，两篇本地测评一篇说“适合短途接驳”，一篇说“爬坡吃力”。每个来源单看都没错，拼起来是一个他们不认识的品牌。

AI 不会挑你最想被记住的那句话，它会把官网、平台、媒体与评论里的说法取一个公约数；品牌叙事管理的对象不是文案，而是几组必须在所有来源里取值相同的要素。

为什么 AI 会把你“平均化”

模型对一个品牌的描述，先做归并，再做生成。归并时它手里有七八份材料，说法不一致，只有三条退路：取出现次数最多的、取看起来最保守的、取最泛的类别词。三条退路都会削掉差异，留下一个类目代表——“性价比品牌”“入门通勤”“也提供多款产品”。

数值型的要素更容易被平均。官网写 90km、listing 写 120km、测评实测 60km，模型通常给一个区间或中间值，再补一句“实际续航因使用条件而异”。这句话不算错，但它替你放弃了“在什么条件下跑到多少”这个最有说服力的差异点。

站外材料在归并时权重不低。一段第三方测评、一条平台评论，比官网一段形容词更像“可核验的事实”，因为写的人没有动机替你美化。所以官网写得再漂亮，也只能覆盖一部分来源；剩下那些不受你控制的句子，同样在替你说话。这也解释了为什么品牌叙事要从品牌实体的字段层动手：名称、品类、产地、规模先对齐，描述句才谈得上稳定。

叙事要素：七格，不是一段文案

一致性发生在要素层，不在句子层。同一个要素在所有来源里只能有一个取值；措辞可以换，语言可以换，单位可以换，事实不能换。

要素	唯一取值要求	典型冲突
品类定义	一句话说清你是什么、不是什么	官网说通勤车，listing 说越野车
人群与场景	谁、在什么场景用、替掉什么麻烦	一处写新手通勤，一处写硬核玩家
差异点	一句能被反驳的具体主张	三处都说“更好骑”，没有一处可验证
价格带	一个区间，带币种与含税口径	官网 899 欧，平台 799 美元
关键规格	同一测试条件、同一单位	续航三处三个数，均无测试口径
产地与规模	生产地、团队规模、成立年份	一处写 2016 创立，一处写十年经验
保修与售后	年限、覆盖范围、退货运费归属	官网两年，平台一年

七格里最容易被忽略的是第一格和第七格。品类定义决定模型把你放进哪个候选集，保修口径决定它敢不敢把你推荐给对售后敏感的买家。这两格写偏，后面五格再准也没用。

多源审计：四步，先抄原句

审计不是重写文案，是把各来源的句子抄下来对照。四步做完通常两三个小时，不需要工具。

步骤	做什么	谁来做	怎么算过
1 取样	官网各语言首页与核心 PDP、平台 listing 前三、近一年媒体与测评、社区问答	内容 + 增长	每个来源都落到具体 URL 与日期
2 抄原句	只抄描述品牌或商品的那一句，不改写、不概括	内容	每句能指回来源，带截图
3 填卡	七要素逐格填，冲突处标红并写明各自来源	内容 + 品类	每格只有一个取值，或明确标为冲突
4 排序	按“被引用频次 × 可核验度”排，不按改动难度排	增长	输出一张从高到低的修正清单

第 2 步要求抄原句，是为了拦住“我记得他们大概是这么写的”。记忆会把冲突抹平，抄写不会。采样规模和记录口径可以直接沿用AI 可见度指标的基线方法，两套数据将来要能对上。

示例：一台折叠车的三份说法

以下品牌、参数与价格均为虚构，只用于演示冲突怎么找、按什么顺序修。

改前：官网写“续航 90km（eco 模式，25℃ 空载）”，平台 listing 标题写“续航 120km”，一篇测评写“实测 60km 左右”。AI 的回答是“续航约 80km，适合短途通勤，不适合长距离”。

三个数字里，只有官网那个带完整条件。问题不在 90 与 120 谁对，而在另外两处没有口径，模型只能把它们当同等可信的样本平均。修法是给续航定一个可复述的口径——测试标准、助力模式、载重、温度——然后让官网、listing 与商品 feed 三处同值；把没有条件支撑的 120km 从标题撤掉，而不是反过来把测评的 60km 改成 90km。测评方那边，寄一份带测试条件的规格页，请他们在文中引用；不要求改结论，第三方改口比第三方引用可疑得多。

改后，同一问题的回答收敛成“标称 90km，eco 模式空载 25℃；有测评实测 60km 左右，载重与坡道会明显影响”。品牌没有被夸好，但两个数字第一次有了因果关系。

修正顺序：先改被引用的源

顺序错了，越修越乱。先改官网文案，模型仍在引用旧 listing 和旧测评，冲突反而变多。

第一，先改结构化字段：feed、listing 参数、PDP 规格表。字段与字段直接可比，改一处就少一处矛盾，且这些字段要能被机器读走，参考证据的机器可读格式。

第二，再处理高频引用的第三方。你能做的是提供带条件的规格页、更正说明与可引用的素材，不能要求删稿。对方不改，就把自己的口径写得更清楚，让引用时有得选。

第三，最后改官网叙事与各语言版本。这一步最慢也最省事，因为前面两步已经把事实定死了。

第四，复测。用同一组问题在修正前后各采一轮，看描述句是否收敛到同一组要素。不要用一次截图判断成败，也不要把它写成排名承诺。收敛是过程指标，不是结果保证。

边界：一致性不是同一句话

第一，全站复制同一段话不是一致，是偷懒。同一段文字放在首页、类目页、PDP，缺少各自需要的条件与场景，被引用的概率反而更低。要素一致，句子该不同就不同。

第二，定位升级时，旧语料会拖一段时间。新旧说法并存期，用“自某年起”“上一代产品”这类时间限定把两段历史分开，不要两边都说“首个”。

第三，平台字段受限、第三方不可控。你能控制的是提供材料与修正自己的字段，不是删掉别人的句子。

第四，站外几乎没有提及的新品牌，先解决实体存在与覆盖，再谈一致性；否则七格卡只是把“没人说过你”写得更整齐。

第五，最坏的修法是把不一致改成一致但错的。宁可保留冲突并标明口径，也不要用一个好看的数字统一全站。

这周做一件事：挑三个来源——官网首页、一个平台 listing、一篇第三方测评——抄下它们描述你的那一句，填进七格卡；只改冲突里权重最高的那一格，两周后问同样的问题，看 AI 那句话有没有靠回来。这一期其余篇目汇总在内容与语义主题页。