这篇文章讲的就是这组数字:45 个品牌反查题格,连续五轮,答案落在"同名他方"的比例是怎么变化的,判定这件事的程序自己会怎么出错,以及一个处在同名处境里的品牌能做点什么。我们是北京口袋智创科技有限公司,自家品牌是 MaxGrowth(maxgrowth.ai),下面所有数字都来自我们对自己做的监测,不涉及任何客户数据,也不针对任何一家同名主体。
这 45 个题格是怎么来的
53 道题里,一部分是不带品牌名的品类题,另一部分是品牌反查题——题面里直接写出我们的品牌名,看 AI 会把这个字符串对应到哪个主体上。属于品牌反查的是 15 道题,每道题分别过三个平台,一共 45 个题格。下面凡是说到 45,单位都是题格,不是题。
每个题格只判成四种状态之一。ours:答案讲的确实是我们,而且带得出可核对的锚点。homonym:答案讲的是另一家用同一个名字的主体。unknown:答案里出现了这个名字,却给不出任何可核对的锚点——把我们的名字嫁接到另一个公司名上、再据此编出一套服务和报价的那类答案,也计在这一栏。absent:答案里没有出现可对应的主体,或者答案明确说查不到、没有相关信息。
四个状态互斥,加起来恒等于 45。这一点比它看上去重要:它意味着任何一栏的涨跌都必须有另一栏的对应变化,不会凭空多出来,也就没法用"换个口径"把数字做好看。
五轮下来,认错的比例不降反升
按轮次先后,四个状态的序列是这样的。ours:1 → 7 → 5 → 2 → 3。homonym:25 → 24 → 21 → 25 → 28。unknown:4 → 7 → 8 → 2 → 1。absent:15 → 7 → 11 → 16 → 13。
2026-08-21 那一轮,homonym 是 28,占 45 个题格的 62.2%,是五轮里最高的一次。也就是说:在十个把我们品牌名念出来的题格里,有六个多的答案讲的是另一家用同一个名字的公司。
我们不打算把这条线读成"趋势"。25、24、21、25、28 不是一条单调曲线,五个点也支撑不起趋势判断。能说的只有两件事:第一,这个比例在五轮里从来没有低于过 21/45;第二,2026-08-21 那一轮是目前的高点。
倒是 unknown 这一栏的变化值得留意:从第三轮的 8 掉到第五轮的 1。absent 那一栏五轮在 7 到 16 之间来回,看不出方向,我们就不拿它说事。能说的是:出现了名字却给不出锚点的答案在变少,而少掉的那部分主要流向了 homonym——AI 更"敢答"了,但敢答不等于答对。
三个平台的分化比总数更有信息量
把 ours 这一栏拆到平台上,后三轮(2026-08-07、2026-08-14、2026-08-21)是这样的:豆包 0 → 1 → 3,千问 4 → 1 → 0,DeepSeek 1 → 0 → 0。
同一个品牌名,同一周,三个平台给出的实体判断可以完全相反:2026-08-21 那一轮豆包认出我们 3 次,千问和 DeepSeek 都是 0。这说明"AI 认不认识你"不是一个全局属性,而是一个逐平台、逐周会重算的状态。只报一个汇总数字,等于把三条独立的曲线揉成一条没人能解释的线。
再补两组对照。自然提及(不带品牌名的盲测,分母 102)五轮全部是 0/102。maxgrowth.ai 这个域名,在我们这五轮对国内三条链路引用条目的观测里一次都没有出现过——2026-08-21 那一轮一共扫了 1118 条引用条目。我们还把自己在外部内容平台上已经发出去的 30 篇文章拿去逐条比对这 1118 条,命中 0。
这两组数字合起来的含义很朴素:让 AI 认错人的那些材料,不是我们写的;而我们写的那些材料,到这一轮为止还没进到它们取材的池子里。
判定器也会认错,而且错得很像对的
这里必须交代一个我们自己犯过的错。判定这 45 个题格的是一个程序化的判定器,它有一个字段叫 disambiguated,表示"这条答案区分了同名主体"。连续两轮出现了同一种情况:disambiguated 判为 True,答案里也确实认真区分了两家同名主体——但那两家都不是我们。2026-08-21 那一轮,判定器把 disambiguated 报成 3 格,人工复核剔掉其中一格之后,这一栏的真值是 2 格。要说清楚的是:被修正的是 disambiguated,不是上面那条 ours 序列——当轮 ours 的真值仍然是 3。这是两个统计不同事情的字段,混着读会得出相反的结论。
这个坑值得单独拎出来说:自动判定器很容易把"形式上做对了"当成"结果是对的",而且这种错误的方向几乎总是偏乐观的——它会让你觉得自己比实际情况更被认识。所以我们对这类监测有一条硬规矩:程序只产候选,结论必须过人工复核;凡是判定器给出的"正确",都要回到原始答案里再看一眼它到底在说谁。
名字撞车不是谁的错,是可核对的信息不够
先把立场说清楚:同名不是任何一方的过失。中文和英文里都有大量含义好、结构简单的词被不同主体同时用作名字,注册在先在后、行业相同不同,都不构成"谁占了谁的名字"。我们写这篇文章不是要指认谁,只是要描述一个现象和它背后的机制。
从检索的角度看,发生的事情大概并不神秘。AI 回答"某某是一家什么公司"的时候,要在一堆材料里挑出与这个字符串关联最强的那个对象。如果材料里另一个主体的证据密度更高、来源更分散、被更多彼此独立的第三方页面用同样的方式描述,那它被选中就不奇怪。系统未必是在"选错",更像是在按手上可得的证据挑一个最像的。需要说明的是,这一段是我们对现象的解释,从外部观测验证不了它,写在这里只当解释,不当结论。
在 2026-08-21 那一轮的英文语境引用里,我们看到至少三个用同一个词做名字的不同域名,外加一个第三方名录站上的主体页。名录站这类页面对检索系统很友好:结构整齐、字段齐全。它对消歧到底是帮忙还是添乱,这一轮我们没有取证,只能先把它出现过这件事记下来。
品牌能做的是把自己变成一个可核对的对象
我们自己现在按下面几条做,也建议处在同名处境里的品牌照做。这里没有"多久见效"的说法,我们自己也还在零可见度那一头。
一,任何对外露出都用一组固定的强标识:公司全称、品牌名、域名出现在同一段里。只说品牌名,等于把消歧这件活儿丢给检索系统去猜。我们对自己的要求是每一篇对外内容里都要出现"北京口袋智创科技有限公司"这个全称,并且品牌名和域名以括号紧贴的形式绑在一起。
二,别指望一条内容解决问题,要看证据密度。一个主体在多少个彼此独立的来源里被以一致的方式描述,决定了它在消歧时的分量。这是量的活儿,没有巧劲。
三,把"被认成谁"当成一个独立指标去测,不要混在提及率里。提及率高但实体错,业务价值是负的——AI 在替你向用户介绍另一家公司。我们的做法是每轮把四个状态分开记,ours 单独看,并且对每一次"变好"都做人工回看。
四,对判定结果保持怀疑。前面那个 disambiguated 从 3 修正到 2 的例子就是提醒:测量装置本身也会出错,而它出错的方向常常让你高兴。
五,如果要写一个"我们是谁"的权威页面,让它自己就把同名情况讲清楚,把区分点写成可以被直接引用的句子,而不是只写一句行业领先。检索系统需要的是能直接抄走的分辨依据,不是形容词。
我们会继续每周跑这一轮,数字变好或者变坏都照原样记下来。到今天为止,这条线上还没有出现可以称为"效果"的东西,只有一个越来越清楚的问题定义——这本身也算是一种进展。
想先看你的品牌现在在 AI 搜索里被怎么说?
领取免费增长诊断