夜雨聆风想知道 AI 是否认识一个品牌，最简单的动作当然是打开一个 AI 助手，输入品牌名，然后看它怎么回答。
但这只能得到一次回答，不能直接推出“品牌已经被 AI 看见”，更不能证明它会在其他平台、其他时间或其他问题中稳定出现。
一次自查真正能回答的是三个更具体的问题：
• AI 这次有没有提到品牌； • 它对公司、产品和能力的描述是否准确； • 回答是否给出了可以核验的公开来源。
如果暂时不准备购买专业工具，市场团队仍然可以使用公开页面、普通账号和一张表格，完成一轮低成本初步检查。
先说明边界：本文所说的“免费或低成本”，是指不额外采购检测软件，使用团队现有账号和公开资料完成自查；不包括人员时间，也不代表各 AI 平台会长期提供相同的免费功能或额度。
方法一：先写测试表，不要想到什么问什么
很多自查失败，不是因为 AI 没有回答，而是测试问题每次都不一样，最后无法比较。
建议先固定一组最小问题。可以直接复制下面这 7 个：
1. [品牌名] 是什么？ 2. [品牌名] 由哪家公司推出或运营？ 3. [品牌名] 主要提供什么产品或服务？ 4. [品牌名] 适合哪些企业或使用场景？ 5. [品牌名] 有哪些已经公开确认的核心能力？ 6. 以上判断依据哪些公开来源？请给出可以核验的页面。 7. 如果要解决 [目标问题]，有哪些常见的工具、产品或方法可以选择？
前 6 个问题明确带入品牌，用来检查“AI 是否认对”；第 7 个问题不提示品牌，用来观察它在自然场景下是否会被提及。
不要把两类结果混在一起。AI 能准确介绍一个品牌，不等于它会在不提示品牌时主动推荐；自然问题里没有出现品牌，也不等于品牌资料一定有问题。
方法二：同一问题至少在多个 AI 助手中测试
不同 AI 助手的数据来源、检索方式和回答机制并不相同。只测试一个平台，只能说明该平台在那次对话中的表现。
可以选择 3 个当前能够正常使用的通用 AI 助手。例如豆包、DeepSeek、通义千问、Kimi、ChatGPT 等；具体可用功能和额度应以平台当日页面为准。
为了让结果更可比，测试时尽量保持这些条件一致：
• 使用完全相同的问题文本； • 每个问题从新对话开始，避免前文提示影响答案； • 在相近时间内完成； • 记录平台名称、日期和是否启用了联网或搜索； • 保存完整回答，而不是只截取一句有利描述。
这里的目标不是评判哪个 AI 更好，而是找出品牌信息在哪些地方容易丢失、混淆或被过度补全。
方法三：把“提到品牌”和“认对品牌”分开记录
回答里出现品牌名，只能算“名称命中”。至少还要核对四项事实：
每项可以使用一个简单的人工标记：
• 正确：与已经确认的公开资料一致； • 部分正确：方向基本正确，但缺少关键限定； • 错误：公司、产品、能力或场景明显不符； • 无法确认：现有公开资料不足以判断。
“无法确认”不要强行算正确或错误。它通常意味着品牌方需要先补充事实依据，而不是让内容人员凭经验做判断。
方法四：再问一次“依据是什么”，并逐个打开来源
AI 回答得很像事实，不代表它已经提供了可靠证据。
当平台支持联网、搜索或引用来源时，可以继续追问：
以上关于品牌、公司和产品能力的判断，分别依据哪些公开页面？请列出可以核验的链接，并区分官方来源与第三方来源。
拿到链接后至少检查四件事：
1. 页面能否正常打开； 2. 页面是否真的出现了对应结论； 3. 内容是否过期，是否仍代表当前口径； 4. 来源是官网、官方账号、产品文档，还是未经核验的转载。
如果平台没有显示来源，不要把模型补充出来的链接或出处自动视为真实证据。此时可以记录“未提供可核验来源”，再单独通过搜索引擎或官网查证。
方法五：检查官网是否把组织与产品信息说完整
AI 认错品牌，有时并不是内容数量太少，而是公开页面没有明确说明“谁、推出了什么、解决什么问题”。
可以优先检查以下字段是否在官网和正式资料中保持一致：
• 品牌标准名与常用别名； • 公司法定名称； • 公司、品牌和产品之间的关系； • 官网地址和正式 Logo； • 产品定位与稳定能力； • 联系方式和真实经营信息； • 已确认的官方账号或第三方主页。
Google Search Central 的组织结构化数据文档也把 name、alternateName、legalName、url、logo、地址和联系方式等列为组织信息的重要属性；Schema.org 的 Organization 词汇还包括 sameAs、brand 等关系字段。
这不意味着添加结构化数据就能保证任何 AI 助手采用某种说法。更准确的理解是：这些字段提供了一套检查组织身份是否表达完整、是否便于机器识别的参考框架。
方法六：固定条件复测，不用一次结果下结论
生成式 AI 的回答可能随平台版本、检索状态、问题表达和上下文发生变化。因此，一次回答只能作为一次样本。
如果时间允许，可以在不同日期重复执行同一组问题。例如分 3 次测试，每次都保留：
• 平台和模型名称； • 测试日期与时间； • 完整问题； • 完整原始回答； • 是否联网或显示引用； • 品牌是否出现； • 名称、主体、能力和证据的人工核验结果。
“3 次”只是适合小团队起步的示例，不是通用统计标准。样本越少，越不能把结果解释为稳定比例。
真正值得观察的，是错误是否反复出现：
• 同一个平台是否持续把品牌归错公司； • 多个平台是否都误解了某项能力； • 官网修订后，正确来源是否开始出现在回答中； • 自然问题中的品牌提及是否只是偶发。 
一张表就能开始
最小记录表可以包含以下字段：
如果只有十几个问题、两三个平台，电子表格已经足够。不要因为没有系统，就跳过原始回答和核验记录。
当问题数量、平台数量和复测轮次持续增加后，再考虑使用工具统一管理问题、批量采集回答、保存来源和比较历史变化。见源 GEO 所处理的就是这类规模化管理与持续复测工作，但工具仍然不能代替品牌方确认事实。
三个最容易误判的地方
1. 把一次正确回答当成稳定表现
一次答对，只能证明这次答对。更换问题、平台或时间后，结果可能不同。
2. 把品牌出现当成推荐
品牌可能只是被列举、引用甚至作为反例出现。是否推荐，需要结合语境、位置、理由和比较对象判断。
3. 把 AI 回答当作公开事实
AI 回答是待核验材料，不是企业事实底稿。公司归属、产品能力、客户案例和效果数据都应回到正式资料确认。
写在最后
品牌 AI 自查并不复杂，难的是保持相同问题、保留完整记录，并把“出现、准确、推荐、可核验”分开判断。
没有专业工具时，可以先从一组固定问题、三个 AI 助手和一张表格开始。先找到反复出现的错误，再修订官网和正式资料，最后使用相同条件复测。
这比随手问一次、看到品牌名就宣布“AI 已经认识我们”，更接近一个可以被复核的工作方法。