两个品牌，可见性都是 60%：AI 提到 A 时说「闭眼入，同价位标杆」，提到 B 时说「便宜是便宜，小毛病不少」。同样的曝光，截然不同的转化。
品牌情感（Brand Sentiment in AI Answers）监测的就是这件事：AI 在转述关于你的信息时，语气和立场是什么。这篇讲怎么系统性地做。
为什么 AI 情感比搜索情感更重要
传统搜索里，用户看到的是一堆链接，负面内容点进去才会影响判断，用户有筛选权。AI 回答是模型已经消化压缩过的结论——它替用户做了筛选。如果模型对你的「共识」偏负面，用户连看到反驳的机会都没有。
更麻烦的是，AI 情感有三个隐蔽特征：
- 无出处。 用户不知道这个判断来自哪里，无从验证。
- 高信任。 「AI 说的」在用户心里接近客观中立。
- 难发现。 不主动问，你永远不知道 AI 在怎么描述你。
第一步：定义你的「情感样本池」
不是所有问句都能反映情感。品牌型问句（「XX 怎么样」「XX 靠谱吗」）是情感主战场；品类问句里品牌被顺带提一句，情感信号弱但有参考价值。
建议按 4:3:3 建样本池：
- 品牌型 40%：「XX 怎么样」「XX 值得买吗」「XX 有什么缺点」
- 对比型 30%：「XX 和 YY 怎么选」「XX 比 YY 好在哪」
- 场景型 20%：「预算 500 的耳机推荐」（你在这个池子里被提到的方式，反映真实竞争地位）
- 口碑型 10%：「XX 的售后怎么样」「XX 翻车了吗」
第二步：设计打分方式
机器打分 + 人工抽检结合，别全靠模型判模型。
自动打分（每天全量跑），三个维度各 0-100：
- 极性：正面 / 中性 / 负面的程度。看关键词（「标杆」「性价比」vs「小毛病」「翻车」），也看句式（推荐理由 vs 免责声明）。
- 强度：是「还不错」还是「闭眼入」。强正向比弱正向更有传播力。
- 属性归因：AI 在夸什么/踩什么——价格、质量、服务、易用性。属性比总分更有行动价值：「AI 觉得你家贵」和「AI 觉得你家难用」是两种药。
人工抽检（每周一次）：随机抽 20 条回答通读。机器打分在反讽、上下文、行业黑话上会错，人读能校准规则。
第三步：建立基线，看趋势不看单点
单次回答的情感没有意义——模型有随机性，同一条问句今天偏正明天偏负很正常。正确做法：
- 每条问句连续测 7 天以上再下结论
- 看 14 日滚动均值，而不是日值
- 给每个品牌（你和竞品）建基线，你的 60 分 vs 竞品的 75 分，比你的 60 分 vs 上月 58 分更有信息量
第四步：情感异常响应
监测的价值在触发动作。三类异常要有预案：
1. 负面 spike（某个属性突然被集中吐槽） 先判断信源：AI 的负面描述通常有出处——找到被引用的原始内容，如果属实，是产品/服务问题；如果是旧信息或被以讹传讹，是内容纠偏问题。前者改产品，后者改内容供给。
2. 事实性错误（参数、价格、归属错误） 这类最冤也最常见：模型把 A 家的功能安到 B 家头上，或引用三年前的价格。纠偏方式不是「联系 AI 公司」，而是在高权重信源发布准确信息，等模型下次抓取时覆盖。
3. 情感位次双降（提到变少 + 描述变差） 通常是竞品在同一批问句下的内容供给超过了你们。查信源构成变化，看竞品新占了哪些渠道。
一个常见的认知误区
「把负面内容全网删掉/压下去，情感就上去了。」——短期可能有效，长期适得其反：
- 模型的训练和联网信源是多样的，压制单一信源改变不了「共识」
- 一片叫好会降低信源的可信度权重，模型对「全是好评」的来源会更谨慎
- 真正拉高情感的是准确且丰富的正面事实供给，不是信息消灭
落地清单
- [ ] 建 100+ 条问句样本池，四类意图按比例
- [ ] 每条问句每日测五大引擎，记录回答全文（不只看摘要）
- [ ] 自动打分：极性、强度、属性归因
- [ ] 每周人工抽检 20 条校准规则
- [ ] 给品牌和竞品分别建 14 日均线基线
- [ ] 定义三类异常的响应流程和负责人
品牌情感是 GEO 里最「软」也最硬的指标：软在难以一句话说清，硬在它直接决定 AI 推荐你时用户心里的天平往哪边偏。