第 3 课：Brand Authority 品牌权威——AI 怎么判断你够不够格被引用

一个让传统 SEO 人不舒服的发现

Ahrefs 在 2025 年 12 月发布了一份基于 75,000 个品牌样本的研究，量化了不同信号与 AI 引用之间的相关系数。

两个反直觉的结论：

1. 对 AI 时代最重要的信号（YouTube / Reddit），在传统 SEO 里几乎不重要
2. 对传统 SEO 最重要的信号（外链 / DR），在 AI 时代是弱预测因子

意味着：做 GEO 不是"在 SEO 上加 AI 调料"，而是从优先级层面重新分配预算。一个具体说法：AI 时代品牌建设的 ROI 大约是链接建设的 3 倍。

这一课讲清楚：

1. Brand Authority 的 5 大平台权重分布
2. Wikipedia 不能自己写：正确的准入路径
3. sameAs 闭环：一行 JSON 解决跨平台实体识别
4. 实体歧义陷阱：同名公司怎么处理

Brand Authority 在 6 维评分体系里占多少

上一课讲的 Citability（段落级评分）占 25%。这一课的 Brand Authority 占 20%，是第二大权重维度。

剩下的 4 维（E-E-A-T 内容质量 / Technical 技术地基 / Schema 结构化数据 / Platform 平台差异化）后面几课分别展开。

Brand Authority 的核心问题是：AI 怎么判断"这个品牌真的存在 + 是这个领域里的权威 + 值得被引用"？答案是看品牌在 5 大平台的存在度。

5 大平台权重分布

核心观察：YouTube + Reddit 合计 50%，这两个平台决定了 AI 引用率的一半。多数 SEO 团队的预算分配里这俩占比是 0，这就是 GEO 时代最大的预算重新分配机会。

YouTube 怎么做：6 项检查清单

YouTube 是单一最强信号，下面这 6 项是你应该立刻自查的：

1. 品牌频道：是否有活跃官方频道？订阅数？视频数？上传频率？
2. 第三方视频提及：其他 YouTuber / 频道是否提及品牌？语境是什么（评测 / 教程 / 对比）？
3. 视频描述：行业相关视频的描述里是否出现品牌名？
4. 视频字幕：相关视频的口语内容里是否提及品牌？（AI 索引字幕，不只是标题）
5. YouTube 搜索存在：搜你的品牌名 YouTube 是否有结果？正面吗？
6. 评论提及：行业相关视频的评论里是否提及品牌？

6 项快速建议：

1. 创建频道并发 3-5 个核心主题的解释视频
2. 确保品牌名出现在视频标题、描述、口语中
3. 争取出现在行业相关频道的客串嘉宾位
4. 制作"对比"或"X 替代品"类视频，这些被 AI 大量引用于对比查询
5. 加章节（chapters）和时间戳，AI 解析友好
6. 字幕用人工修正版本（YouTube 自动字幕可读性差）

Reddit 怎么做：唯一一个"假装做"会反噬的渠道

Reddit 和 YouTube 同权重，但运营逻辑完全不同。Reddit 是唯一一个假装做会被严重惩罚的渠道。

为什么 Reddit 重要：

• AI 训练数据中 Reddit 占比极高（Google 2024 年与 Reddit 签 6000 万美元/年授权交易）
• Perplexity 引用 46.7% 来自 Reddit / ChatGPT 引用 11.3% 来自 Reddit
• 用户在 Google 搜索时主动追加 “reddit” 后缀的比例约 10-15%，为了找真实意见
• AI 在产品推荐、对比、用户情绪类查询中重度依赖 Reddit

6 项检查清单：

1. subreddit 存在：品牌是否在相关 subreddit 被讨论？哪些？
2. 提及量：多少帖子提到品牌？趋势是什么（增 / 减）？
3. 情绪：主要正面、负面、中性？常见赞点和抱怨是什么？
4. 官方存在：品牌是否有官方 Reddit 账号？参与讨论？做过 AMA？
5. 推荐帖：在 “What do you recommend for X?” 类帖子中出现吗？是 top 推荐还是陪跑？
6. 社区：品牌有自己的 subreddit 吗？多活跃？

Wikipedia / Wikidata 不能自己写

Wikipedia 是单点最关键的实体信号，但自己写自己的 Wikipedia 词条会被秒删。

为什么这是规则：

• Wikipedia 有"利益冲突（Conflict of Interest）“政策：和主题有利益关系的人不能直接编辑词条
• Wikipedia 有 notability 门槛：需要 5+ 篇独立第三方权威媒体报道作证据
• 这些媒体不能是付费稿件、不能是创始人采访、不能来自利益相关方

正确顺序：

独立媒体报道（5+ 篇） → 申请 Wikidata 实体（拿到 Q-code）
                     → 等积累更多独立报道
                     → 满足 notability → 请有经验的 Wikipedia 编辑起草 stub
                     → 让外部编辑慢慢扩充

Wikidata 是个好起点：它没有 notability 门槛，提交一个实体条目（Q-code）相对容易。即使你的品牌还没到 Wikipedia notability，也可以先有 Wikidata 条目，被 AI 实体识别系统读到。

3 重检测方法的可靠性排序：

sameAs 闭环：单点最大杠杆

把上面所有平台的链接，统一塞到首页的 Organization JSON-LD 的 sameAs 数组里。这是单点最大杠杆：一行 JSON 解决跨平台实体识别问题。

{
  "@context": "https://schema.org",
  "@type": "Organization",
  "@id": "https://yourdomain.com/#organization",
  "name": "Your Brand",
  "url": "https://yourdomain.com",
  "sameAs": [
    "https://en.wikipedia.org/wiki/Your_Brand",
    "https://www.wikidata.org/wiki/Q12345",
    "https://www.linkedin.com/company/yourbrand",
    "https://www.youtube.com/@yourbrand",
    "https://www.reddit.com/r/yourbrand",
    "https://www.crunchbase.com/organization/yourbrand",
    "https://github.com/yourbrand",
    "https://twitter.com/yourbrand",
    "https://www.g2.com/products/yourbrand"
  ]
}

14 个推荐平台优先级（按对 GEO 价值排序）：

1. Wikipedia 文章 — 最高权威实体链接
2. Wikidata 条目 — 机器可读实体标识符
3. LinkedIn — 公司页或个人资料
4. YouTube — 频道 URL
5. Twitter/X — 资料 URL
6. Facebook — 主页 URL
7. Crunchbase — 公司画像（创业 / 科技重要）
8. GitHub — 组织或个人（科技重要）
9. Google Scholar — 作者资料（研究 / 学术）
10. ORCID — 研究者标识符（学术）
11. Instagram — 资料 URL
12. Apple App Store / Google Play — 应用列表（软件）
13. BBB（Better Business Bureau）— 美国本地企业
14. 行业垂直目录 — 相关纵向目录

sameAs 审计 5 步：

1. 收集该实体的所有已知 web 存在
2. 检查每个 URL 是否解析（不是 404 或重定向）
3. 验证 Organization / Person schema 包含全部
4. 验证每个平台的信息一致（名字、描述、创立日期等）
5. 标记应该有但还没有的平台

为什么 sameAs 这么重要：AI 在做实体识别时面临一个具体问题。它在 LinkedIn 看到"Your Brand”、在 YouTube 看到"Your Brand"、在 Wikipedia 看到"Your Brand"，这是同一个实体的多渠道存在还是3 个不同的同名实体？没有 sameAs，AI 可能把它们当成 3 个；有了 sameAs，AI 把它们合并成一个，引用决策综合所有平台的信号。

实体歧义陷阱：同名公司怎么处理

真实案例：意大利至少有 4 家公司都叫 “Electron Srl”（教育设备 / 电子元件 / 工业 / 自动化）。AI 在被问 “Electron Srl” 时，要么混淆要么拒答（“There are multiple companies named X, please specify”）。

为什么这是真问题：

• AI 系统的 entity resolution（实体解析）基于实体唯一性
• 同名实体让 AI 无法判断要引用谁
• 用户问"X 怎么样"，AI 可能给出竞品（同名公司）的答案

4 步对策：

1. 使用消歧义全名：所有地方使用全名（“Electron Srl Educational Equipment”）而不是简称（“Electron Srl”）
2. Wikidata 加唯一标识符：把精确标识符加进去：
   • 公司注册号（VAT number / Companies House ID）
   • GeoNames 地理编号（P1566）
   • LEI（Legal Entity Identifier）
   • Ringgold ID（教育 / 出版机构）
3. Organization schema 加消歧义字段：
   • address（精确到街道）
   • foundingDate（精确日期）
   • description（提及独有特征）
   • industry（明确分类）
4. 跨平台一致性：LinkedIn 公司页 / Crunchbase / Wikipedia 都使用同一全名 + 同一描述

如果你的品牌名在 Google 搜索结果第 1 页有任何同名实体（包括人名、地名、产品名），这 4 步是必做，不是可选。

现在动手做一次"Brand Authority 自评"

按 5 大平台分别打 0-100 分（粗估即可）：

加权计算：总分 = YouTube×0.25 + Reddit×0.25 + Wikipedia×0.20 + LinkedIn×0.15 + Other×0.15

评级对照：

典型新品牌结果：30-50 分。这就是你的起点。后面 12 课的国际生态篇，就是把这个分数从 30 推到 70+ 的路径。

反话术：服务商常说什么，你应该警惕什么

关键术语表

本课小结

1. AI 时代的品牌信号和传统 SEO 信号完全不同：YouTube 提及（0.737）远强于外链 / DR（0.266）
2. 5 大平台权重：YouTube 25% + Reddit 25% + Wikipedia 20% + LinkedIn 15% + Other 15%
3. Reddit 是唯一一个"假装做"会反噬的渠道：只能真实运营
4. Wikipedia 不能自己写：要先做独立媒体报道 + Wikidata 实体，让外部编辑写
5. sameAs 是单点最大杠杆：一行 JSON 解决跨平台实体识别
6. 实体歧义是真问题：同名公司必须做 4 步对策（全名 + Wikidata 标识符 + Organization schema + 跨平台一致）
7. 预算重新分配：把外链建设的钱转到 YouTube / Reddit / Wikipedia / LinkedIn 上，ROI 大约 3 倍

完成本课的下一步

下一课预告：第 4 课「E-E-A-T 与内容质量评分」。上一课讲段落级（Citability），这一课讲页面级（Brand Authority），下一课讲全站级（E-E-A-T）。三个层级合起来覆盖了 6 维体系的 65%。

国际生态篇 3/13 完成。如果你做了 5 大平台自评 + sameAs 改造，你已经把"传统 SEO 思维"转成了"GEO 思维"，这是国际生态篇最重要的认知切换。

← 返回国际生态篇目录