语言盲点：查询语言和品牌识别层如何在 12 种欧洲语言中塑造人工智能构建的品牌声誉

大语言模型 (LLM) 越来越多地调节人们对组织的印象，但大多数监控都是用英语完成的，假设英语查询返回有代表性的图片。我们衡量这一点能持续多久。我们对来自 11 个北欧、波罗的海和中欧市场的 3 个联网检索增强的LLM（GPT-5.4、Gemini 3.1 Pro、Perplexity Sonar Pro）约 66 个品牌进行了查询，使用 4 个语系（日耳曼语、乌拉尔语、波罗的海语、斯拉夫语）的 12 种语言，生成了 35,640 条回复。多语言嵌入（BGE-M3）允许跨语言比较而无需翻译。出现了三个结果。首先，人工智能构建的声誉受语言限制：跨语言余弦相似度平均值为 0.825，同族反应比跨家庭反应更相似（0.844 vs 0.820；d = 0.31），情绪因语言而异（F = 268.5，eta^2 = 0.077），乌拉尔语和波罗的海语言最为积极，日耳曼语（包括英语）最为批评；聚类恢复了斯拉夫语系和波罗的海语系（共表 0.915）。其次，查询语言对推荐品牌的影响远远大于其描述方式：从英语查询转向品牌母语，本地冠军品牌的推荐份额提高了 0.80，但全球跨国公司的推荐份额仅提高了 0.15（t = -8.84，p < 0.001），而情绪方面没有类似的逆转。因此，纯英文审核低估了当地冠军的人工智能可见度。第三，响应稳定性随模型选择的变化比随语言的变化更大（eta^2_model = 0.32 vs eta^2_language = 0.01，在 20 个品牌子集上进行五次迭代复制）。这些结果表明，仅英语的人工智能声誉监控留下了可测量的语言盲点，集中在总部位于当地的品牌的知名度上。