从提示到推荐：人工智能搜索中品牌可见度的拟合阶段模型

我们分析了来自 75 个匿名 Aiso 项目的 34,960 个无品牌提示引擎观察，涵盖 2,854 个不同的受监控提示以及 2026 年 6 月至 9 月重复的 GPT 和 Gemini 运行。当目标品牌及其自己的域都没有出现在可观察的实时检索路径中时，GPT 的目标提及率为 2.8%，Gemini 的目标提及率为 3.8%。如果有自有域引用但没有品牌扇出，则它们的比例上升至 49.0% 和 58.4%。当自有域名曝光和品牌扇出同时发生时，提及率分别达到 91.4% 和 100%。在重复运行的同一项目、提示和引擎中，这种关系仍然存在：在自己领域暴露程度不同但不存在品牌扇出的提示单元中，暴露与 GPT 上的平均提及率增加 40.2 个百分点和 Gemini 上的平均提及率增加 49.0 个百分点相关。先前的可见性是独立持续的。之前的未提及加上当前没有自己的域曝光，下一次的提及率分别为 1.6% 和 1.9%；之前提到的加上当前的曝光收益率分别为 80.5% 和 83.7%。我们使用先前运行历史记录和同期检索指标拟合时间诊断模型： $ \operatorname{logit}P(M_t=1)=\alpha_e+\beta_e\operatorname{logit}(\widetilde P_{t-1})+\gamma_e E_t+\delta_e F_t+\theta_e^\top X。 $ 在最新的 30% 保留中，完整模型实现了 AUC GPT 上为 0.963，Gemini 上为 0.942，相比之下，仅先前历史记录为 0.937/0.917，仅实时信号为 0.880/0.840。手动设置的提示灵敏度给出几乎相同的 AUC（0.960 和 0.943）。单独的 199 个提示页面语料库验证发现，提示页面匹配比 GPT 暴露 (0.545) 更清楚地预测 Gemini 暴露 (AUC 0.641)，将相关性置于更大的引擎介导的暴露效应的上游。该方程是预测性和观察性的，而不是专有发动机内部结构的因果描述。