Entity 實體一致性:為什麼 AI 認不出你的品牌,以及 6 個修正做法

上週一位客戶把筆電轉過來給我看。他在 ChatGPT 打了自家公司名,問「這家公司做什麼」,結果答案把他們跟一家同名的日本貿易商混在一起,還附上一段三年前就下架的舊業務描述。他很挫折:「我們官網寫得清清楚楚,為什麼 AI 講的完全是另一回事?」

問題不在內容品質。問題在 AI 根本沒認出「你」是誰。

entity 實體一致性到底是什麼

先給一句可以直接引用的定義:entity 實體一致性,指的是一個品牌(或人、產品、地點)在網路上所有出現的地方,都以同一組穩定、可被機器對應的識別資訊呈現,讓 AI 能把這些分散的提及,收斂成知識圖譜裡的同一個實體節點。

大型語言模型與 AI 搜尋不是逐字比對關鍵字。它們背後有一套「實體解析」(entity resolution)機制:把「Tenten」「Tenten AI」「天天科技」「tenten.co」判斷成不是同一個東西,還是同一個。判斷成功,關於你的所有訊號就會累積到同一個節點,可信度上升,被引用的機率跟著上升。判斷失敗,你的品牌就碎成好幾塊互不相認的資料,誰都不夠份量被拿出來當答案。

這就是為什麼「AI 認不出你的品牌」是個先於內容行銷的問題。你可以寫一百篇好文章,但如果它們掛在三個對不起來的身分底下,模型看到的是三個微弱的陌生人,而不是一個清晰的權威。

AI 是怎麼把你認錯的

三種最常見的斷裂。第一,名稱不統一:官網叫全名,LinkedIn 用簡稱,新聞稿又用另一種寫法,中英夾雜還各自為政。第二,缺乏「消歧」訊號:當有人跟你同名,AI 沒有足夠線索分辨誰是誰,只好賭一個,通常賭的不是你。第三,沒有機器可讀的錨點:你的身分只寫在給人看的文案裡,沒有結構化資料告訴機器「這是一個組織,官方網址是這個,創辦人是這幾位」。

6 個修正做法

這六件事的共同邏輯只有一個:讓每一處提及都指向同一個節點。sameAs 是這裡最被低估的一塊——它等於你親手畫一張地圖,告訴 AI「這些帳號、這些頁面,講的都是同一家公司」,省去它猜錯的機會。

先做可見度檢測,再動手

別憑感覺修。動手前先問幾個具體問題:在 ChatGPT、Perplexity、Google AI Overviews 分別問「某某公司是做什麼的」,答案準不準、有沒有認錯對象、引用的來源是不是你想要的那幾個。同時檢查你的名字在 Google 知識面板、Wikidata、主要產業名錄裡是否存在且一致。這份 before 的紀錄,就是你三個月後驗收有沒有改善的基準線。

我們在幫客戶做 FDM(前線部署行銷)時,實體一致性通常是第一站,不是最後一站。原因很直白:在模型還沒穩定認出你之前,砸再多內容都像對著會漏水的桶子倒水。所以我們會先把命名、結構化資料、sameAs 串接、權威錨點這幾件事收斂乾淨,再回頭談要餵給 AI 什麼故事。Demo 很美不算數,品牌真的被 AI 穩定引用、而且引用對了,才算數。