AI 為什麼認不出你的品牌?Entity 實體一致性:被 AI 引用的隱形地基

Entity 實體一致性,指的是你的品牌在網路上所有出現的地方——官網、維基百科、LinkedIn、Google 商家、新聞稿、產業目錄——都用同一組名稱、同一套描述、同一批識別碼指向「同一個實體」,讓 AI 的知識圖譜能把這些散落的碎片收斂成一個可信的節點。這件事沒做好,你寫再多內容,AI 也不會引用你。

AI 引用你之前,得先「認得」你是誰

先講一個我們實際遇到的狀況。有家 B2B 軟體公司,內容做得不差,部落格一週兩篇、白皮書齊全,但半年下來在 ChatGPT、Perplexity 裡幾乎搜不到自己。老闆的第一反應是「內容不夠多」。

我們去盤了一輪才發現問題:同一家公司,官網英文全名叫「Acme Technologies」,LinkedIn 掛「Acme Tech Inc.」,新聞稿寫「艾克美科技」,Crunchbase 上又是另一個縮寫。對人類讀者來說,這都是同一家;對 AI 來說,這是四個彼此不確定是否相關的實體。當模型無法確認「這幾個名字是同一個對象」,它的安全做法就是:誰都不引用。

這就是 GEO(生成式引擎最佳化)裡最被低估的一塊。大家忙著優化內容、堆關鍵字,卻忽略了引用的前置條件——AI 得先在它的知識圖譜裡,把你認成一個明確、穩定、有把握的節點。entity 實體一致性 GEO 講的就是這件事:被引用不是內容問題,是身分問題。

知識圖譜怎麼看你:節點、名稱與 sameAs

現代 AI 的檢索不是只比對字串,而是靠背後的知識圖譜。它把世界拆成「實體」(entity)和「關係」,你的品牌是一個節點,產品、創辦人、產業、地點都是連著這個節點的邊。

要讓這個節點站得穩,靠三種訊號:

第一是跨站命名一致。你的品牌名、法定名稱、常用簡稱,必須在每個平台維持同一套主名稱與同一組別名。不是不能有簡稱,而是別讓四個平台各長一個樣。

第二是結構化描述一致。用 Schema.org 的 Organization(或 LocalBusiness)標記官網,把 name、legalName、description、foundingDate、logo 寫清楚,而且這些欄位的內容要跟外部平台對得上。AI 讀的是這些機器可讀的欄位,不是你首頁那句漂亮的 slogan。

第三,也是最多人漏掉的——sameAs 訊號。sameAs 是 Schema 裡一個專門用來「宣告這幾個網址都是同一個我」的欄位。你在官網的 JSON-LD 裡把 LinkedIn、維基數據(Wikidata)、Crunchbase、官方社群全部列進 sameAs,等於主動告訴知識圖譜:這些散落的資料點,請收斂成一個節點。這是把「四個模糊實體」合併成「一個可信實體」最直接的一條線。

沒有 sameAs,你就是在等 AI 自己去猜哪些名字是同一個你。它通常不會猜,它會跳過。

一份可以照做的 Entity 盤點與修補流程

這不是玄學,是可以逐格檢查的工程活。我們進客戶現場時,通常照下面這張表跑一遍,先盤現況、再定主版本、最後修到全網一致。

實務上最花時間的是第六步。外部平台各有各的審核與改版限制,維基百科尤其不是你想改就改,得靠可查證的第三方來源。這也是為什麼我們會提醒客戶:實體一致性要趁早做,愈晚做,錯誤版本被 AI 學進去的次數愈多,矯正成本愈高。

先能被認出,才談得上被引用

我知道「改幾個平台的公司名稱」聽起來不像什麼高科技工程,不如「導入 RAG」性感。但引用的地基就在這裡。內容是上層建築,實體一致性是地基;地基歪了,你在上面蓋多少內容,AI 都不敢把重量壓上去。

我們自己在幫客戶做 FDM(前線部署行銷)時,通常不是先寫新內容,而是先把這份 entity 盤點跑完,把跨站命名、Schema 與 sameAs 對齊,讓 AI 先「認得這是同一個你」。順序錯了,後面都是白工。Demo 裡的漂亮內容不算數,AI 真的在答案裡引用你、而且引對名字,那才算上線。