技术摘要：发散的推荐，收敛的诊断

问题陈述

随着品牌受众在多个 AI 提供商（如 ChatGPT、Claude、Gemini）之间发生碎片化，营销团队面临着战略上的不确定性：是应该在所有提供商中部署统一的优化方案，还是必须为每个提供商量身定制不同的策略？由于各提供商仪表盘的存在，行业假设认为推荐集在不同提供商之间存在显著差异，这意味着干预措施（内容、权威度、定位）是针对特定提供商的。然而，理论上的“算法单调性”（algorithmic monoculture）假设指出，尽管共享训练数据和架构血缘的提供商在具体包含项（推荐内容）上可能存在分歧，但在排除项（检索失败）上应表现出相关性。本文通过实证测试，探讨了是否会出现“推荐集发散而对共同失败的诊断收敛”这一现象，以及这种收敛性是否在不同品牌知名度水平下依然成立。

研究方法

本研究采用跨提供商审计设计，对比了 OpenAI（gpt-5.4, gpt-5.4-mini）与 Anthropic（claude-sonnet-4-6, claude-opus-4-6）模型。

• 数据与提示词： 分析涵盖了 215 个商业化框架的提示词，分布在四个独立的测量批次中，并针对由五个知名度等级（L1：品类领导者至 L5：区域玩家）构成的 533 个参考品牌影子语料库进行评估。
• 共识提取： 使用跨提供商共识协议（两个 LLM 评审员）从检索层（搜索查询、片段、域名）和生成文本中提取品牌提及情况，以确保结果不受单一评审员不稳定性影响的鲁棒性。
• 漏斗阶段分类： 对于每个（提示词 × 品牌 × 提供商）单元格，品牌被分为四个阶段：
  • S1 (可发现性/Discoverability)： 品牌在所有检索层及生成文本中均不存在。
  • S2 (吸引力/Compellingness)： 品牌存在于检索层，但未出现在生成文本中。
  • S3 (定位/Positioning)： 品牌出现在生成文本中，但未被推荐。
  • S4 (成功/Success)： 品牌获得共识推荐。
• 共同失败限制： 核心分析聚焦于 7,763 个“共同失败”单元格，即两个提供商均未推荐该品牌（即两者均在 S1、S2 或 S3 阶段失败）。
• 机制信号：
  • 纯先验占比 (Pure-Priors Share)： 在没有任何可观测到的检索层证据的情况下做出推荐的比例（表明依赖参数记忆）。
  • 批次重建 (仅限 OpenAI)： 追踪是否在第一个搜索批次中出现了品牌消歧查询，以衡量检索锚定效应。
• 统计分析： 计算了协议指标（Jaccard 相似度、原始一致性、Cohen's $\kappa$），并使用基于提示词聚类的自助法（bootstrap）95% 置信区间（1,000 次迭代）来处理（提示词 × 品牌）观测值的非独立性问题。

核心贡献

1. 量化了跨提供商的推荐发散性： 研究表明，跨提供商的推荐集显著低于提供商内部的重复运行稳定性。跨提供商的 Jaccard 相似度为 0.35（95% CI: [0.323, 0.391]），远低于单元格内重复运行的基准值 0.50–0.61。
2. 推荐路径的机制不对称性： 提供商通过明显不同的生成路径得出结论。
   • Anthropic： 其旗舰模型在 43–52% 的案例中基于参数先验（无检索证据）进行推荐。
   • OpenAI： 模型高度依赖检索，其纯先验推荐范围在 8–29% 之间。批次重建证实，OpenAI 在 60–71% 的情况下会在第一个搜索批次中发出品牌消歧查询。
3. 带有知名度梯度的失败模式收敛： 虽然选择结果存在分歧，但对于品牌为何未被推荐的“诊断”却表现出极高的收敛性，且这种收敛性受品牌知名度的严格分层影响。
   • 整体一致性： 在共同失败的情况下，双方对失败阶段的诊断一致性高达 95.1%（95% CI: [94.3%, 95.7%]）。
   • 单调梯度： 随着品牌知名度下降，一致性上升：
     • L1 (品类领导者)： 一致性为 81.2%。
     • L5 (区域玩家)： 一致性为 99.6%。
   • 驱动因素： 这种收敛是由 S1 (可发现性) 失败驱动的。对于长尾品牌（L4–L5），两个提供商在发现品牌方面的失败率是同步的。对于领导者（L1），分歧存在于检索后的阶段（S2/S3）。

结果

• 选择发散，诊断收敛： 提供商选择了不同的品牌（低 Jaccard 相似度），但对于为何未能推荐某个品牌，其诊断逻辑是一致的。
• 知名度的作用： 95.1% 的汇总一致性深受 S1 失败在长尾部分占主导地位的影响。当将分析限制在至少有一个提供商在 S2 或 S3 阶段（检索后）失败的案例时，对角线一致性降至 14.9%。这表明，虽然提供商在“缺失”品牌（S1）方面达成共识，但对于高知名度实体，它们对于为何检索到的品牌未被推荐（S2 vs. S3）并不达成共识。
• 跨单元格可移植性： 通过 3,000 次运行的扩展测试，测试了提供商内部的变化（例如 gpt-5.4-mini vs. gpt-5.4, sonnet vs. opus），发现相同阶段的一致性保持在高水平（94.9%–98.3%）。这表明诊断收敛是共同失败群体的属性，而非特定提供商比较产生的伪影。
• 机制证据： “纯先验”信号证实了 Anthropic 更多依赖内部知识进行推荐，而 OpenAI 则更依赖检索锚定。尽管路径不同，但对长尾品牌的“排除”是相关的，这支持了算法单调性假设在失败场景下的有效性，而非成功场景。

意义与主张

本文声称提供了关于“算法单调性”假设的首个具体的商业推荐证据，特别展示了相关排除（收敛的失败）与不相关包含（发散的选择）并存的现象。

其主要的实际应用意义在于界定了面向 AI 的营销干预范围：

• 对于长尾品牌 (L4–L5)： 单一的、与提供商无关的干预措施（针对 S1 可发现性，如权威列表植入或规范化内容创建）有望同时提升在两个提供商中的可见度。对于这类品牌，“为什么”品牌缺失的诊断在两者之间是基本一致的。
• 对于品类领导者 (L1–L2)： 提供商特定的策略仍然必要。由于提供商在高知名度品牌的检索后失败模式（S2/S3）上存在分歧，因此关于定位和内容优化的干预必须针对特定提供商的检索与生成逻辑进行定制。

作者总结道，“诊断一次，建议一次”的策略对于长尾品牌的可发现性是一个强有力的主张，但对于检索后失败归因，该主张的有效性取决于品牌知名度。研究通过展示“共享底层导致共享失败，而差异化后训练导致差异化成功路径”这一结论，对算法单调性假设进行了修正而非否定。