01 · 诊断结论
AI 熟悉行业知识，却认不出品牌专属事实
48
/100 · C级 · 中等风险
评分口径：从 Brand Demo 官网、品牌资料中提取 284 条核心品牌事实，分别在 OpenAI 和 DeepSeek 上独立验证（不联网、不提示），共完成 568 次检查。其中 272 次被准确识别，品牌认知指数 = 272 ÷ 568 = 47.9%。
核心发现：AI 能准确回答材料参数、成本结构等行业通用知识，但对认证资质、交付承诺、客户规模等品牌专属事实——108 条（38%）两个 AI 均未识别。
108 条隐形事实分布
技术参数
45 条
典型：TDR 测试报告（IPC-TM-650）、±3mil 背钻公差、16 层堆叠方案
产品方案
30 条
典型：2–30 层四大产品线、Megtron 6/7 配 HVLP 铜箔、加急定价曲线
公司信息
19 条
典型：ISO 9001/27001 认证、60 国 200 万+客户、1200+ 工程师
价格商务
9 条
典型：12 小时工程预审、5–18 天标准交期、单件起订
营销传播
4 条
典型：积分兑换奖励计划、客户口碑评价
以上仅展示代表性事实。108 条完整清单及每条事实的 AI 原始回答，见完整版报告。
02 · AI 认知深度
从”知道”到”推荐”，品牌需要跨越三个层级
层级一 · 品牌存在
AI 掌握行业通用知识，但品牌专属事实覆盖不足。
176 / 284 条事实至少被一个模型识别。能说出的多为 Rogers 材料参数、成本结构等行业通用知识；品牌认证、交付承诺等专属事实大量缺失。
层级二 · 品牌辨识
不同模型对品牌的认知不一致，未形成稳定共识。
96 / 284 条形成双模型共识。公司信息 21 条、价格商务 15 条事实中，双模共识均为 0。
层级三 · 品牌推荐
采购决策证据缺失，AI 无法形成推荐依据。
28 / 70 条采购决策事实完全隐形。AI 不知道 ISO 认证、标杆客户和交期承诺。
✅ AI 能说出的
- Rogers RO4003C 等 RF 材料参数
- 24 小时 RF PCB 快速报价
- 层数与线宽对成本的影响
❌ AI 说不出
- ISO 9001、ISO 27001 等国际认证
- 60 国 200 万+ 客户规模
- TDR 测试报告
- 12 小时免费工程预审
诊断意见：AI 对 Brand Demo 的认知停留在”懂行业、不识品牌”的阶段。要让 AI 从”知道行业”走到”推荐品牌”，需要补齐的不是行业内容，而是可被 AI 引用的品牌专属事实。
03 · 采购决策影响
影响采购决策的三个关键信息
采购在选择供应商时，通常需要确认三件事：是否可信、是否有标杆客户、技术是否过硬。当前 AI 对这三类信息的掌握均不完整。
💬 采购问 AI：”Brand Demo 有 ISO 认证吗？最快多久能交付？”
⚠️ AI：”未检索到 Brand Demo 的认证状态与交期承诺，无法确认其是否满足合规要求。建议对比其他具备认证资质的厂商……”
供应商可信度｜资质与合规
43% 隐形
ISO 9001、ISO 27001、UL 等 20 条认证事实未被 AI 确认。采购问”有认证吗”，AI 回答”不确定”。
品牌背书｜标杆客户案例
60% 隐形
“工程师深度参与、主动发现设计问题”等客户评价两个模型均未识别。采购问”谁在用”，AI 无法回答。
产品差异化｜技术参数与交付
14% 隐形
技术参数相对可见，但 12 小时工程预审、交期承诺仍不可见。采购问”最快多久”，AI 说不确定。
70 条采购决策事实的完整核查结果，见完整版报告。
04 · 模型认知差异
不同 AI 对品牌的了解程度不一致
这意味着同一位采购，用不同 AI 查询，得到的 Brand Demo 印象可能截然不同。
两个模型同时识别
96 条
仅占 33.8%——跨模型共识偏低
仅被单一模型识别
80 条
换一个 AI 问，答案就变
诊断意见：不同 AI 模型的训练数据来源和收录偏好各不相同。品牌信息如果不能同时进入多个模型的认知体系，采购在不同平台上看到的供应商画像就会不一致——这种不一致本身就会削弱信任。