AI 开始收品牌档案,内容团队要交的是内容底座

Author Tanmer xiaohui
xiaohui · 2026-11-12发布 · 9 次浏览

OpenAI 11 月 10 日上线 Business Hub 公测,企业可以在 ChatGPT 里维护官方档案;Ahrefs 统计 551.6 万条美国 ChatGPT 回答,沃尔玛被 95,605 条提及。档案只回答「你是谁」,用户问的却是「怎么用、买哪个、兼不兼容」——这些答案在企业自己的内容底座里。

OpenAI 11 月 10 日上线 Business Hub 公测,企业终于能在 ChatGPT 里维护一份官方档案。但档案只回答「你是谁」。用户真正问的是「这个型号能不能配那台设备」「报错 E12 怎么处理」——这类问题,只有内容底座答得出来。
cover-2026-11-12-cover.png

档案是门牌,不是库存

据 TechCrunch 报道,Business Hub 目前处于公测阶段,企业能做三件事:创建并验证商家档案,维护产品和服务信息;符合条件的企业可以挂一个专属业务 Agent,让 ChatGPT 用户直接向它提问;以及查看一份有限的洞察——档案浏览量、被提及情况、官网点击。档案验证要走官方流程,OpenAI 变现副总裁 Benji Shomair 的说法是针对不同市场、不同类型企业用了「多种验证方式」,具体细节没有公布。
一个值得注意的背景:OpenAI 之前走的是另一条路——把 ChatGPT 做成电商入口,抽成、购物车都做过,今年 3 月停掉了。这次不碰交易,先碰信息。
对内容团队来说,这件事的分量要放对位置。档案页是一块门牌:写上公司名、主营品类、联系方式,让 AI 认得出你、找得到你。但门牌不产生答案。用户问的是使用层的问题,答案在文档里,不在简介里。

Ahrefs 的数据说明答案长什么样

Ahrefs 11 月 11 日发布的统计,把 5,516,381 条美国 ChatGPT 回答(11 月,覆盖所有话题)逐条扫了一遍:沃尔玛在 95,605 条回答里被提及,占 1.73%,接近第二名 Target(52,096 条)的两倍。前 10 名里 6 个是零售商;100 强里零售商占 23 个席位、拿走 35% 的提及,汽车品牌 15 个、占 14%。
比排名更有用的是 Ahrefs 对答案的读法:店被叫出来,是在「去哪儿买」;产品品牌被叫出来,是在「买哪个」和「手上这件怎么用」。Apple 的提及大多出自 iPhone、iPad、AirPods 的产品问题(「iPhone 13 还值得买吗」),也有一部分是 how-to 类提问(「怎么找到我的手机」),Nike 出现在「Converse 是不是 Nike 做的」这种归属问题里,Toyota 是「哪款车最保值」的参照物,Costco 则反复出现在「Costco 卖不卖某某」和比价里。
figure1-2026-11-12-fig1.png
这些句式有个共同点:都是文档题,不是广告题。「行业领先」回答不了「兼容哪几个型号、多少钱、几号能到」。中小品牌在这份榜单上缺的不是排名,是这些具体问题的答案页——没有那一页,AI 想提你也没有素材。这也是为什么企业内容团队该把注意力从「怎么写得更动人」挪到「有没有人能把这件事说准」。

内容底座要满足四个硬指标

档案是入口,底座是库存。库存不合格,门牌写得再漂亮,被问到就露馅。
单一来源。 同一份内容要能同时出现在官网帮助中心、文档站、App 内嵌页和客服话术里,改一次全站生效。参数分裂是最常见的事故:文档写支持 5A,客服话术里还留着 3A,AI 学到哪一份完全随机。
问答粒度。 一页回答一个问题,标题就用用户会问的那句话,别用「产品概述」这种内部语言。参数、兼容清单、报错码放进表格,不要写成散文——表格是 AI 最好切的结构。
可追溯。 每页写清适用版本、更新时间、责任人。人和 AI 都需要判断这条还成不成立,一条过期的参数被塞进答案里,比没有这条更糟。
可抓可引用。 稳定 URL、语义化 HTML、每页先给一句结论,再配结构化数据;根目录放一份 llms.txt 当目录。Ahrefs 的工具里专门有一栏「被引用的页面」,看的就是 AI 到底拿你哪个页面当证据——这一栏存在,说明页面级的可抓性是可以做出来的,不是玄学。
figure2-2026-11-12-fig2.png
这套要求不是凭空定的。之前那篇《为什么 AI 读不懂你的文档?》讲的是同一件事的另一面:AI 读不进去,往往不是模型不行,而是页面结构、Markdown 质量、机器可读索引没做到位。
Baklib 站的位置就在这里。品牌资料、产品文档、客户问答收进同一个知识库,对外用文档站和门户按模板输出——页面只渲染声明过的字段,不该外露的信息查不到;一份内容改一次,官网、帮助中心、文档站同步。四条硬指标正好对应四处能力:单一来源靠内容集中托管与多端输出;问答粒度靠一页一篇的文档结构和表格排版;可追溯靠版本、更新时间、责任人落在页面上;可抓可引用靠稳定 URL、语义化结构,和对外的可抓取输出。图片等素材交给本月独立出去的资产层「大格 Dagle」,出海内容走多语言。它解决的不是「怎么被 ChatGPT 收录」,而是「被收录的那份资料是不是最新的、唯一的、可核验的」。前者靠运气,后者靠底座。更系统的说法在《AI 内容新基建》。

今天能做的三件事

  1. 拉最近 50 个真实问题。 售前和客服的聊天记录里就有。数一数有多少能靠官网一个页面答出来,答不了的那些,就是你今天该建的文档缺口清单。
  2. 挑 5 个高频问题各写一页。 标题用问句,正文第一段先给结论,参数进表格,页尾写适用版本和更新时间。写完不用等谁审批,先上线。
  3. 让档案和文档互链。 官网放一页品牌档案(公司信息 + Organization 结构化数据 + 根目录 llms.txt),从档案链到每个产品文档站,让 AI 顺着链接走到你的底座。
最后提醒一句:Business Hub 还在公测,验证流程、开放范围、指标口径都可能变。现在该做的是把底座修好,不是把注册当 KPI。
参考来源:OpenAI rolls out new business profiles, making ChatGPT just a little bit more like Google(TechCrunch,2026-11-10);The 100 Most Mentioned Brands in ChatGPT(Ahrefs,2026-11-11,Si Quan Ong 撰)
作者:辉哥(Baklib 创始人)
提交反馈

博客 博客

专注数字内容治理,助力数字体验升级

大数据与知识管理:如何把海量数据变成可用知识

大数据与知识管理:如何把海量数据变成可用知识

大数据提供客户在问什么、买什么、抱怨什么的信号,知识管理把这些信号变成可信、可复用的答案。本文讲清两者区别、四条数据驱动知识的路径、零售案例,以及缺少治理时大数据为何失效。

Author big-data-and-knowledge-management
By Lisa
发布:2026-11-02
结构化数据与非结构化数据:为什么拆分会误导客服团队

结构化数据与非结构化数据:为什么拆分会误导客服团队

• 本文用客服场景的例子,说明结构化、半结构化与非结构化数据的区别,指出二元划分的价值与误用,并给出以决策为核心的做法:为高频决策建立字段,为叙述性内容标注负责人与复核日期,把重复流程变成引导式流程。

Author structured-vs-unstructured-data
By Lisa
发布:2026-10-29
通过MCP连接Claude与知识库:Baklib完整指南

通过MCP连接Claude与知识库:Baklib完整指南

本文介绍 MCP 如何让 Claude 无需定制 API 即可连接知识库,涵盖其原理、三种连接方式、部署步骤、真实用例与安全要点,并说明 Baklib 的原生 MCP 支持与内容管理能力。

Author claude-mcp-knowledge-base-connector
By Lisa
发布:2026-10-23
通用软件产品线上宣传营销指南

通用软件产品线上宣传营销指南

适用于 B2B / B2C 通用软件产品,梳理可长期复用的线上宣传与获客渠道,指导内容团队和市场团队选择合适的组合与执行方式。

Author c53d
By Lisa
发布:2026-09-21