很多 PR 复盘还停留在“发了多少篇、覆盖多少媒体、预估曝光多少”。这些指标能说明工作量，却不能说明声誉价值。
在 AI 传播环境里，媒体报道的价值更不应该按数量平均计算。因为 AI 在组织答案时，会更偏好结构清晰、事实密度高、来源可信的内容。一篇权威媒体的深度报道，可能比几十篇低质量转载更能影响 AI 对品牌的理解。
因此，媒体报道需要质量加权。
为什么数量口径会误导
数量统计最大的问题，是默认每篇报道价值相等。
但现实并非如此。同样是品牌报道，行业权威媒体的一篇深度分析、地方站的一篇转载、聚合站的一段改写，对品牌声誉的贡献完全不同。
如果只看数量，团队可能会做出错误判断：
- -以为曝光很多，实际上 AI 不引用。
- -以为声量增加，实际上都是低质量转载。
- -以为 PR 成功，实际上核心叙事没有进入权威来源。
- -以为风险降低，实际上负面内容来自更高权重来源。
质量加权的目的，就是把这些差异放进同一张表里。加权前还要用品牌声誉证据分层区分自有事实、独立核验与情境证据，避免把同稿转载误当成多份外部背书。
五个加权维度
1. 来源权威性
来源权威性是媒体质量的基础。权威媒体、行业垂直媒体、专业机构报告和有署名的深度内容，通常比匿名转载和聚合内容更值得加权。
但权威性也要看场景。对消费品牌来说，垂直评测媒体可能比综合门户更有影响；对 B2B 品牌来说，行业协会、分析机构和专业媒体可能更关键。
2. 主题相关性
报道是否围绕品牌希望建立的核心主题展开？
一篇提到品牌但主题偏离的报道，价值有限。比如品牌想建立“专业可信”的认知，报道却只把品牌放进“促销活动”语境，它的声誉贡献就不高。
3. 事实密度
报道里是否包含可被引用的事实：数据、案例、方法、产品边界、专家观点？
AI 更容易引用事实密度高的内容。空泛的品牌形容词很难被模型稳定吸收，具体的指标和案例更容易进入答案。
4. 叙事一致性
报道是否和官网、社媒、其他媒体中的品牌口径一致？
如果媒体报道使用了错误定位，哪怕它是正面报道，也可能带来长期问题。AI 会把多个来源交叉验证，不一致会削弱可信度。
5. AI 吸收程度
报道是否进入 AI 答案的引用链或推荐理由？
这是 AI 时代新增的关键维度。媒体报道发布后，不能只看阅读量和转载量，还要复测 AI 是否开始使用其中的事实。
加权评分表示例
| 维度 | 低权重 | 中权重 | 高权重 |
|---|---|---|---|
| 来源权威性 | 聚合转载 | 垂直媒体 | 权威媒体/行业报告 |
| 主题相关性 | 只提品牌名 | 涉及相关主题 | 直接解释核心定位 |
| 事实密度 | 口号为主 | 有少量数据 | 有完整案例和方法 |
| 叙事一致性 | 口径偏移 | 基本一致 | 与官网和 PR 口径高度一致 |
| AI 吸收程度 | 未出现 | 偶尔引用 | 稳定进入答案 |
这张表不需要追求复杂公式。最重要的是让团队在复盘时不再把所有报道混在一起。
如何用于 PR 复盘
建议每次 PR 项目结束后，除了常规覆盖数据，还输出一张质量加权表。
| 报道类型 | 数量 | 加权价值 | 后续动作 |
|---|---|---|---|
| 权威深度报道 | 2 | 高 | 沉淀到官网事实页，供 AI 引用 |
| 垂直媒体评测 | 6 | 中高 | 提取关键结论，补充 FAQ |
| 普通转载 | 28 | 低 | 不作为核心声誉资产 |
| 争议性报道 | 1 | 高风险 | 进入风险分级和修复队列 |
这个复盘能帮助 PR 团队从“发稿数量”转向“资产质量”。真正值得复用的内容，要被沉淀、内链、结构化，而不是在发布后自然消失。
媒体报道和 AI 引用的关系
AI 不会平均读取所有报道。它更可能采信那些来源可靠、事实清楚、和其他来源一致的内容。
所以，媒体报道质量加权不是 PR 内部的绩效工具，而是 AI 可见性的基础工作。高质量报道应该进入品牌事实库，成为 AI 可引用的外部证据。
如果报道质量高但 AI 没有吸收，可能说明官网缺少对应事实页，或者报道中的关键结论没有被结构化表达。这时要配合 品牌影响力跨媒体归因，判断问题出在传播、沉淀还是引用链。
结语
媒体覆盖的价值，不在于数量本身，而在于它能否建立可信事实。
AI 时代的 PR 复盘，必须从“覆盖了多少”升级到“哪些覆盖真正改变了品牌被理解的方式”。质量加权，就是这一步的起点。