品牌AI可见性的三个层次：被知道/被推荐/被正确描述

为什么要把 AI 可见性拆成三层

“在大模型里表现怎么样”混合了三个问题：品牌是否出现、是否被推荐、描述是否符合事实。三者的失败原因、责任人和处理方式不同，必须分开诊断。

第一层：被知道（Awareness）

一句话定义： 当用户在大模型里提到你的品牌名、品类、或相关场景时，AI 能识别出「这是一个真实存在的品牌」并把它报出来。

诊断时分别问品牌介绍、品类名单和别名关系，记录是否提及、主体是否识别正确、品类是否符合现行业务。无法确认、与同名主体混淆或归入旧品类，都属于这一层。

核验重点在主体事实。 先统一公司、品牌、子品牌、产品和地区关系，再检查品牌可控页面是否公开表达一致。结构化标记只能与正文事实一致，不能保证外部模型采纳；入口未展示的训练或检索来源不能据此推断。

第二层：被推荐（Recommendation）

一句话定义： 在用户带有购前决策意图的问题里（推荐、对比、选购、场景匹配），AI 主动把你端出来，甚至排在候选清单前列。

用场景推荐、指定对比和品类选择问题，分别记录是否入围、是否明确推荐、理由与限制条件。被提及但未被选择，和完全缺席不是同一问题。

这一层最容易被误诊断。 总提及率会把“用户已经指名品牌”与“品类或场景问题中主动入围”混在一起。诊断时应分别报告指名问、品类问和场景问，不用一个汇总数字代替推荐判断。

诊断重点在推荐理由与条件。 保存真实回答，记录品牌是否入围、推荐理由、限制条件和入口实际展示的引用。任何公开材料调整都只是待验证实验，不能承诺“拿下内容位”或固定推荐结果。具体方法见AI 推荐管理策略。

第三层：被正确描述（Accuracy）

一句话定义： 当 AI 已经在推荐你时，它对你的描述——参数、定位、口碑、故事——是否与事实一致。

核对参数、主体、风险和定位问题，记录事实状态、评价对象、可见引用和复测结果。常见问题是不同条件或版本混写、历史事件被当作现状、旧定位替代现行事实。

这一层关系到事实责任。 被推荐不代表描述正确；主体、参数、状态、条件和时间仍要逐项核验。旧内容是否来自训练或检索不能从答案表面确定，只能登记为待验证假设。

处理重点在责任事实一致。 产品页、FAQ、规格表和状态页应写清字段、条件、版本、生效时间和责任主体。结构化标记与访问策略需由网站团队按实际环境评估，不保证模型采用。发现明确错误后建立事故工单，不能用可见性总分掩盖事实问题。

三层诊断卡：问法、指标与误区必须对应

先冻结问题、入口、时间和标注规则，再把每一次完整回答放进对应层。下面这张卡是分流工具，不是跨入口表现数据。

三层递进：为什么顺序不能乱

顺序不能乱有两个含义：

其一，诊断顺序不能倒。 主体无法识别时，推荐结果和事实归属都无法可靠解释；已经入围但理由不清时，再进入推荐诊断；出现事实错误时，无论是否推荐都应建立事故工单。具体纠错边界见AI 说错品牌修复手册。

其二，责任顺序不能乱。 主体层由品牌与法务确认，推荐层由品牌、研究与内容角色设计实验，事实层由对应业务负责人签字。频率和预算取决于事件与风险，不设统一周期。

三层框架的使用方式

给品牌管理团队三条实操建议：

1. 先分层诊断，再定预算。 问题数量和入口范围按真实业务场景、合法访问条件与项目接入确定。投入依据应是可复核缺口，而不是虚构分数。

1. 报告口径固定用三层。 分别报告主体识别、推荐判断和事实核验，并能回到原始回答。用一张综合分数掩盖三层差异，会让责任和动作失焦。

1. 跨部门分工按层匹配。 第一层由品牌 / 市场部主导（涉及实体与百科），第二层由内容 / SEO / KOL 运营协同（涉及可引用的场景内容），第三层由品牌管理 + PR + 法务协同（涉及事实与危机信源）。层与团队错配，是「做了很多、指标不动」的典型原因。

用一批真实回答完成首次分层

不要先做综合分。先按AI 问答表现监测固定样本与分母，把每条回答标成“未识别、已提及未推荐、已推荐、事实待核或事实错误”，再把不同缺口交给对应责任人。

三层框架用于分流问题与责任，不代表产品能够控制外部模型，也不预设任何入口覆盖或改善幅度。

需要把三层诊断卡接入持续留样、人工核验和责任协作，可查看AI 答案管理解决方案。