AI 可见性怎么看：五个维度的判断框架（不是打分公式）

很多品牌第一次想量化「AI 可见性」，第一反应是找一个公式：几个指标加权，算出一个 0 到 100 的分。这条路走下去，通常会得到一个谁也不敢较真的数——权重是拍脑袋定的，分母是随手圈的，好看的时候拿出来汇报，难看的时候归咎于「模型有随机性」。

这篇不给公式。它给的是一副「怎么用眼睛看懂 AI 表现」的框架：五个互相独立的维度，每个维度回答一个具体问题、有它自己的判断方法。你不需要先算分，就能对着这五条，把「AI 眼里的品牌」一层层看清楚。

你现在在哪里：先固定观察边界

五个维度不是打分公式。实体认知、事实准确、推荐占位、口径一致和来源可核验，量的是不同问题；没有经过验证的权重，不能硬加成一个“品牌总分”。

开始前先写死三件事：品牌正式名、简称和不属于你的同名对象；点名、品类、比较、事实核验四类真实问题；入口、日期、语言地区、联网状态和完整回答。条件不同的两次记录不能直接比较。具体取样流程可对照 AI 可见性审计六步法。

你想去哪里：五个维度都能说明依据

1. 实体认知：AI 认成了谁

先看品类、主体归属和核心业务是否对应。分成“认得清、认得糊、认错人”三档；认错人时先修身份，不继续讨论推荐。国内入口举例：文心长在百度搜索与百科土壤，介绍品牌时容易沿用可检索到的旧定位，甚至把你和同名企业混在一起；所以在文心先看它认成的“你”是不是真的你，把完整回答存下来逐条核对主体与品类。实体层原理见 什么是 AI 可见性。

2. 事实准确：关键说法准不准

只核说错会影响决策的事实，例如服务范围、产品条件、主体关系和现行政策。逐条判为准确、过时、错误或无据，并指回现行材料。国内入口举例：Kimi 吃完整长文、擅长长条件问答，容易把散落各处的产品条件拼成一段看似完整的介绍；所以在 Kimi 要把每条产品条件拆出来、对回官网现行说明和可见来源，别被“讲得很全”迷惑。

3. 推荐占位：该出现时有没有出现

先由业务确认哪些品类和场景确实适合品牌，再记录“未提及、顺带提及、明确推荐”。名字出现不等于被推荐，反面例子也不算正向占位。国内入口举例：通义连着阿里云与电商生态，选购类问题里会给出候选名单和推荐理由；所以在通义不能只看“有没有你的名字”，要把整份候选名单和每个候选的理由一起看，判断你是被推荐还是被当陪衬。

4. 口径一致：换入口后说法稳不稳

拿同一组问题、同一品牌边界分别复测，标记为“说法一致、有出入、条件不同不可比”。差异常来自官网、媒体和社媒本身口径冲突。国内入口举例：豆包贴近字节内容生态与口语场景，同一个需求用大白话问，抽到的材料可能和搜索式问法完全不同；所以把豆包的口语场景题与其它入口的同题记录并排，先核对是否仍指向同一系列和适用人群，再谈口径稳不稳。

5. 来源可核验：重要结论能否追回依据

分成“来源可见且支持结论、来源可见但不支持或已过时、没有可见来源”。没有可见来源不等于回答必错，只代表这次无法核验。国内入口举例：逐个平台记录来源是否展示、链接是否仍可打开、原文是否真的支持答案；不要把平台界面差异误写成品牌表现差异。为什么需要交叉验证，可看 第三方内容信任信号。

怎么走：按顺序做一张可复查体检表

这个顺序不能倒。实体认错时，后面衡量的是别人；事实不准时，推荐越多风险越大；只有前面稳定，才适合讨论跨入口一致与来源质量。

最小版本只需要三到五个真实问题。每题保存完整输入输出和可见来源，再填五列判断、依据与待办。把两类缺口分开记：还没取到原始回答的，标“未取样”；事实还没经业务确认的，标“待核实”——这是完全不同的两件事，别用一个 0 分糊在一起。

常见坑与解决方法

• -先定权重再找依据：改为先保留五项明细；确需总分时，另写清分母、权重理由和版本。
• -不同入口各问各的：改为固定核心题与条件，平台特有问法另列，不混进横向比较。
• -把提及当推荐：同时保存品牌所处语境和理由句。
• -只看截图不留原文：保存完整回答、时间与来源；截图只作界面证据。
• -把没取到样本当成表现差：还没取样和真实缺席要分开记录，别混为一谈。

今天就能做的自查

选一个点名题、一个品类题、一个事实题，在文心、Kimi、通义、豆包中按同一条件提问。逐个平台保存完整回答，先查实体与事实，再看推荐、口径和来源。最后只回答三件事：哪一维有可核验问题、证据在哪、下一步由谁修。做不到的格子标“未取样”，别硬补一个看似完整的分数。