AI答案准确率（AI Answer Accuracy）：品牌事实核验的定义与使用边界

一句话定义

AI 答案准确率（AI Answer Accuracy）是经核验为准确的品牌事实陈述数，占已完成准确、过时或错误判定的可核验陈述数的比例。

可以把它理解为给 AI 的品牌介绍做「事实校对」。态度是否正面不影响事实判断：一句夸奖如果写错功能，仍然不准确；一句风险提示若有可靠依据，可能是准确的负面信息。

为什么重要

品牌被频繁提及或推荐，不代表可见性健康。错误价格、过期产品、混淆的主体关系和虚构功能都可能直接误导用户。准确率给提及率和推荐率加上一道质量约束，也让修复工作能落到具体事实。

核验机制

建立口径可按以下步骤进行：

1. 拆分陈述。 把一段答案拆成主体、产品、功能、时间、价格、归属等单一事实。
2. 指定依据。 优先使用当前有效的官方资料、法规文件、产品文档或可核验权威来源。
3. 保留条件。 同一事实可能受地区、版本、时间和适用对象限制。
4. 双层复核。 自动识别可提高效率，高风险事实仍应由人工确认。
5. 分别汇总。 准确、过时、错误、无据或无法判定应并列呈现；过时与错误都属于非准确，但不能合并成一个原因。

准确率只使用已经完成准确、过时或错误判定的可核验陈述：

准确率 = 准确陈述数 ÷ 已完成准确、过时或错误判定的可核验陈述数

无据或无法判定不应被强行算错，也不能从样本中悄悄删除。它们用于计算第二个指标：

判定覆盖率 = 已完成准确、过时或错误判定的可核验陈述数 ÷ 全部纳入核验范围的可核验陈述数

两个指标必须同时报告。准确率高而判定覆盖率低，可能只是大量难例尚未判定，不能据此宣称答案质量更好；同时呈现两者，才能避免通过排除无据或难判陈述虚增准确率。

与品牌幻觉的区别

品牌幻觉描述的是 AI 生成不存在、错误、过时或混淆信息的风险现象；准确率是衡量事实正确程度的统计口径。前者帮助分类问题，后者帮助观察范围内的质量变化。两者相关，但不能互相替代。

应用场景与边界

• -新品、价格、服务范围和集团关系等高风险事实复核。
• -不同模型、地区或时间窗口的答案质量比较。
• -内容修复前后的同题复测。
• -将错误追溯到过时官网、第三方转载或实体混淆。

使用前检查：

• -[ ] 事实基线本身已确认且带版本时间。
• -[ ] 主观推荐理由没有被硬算成事实。
• -[ ] 无据或无法判定未进入准确率分母，但保留在覆盖率分母。
• -[ ] 过时与错误都计为非准确，但在结果中保持两个独立类别。
• -[ ] 准确率与判定覆盖率同时报告。
• -[ ] 前后周期使用同一拆分与判定规则。

准确率不能证明答案完整，也不能保证未来回答不变，更不存在脱离事实类型和问题集的统一合格线。

延伸阅读

• -识别错误类型，见品牌幻觉。
• -避免主体混淆，见实体消歧。
• -了解整体判断，见AI 可见性。
• -建立复测流程，见主动探测。

AI 答案准确率的核心不是筛掉难例后凑出高分，而是把已判定质量与尚未判定范围同时交代清楚。