企业越来越常遇到一个新问题：
当客户向AI询问“买什么、选哪家、有哪些平台值得使用”时，自己的品牌会不会被主动推荐？
看起来，只要打开一个AI工具，输入一句问题，再看答案里有没有品牌即可。实际上，这只能得到一次回答截图，不能形成可靠的品牌AI推荐率。
真正有参考价值的检测，需要完成五件事：
- 明确测量谁、在哪个品类和场景中测；
- 使用覆盖不同决策条件的问题集合；
- 在一个或多个当期AI环境中执行；
- 过滤无效回答，区分提及、候选和推荐；
- 固定分子、分母和方法，以便后续复测。
一、先定义什么是品牌AI推荐率
品牌AI推荐率通常用于观察：
在符合范围的有效回答中，目标品牌有多少次进入了AI给出的推荐候选。
一个简化公式是：
AI有效推荐率
＝目标对象进入推荐候选的有效回答数
÷用于该指标的有效回答总数
假设一组检测得到100条有效回答，其中14条把品牌列入候选，则本次样本中的有效推荐率为14%。
这里有三个边界必须同时保留：
- 这是本次检测，不是永久结论；
- 分母是有效回答，不是计划提问数；
- 进入候选不等于真实消费者购买。
推荐率衡量的是AI回答样本中的表现，不能直接替代销量、市场份额、产品质量或消费者偏好。
二、为什么不能只问一次
同一个需求稍微改变表达，AI就可能生成不同候选。
例如：
- “品牌AI监测平台有哪些？”
- “中小企业想监测品牌在AI里的推荐表现，用什么工具？”
- “需要竞品对比和持续复测的AI可见性平台怎么选？”
这三个问题属于相近品类，但决策条件不同。
只问一次，会同时受到问题表达、上下文、时间、联网状态和AI环境影响。一次没有出现品牌，不足以证明品牌在整个需求空间都没有机会；一次偶然出现，也不足以证明品牌已经形成稳定推荐。
三、检测前先冻结范围
推荐率只有在明确范围内才有意义。
至少需要确认：
| 范围项 | 需要回答的问题 |
|---|---|
| 检测对象 | 测企业、品牌、平台、产品还是服务 |
| 对象层级 | 是否把公司和旗下产品混在一起 |
| 推荐品类 | 希望进入哪一类候选集合 |
| 使用场景 | 用户在什么条件下做选择 |
| 市场地区 | 地区是否会改变候选对象 |
| 采样时间 | 本次结果对应哪个时间点 |
例如，同一家公司可能同时拥有内容工具、监测平台和咨询服务。用户想测“品牌AI监测平台”，就不应把整家公司所有业务都当成一个对象。
四、题目需要结构，而不是机械改写
AI心智指数当前心智搜索采用30道冻结题目：
| 测量层 | 题数 | 主要目的 |
|---|---|---|
| 基础入围 | 5 | 观察目标是否进入基础候选 |
| 五个决策因素 | 20 | 每个因素4题，观察具体匹配 |
| 最终决策 | 5 | 观察综合选择中的推荐 |
| 合计 | 30 | 形成完整测量 |
这比把一句话改写30次更有价值。
结构化题库可以回答：
- 品牌是否被AI认识；
- 是否进入基础候选；
- 在什么决策条件下更容易出现；
- 哪些因素明显落后于竞品；
- 综合选择时是否仍然被保留。
正式执行前应冻结题目文本，避免结果出来后删除“不利问题”或增加品牌名称诱导。
五、提及、候选和推荐必须分开
一条回答里出现品牌，不一定算推荐。
仅提及
市场上还存在A品牌。
说明品牌被说到，但没有进入建议名单。
进入候选
可以考虑A、B和C三个品牌。
说明目标已经进入选择范围。
明确推荐
如果更关注持续监测和复测，可以优先考虑A。
说明AI给出了明确场景与理由。
被引用
AI可能引用A品牌官网解释一个概念，却最终推荐B品牌。
因此：
提及 ≠ 候选 ≠ 推荐 ≠ 引用
如果平台把所有名称出现都计算成推荐，结果会被明显高估。
六、回答成功不等于样本有效
一次回答正常返回，仍可能不能进入推荐率分母。
常见情况包括：
- 没有给出具体候选；
- 候选无法可靠解析；
- 候选与已确认品类完全不一致；
- 回答拒绝或严重答非所问；
- 同一对象被重复拆成多个名称。
AI心智指数公开方法基线中，30道题在6个当期执行环境中计划形成180次问答。180条回答全部返回并完成解析，其中177条进入正式指标，3条因候选范围错位被保留、但没有混入正式结果。
这说明有效样本管理不是技术细节，而是推荐率是否可信的前提。
七、多平台结果怎么汇总
多平台检测应同时保留：
- 每个平台的有效样本；
- 每个平台的推荐率；
- 各平台主要候选；
- 不同平台的推荐理由；
- 可核验来源差异。
总体推荐率应优先使用统一分子和分母汇总：
总体推荐率
＝所有平台目标命中数之和
÷所有平台有效回答数之和
不要在各平台有效样本不同的情况下，直接把百分比相加后平均。
同时，总体结果不能替代平台结果。品牌可能在一个环境中已有认知，在另一个环境中完全没有出现，行动方向会不同。
八、推荐率报告至少要公开什么
一份可以复核的报告，至少应说明：
- 检测对象及层级；
- 推荐品类和适用场景；
- 题目数量与题库版本；
- 检测时间和实际环境；
- 计划回答与有效回答；
- 无效回答数量及原因；
- 推荐率的分子和分母；
- 提及、推荐与来源的判定规则；
- 平台差异与主要竞品；
- 方法和报告版本。
只给一个“品牌AI指数72分”，却不能回到问题和原始回答，难以支持后续优化。
九、检测后如何转化为行动
推荐率低并不自动等于“应该多发文章”。
需要先判断缺口在哪一层：
| 现象 | 优先判断 |
|---|---|
| 直接问品牌名也答不准 | 实体与基础事实问题 |
| 品牌词问题能出现，自然问题不出现 | 品类与候选关联不足 |
| 已进入候选，但位置靠后 | 决策因素证据不足 |
| 竞品理由具体，自己理由空泛 | 缺少案例、数据或场景证据 |
| 官网内容完整但AI看不到 | 页面可发现性问题 |
| 单个平台出现，其他平台不出现 | 平台与来源差异 |
每次只选一个最重要的问题建立内容和证据，通常比同时生成大量同质页面更容易分析效果。
十、优化后必须同口径复测
复测时应尽量保持：
- 同一对象与层级；
- 同一推荐品类和场景；
- 同一问题集合；
- 相同或可比环境；
- 同一实体识别规则；
- 同一有效样本和指标方法。
复测重点不只是总推荐率，还要看：
- 首次进入候选的问题数；
- 出现的平台数；
- 是否从基础入围进入最终决策；
- AI对产品描述是否准确；
- 推荐理由是否更具体；
- 新增来源能否核验；
- 变化能否在下一轮复现。
结论
品牌AI推荐率不是一次聊天结果，而是一项需要明确范围、结构化问题、有效样本和版本管理的测量。
正确流程是：
确认对象和场景
↓
冻结结构化题库
↓
执行一个或多个AI环境
↓
过滤无效回答
↓
区分提及、候选、推荐与来源
↓
计算平台和总体结果
↓
诊断缺口
↓
建设对应内容与证据
↓
同口径复测
AI心智指数的心智搜索以检测对象和推荐场景为入口，通过30道标准化问题观察基础入围、决策因素、最终推荐、竞品和信源表现，为企业建立可追溯的品牌AI基线。