品牌完成一次AI检测后，看到推荐率为0，最容易得出两个极端结论：
- 产品完全没有价值；
- 系统肯定没有检测准确。
两种判断都可能错误。
在一套规范检测中，0只表示：
在已经确认的范围和有效样本中，本次没有观察到目标结果。
它不等于技术失败，也不等于永久不会被AI推荐。
一、先区分五种状态
1. 有效样本中的0
回答成功返回、候选可以解析、品类范围正确，但目标没有进入候选。
这种情况可以进入正式分母，并记为0次命中。
2. 技术失败
例如：
- 调用超时；
- 服务异常；
- 请求取消；
- 返回空内容。
没有形成可观察回答，不能直接记为0。
3. 无数据
当前环境没有提供某项信息。
例如回答有候选，但没有可核验来源URL。此时推荐指标可能有效，来源指标则是无数据。
4. 样本不足
可用于某项指标的回答数量低于最低门槛。
这时不宜输出确定百分比。
5. 样本无效
回答文字完整，但不符合本次冻结范围。
例如检测“生成式引擎优化平台”，回答却把GEO理解成地理位置优化，并推荐地图和门店工具。
这类回答应保留记录，但不混入正式指标。
二、为什么不能把所有异常都填成0
假设计划100条回答：
- 20条技术失败；
- 10条范围错位；
- 70条有效；
- 有效样本中目标0次出现。
正确结果是：
计划回答：100
有效回答：70
目标命中：0
有效推荐率：0/70＝0%
而不是：
0/100＝0%
两个百分比一样，但数据质量含义完全不同。
如果下次技术成功率提高，分母变化会影响可比性。
三、0可以带来什么业务判断
基础入围为0
说明目标尚未进入自然候选。
优先解决：
- 实体是否准确；
- 品类关系是否清楚；
- 官网和第三方页面是否具备可发现性；
- 是否缺少与真实需求匹配的内容。
基础入围有结果，最终决策为0
说明品牌已有认知，但综合选型时竞争力不足。
优先解决：
- 决策因素；
- 案例；
- 价格和适用场景；
- 可信证据；
- 与竞品差异。
推荐为0，但品牌认知题正确
说明AI认识品牌，却没有在自然需求中主动选择它。
这比“完全不认识”更接近品类关联和选择理由问题。
四、一次真实公开基线中的0
AI心智指数公开方法基线使用30道冻结问题，在6个当期执行环境中形成180次回答，其中177条进入正式指标，3条因候选范围错位未计入。
在177条有效自然选型回答中，目标没有进入推荐候选。
这组0可以作为后续复测基线，因为：
- 范围明确；
- 题库冻结；
- 有效分母明确；
- 无效原因可解释；
- 方法和报告有版本。
它不能被解释成产品能力为0，也不能扩展成所有AI永久不会推荐。
五、看到0以后先做什么
第一步：人工核验原始回答
搜索：
- 产品正式名；
- 公司名；
- 官网域名；
- 合理名称变体；
- 可能的实体归属表达。
确认不是系统漏判。
第二步：检查题库范围
确认问题是否真的在测目标品类。
如果题库偏向相邻品类，0的业务意义有限。
第三步：检查有效样本
确认：
- 成功回答数；
- 有效回答数；
- 无效原因；
- 各平台分母；
- 是否大量失败。
第四步：判断0发生在哪一层
- 认知；
- 基础入围；
- 决策因素；
- 最终决策；
- 来源。
第五步：只选一个优先缺口
不要因为全部为0，就一次发布几十篇内容。
先选择最符合产品和商业价值的问题，建立实体、品类和证据关联。
六、0到1的成功标准
第一阶段不要追求高推荐率。
更合理的是：
最低成功
至少一道自然问题准确出现品牌。
有效成功
在两个问题或两个环境中出现，并正确描述产品品类。
更进一步
进入至少一道最终决策题的候选。
稳定成功
R1出现后，在R2同口径复测中得到复现。
七、什么时候0可能是系统问题
出现以下情况应优先排查系统：
- 原始回答明明有品牌，报告仍为0；
- 公司和产品关系没有归属；
- 中英文名称被拆开；
- 多个候选被解析为空；
- 平台大量失败却显示完整分母；
- 品牌别名被宽泛对象误匹配；
- 相等指标被错误写成高低关系。
系统质量问题和品牌表现问题必须分开。
八、公开0时应该怎么写
推荐表述：
在指定日期、品类、题库和AI环境中，本次取得177条有效回答，目标对象0次进入自然推荐候选。本结果用于建立后续同口径复测基线。
不推荐：
- 品牌在AI里的排名是最后；
- AI完全不认识品牌；
- 产品竞争力为0；
- 全网推荐率为0；
- 未来不会被AI推荐。
结论
0不是一个需要隐藏的数字，而是一个需要解释的状态。
只有先区分：
有效样本中的0
技术失败
无数据
样本不足
范围错位
企业才能知道，下一步应该修系统、改题库，还是建设品牌公开信息。