随着生成式AI逐渐成为用户获取信息、比较产品和辅助决策的重要入口，品牌在AI回答中的表现，正在成为企业关注的新指标。
过去，企业更熟悉的是搜索引擎排名、网页收录、自然流量和点击率；而在AI问答场景中，用户看到的不再是简单的搜索结果列表，而是一段由AI生成的综合回答。一个品牌是否被AI提及，是否被AI推荐，是否被AI引用，是否被准确描述，都会影响用户对品牌的理解和判断。
在这一背景下，我们推出AI指数，也称AI品牌指数，尝试用数据化、结构化的方式，评估品牌在主流AI回答平台中的可见度、推荐度、引用表现和潜在风险。
值得注意的是，我们选择公开AI品牌指数中的部分核心指标公式。这一做法的背后，并不是简单展示技术能力，而是希望推动AI品牌评测走向“专业测评工具”。
AI品牌评测不能只给一个分数
在AI品牌评测领域，如果一个平台只告诉用户“你的品牌得分是多少”，却不说明数据从哪里来、指标怎么算、结果如何解释，那么这样的评分很难真正建立信任。
对于企业来说，真正关心的并不只是一个排名或分数，而是分数背后的依据：
AI在哪些问题中提到了品牌？
AI是否主动推荐了品牌？
品牌是否排在推荐结果前列？
AI是否引用了官网或公开资料？
AI是否出现了错误信息、过期信息或品牌混淆？
如果这些问题无法解释，AI品牌评测就容易变成黑箱。
我们认为，AI品牌评测要真正被企业接受，必须让用户理解核心指标的含义和计算逻辑。客户并不害怕公式简单，真正令人担心的是完全不知道结果如何产生。
为什么要公开部分核心公式？
我们公开AI品牌指数部分核心公式，主要基于三个考虑。
第一，让用户理解指标含义。
AI品牌评测涉及多个新概念，例如AI可见度、推荐率、首位推荐率、品牌遗漏率、引用准确率等。如果这些指标只是被包装成专业术语，而没有清晰解释，用户很难判断它们是否真正有价值。
通过公开基础公式，用户可以直观看到每个指标衡量的是什么。例如，AI可见度关注品牌是否被AI提及，推荐率关注品牌是否被AI主动推荐，风险命中率关注AI回答中是否出现错误信息、负面联想或品牌混淆。
第二，让测评结果具备解释基础。
专业测评工具不能只输出结果，也应该说明结果如何形成。公开部分核心公式，可以帮助企业理解分数变化背后的原因。
例如，一个品牌的综合表现下降，可能不是因为品牌整体影响力下降，而是因为在某些推荐类问题中被竞品替代，或在某些AI平台中出现了品牌遗漏。只有指标可解释，企业才能进一步判断问题出在哪里。
第三，让评测体系更加透明、可复核。
AI回答具有动态性和不确定性。同一个问题，在不同平台、不同时间、不同模型版本下，可能出现不同结果。因此，AI品牌评测不能依赖单次提问，而需要通过多问题、多平台、多轮采样来降低偶然性。
公开部分公式，有助于用户理解评测结果并非凭空生成，而是来自一套可观察、可复核的指标体系。
AI指数公开了哪些核心指标？
据了解，AI品牌指数重点围绕品牌在AI回答中的提及、推荐、引用、排序和风险表现进行量化评测。目前可公开解释的核心指标主要包括以下几类。
AI可见度
AI可见度用于衡量品牌在AI回答中被提及的频率。
计算方式可以理解为：
AI可见度 = 品牌被提及的问题数 ÷ 总测评问题数 × 100%
这一指标回答的是：当用户向AI提出相关问题时，品牌是否会被AI看见并说出来。
推荐率
推荐率用于衡量AI在推荐类问题中主动推荐某个品牌的比例。
计算方式可以理解为：
推荐率 = 品牌被AI作为推荐对象出现的次数（单次采样最多一次） ÷ 推荐类有效回答总数 × 100%
这一指标关注的不只是品牌有没有出现，而是AI是否愿意把品牌作为建议对象提供给用户。
首位推荐率
首位推荐率用于衡量品牌在推荐型回答中排名第一的比例。
计算方式可以理解为：
首位推荐率 = 品牌排名第一的推荐型回答数 ÷ 推荐型问题总数 × 100%
在AI推荐结果中，排序位置往往会影响用户关注度。品牌是否出现在首位，能够反映其在AI推荐中的优先级。
品牌遗漏率
品牌遗漏率用于衡量在竞品被AI提及时，本品牌是否缺席。
计算方式可以理解为：
品牌遗漏率 = 竞品被提及但本品牌未被提及的问题数 ÷ 总测评问题数 × 100%
这一指标对于竞品分析具有参考价值。它帮助企业发现：当AI已经知道并推荐同行品牌时，为什么没有提到自己。
正向情绪率
正向情绪率用于分析AI回答中对品牌的描述倾向，包括正向、中性和负向表达。
计算方式可以理解为：
正向情绪率 = 正向品牌描述次数 ÷ 品牌相关有效回答次数 × 100%
这一指标关注的是AI如何描述品牌，而不仅仅是是否提到品牌。
引用准确率
引用准确率用于衡量AI在引用或描述品牌相关信息时，是否准确。
计算方式可以理解为：
引用准确率 = AI正确描述品牌关键信息的次数（单次采集最多一次） ÷ 品牌信息引用或描述总次数 × 100%
这里的关键信息可能包括官网信息、产品功能、服务范围、价格信息、品牌优势、案例资料等。
风险命中率
风险命中率用于识别AI回答中出现错误信息、负面联想、过期信息或品牌混淆的比例。
计算方式可以理解为：
风险命中率 = 出现错误信息、负面联想、过期信息或品牌混淆的回答数（单次采集最多一次） ÷ 品牌相关有效回答数 × 100%
这一指标可以帮助企业提前发现AI回答中的潜在声誉风险和信息偏差。
公开公式，不等于公开全部算法
需要说明的是，公开核心指标公式，并不意味着公开全部算法细节。
对于一个专业测评系统来说，基础指标应当尽可能清晰透明，但完整算法仍然涉及大量技术细节和产品壁垒。例如：
模型权重如何设置；
语义识别如何处理；
异常样本如何判断；
综合评分权重如何分配；
不同行业如何进行校准；
人工复核机制如何介入；
重复采样结果如何合并。
这些内容属于更复杂的模型能力和工程体系，不适合简单用几个公式完全展开。
因此，我们选择公开的是用户最需要理解的基础指标和核心计算逻辑，而不是完全开源算法系统。这种方式在透明度和技术壁垒之间保持了相对平衡。
专业测评工具需要透明边界
AI品牌评测作为一个新兴方向，仍在快速发展。它既不能被过度包装成绝对权威，也不能停留在主观判断和单次测试层面。
一个更可靠的AI品牌评测体系，至少需要回答几个问题：
数据来自哪里？
问题库如何构建？
用户意图如何分类？
品牌提及如何识别？
推荐排序如何计算？
引用来源如何判断？
负面风险如何识别？
采样轮次如何设计？
随机性如何处理？
结果是否可以查看和复核？
从这个角度来看，公开核心公式只是第一步。更重要的是建立一套长期可解释、可复核、可持续优化的评测体系。
从经验判断走向数据化评测
AI指数希望推动AI品牌评测从经验判断走向数据化、透明化和标准化。
在生成式AI时代，品牌不仅要关注自己在搜索结果中的位置，也要关注自己在AI回答中的位置。AI是否提到品牌，是否推荐品牌，是否正确引用品牌信息，是否存在错误描述和负面联想，都将成为企业理解市场认知的新维度。
真正值得信任的测评工具，不应该害怕解释自己的核心指标。
对于企业而言，AI品牌指数的价值也不只是提供一个分数，而是帮助企业看清自身在AI回答中的真实位置：哪些场景被看见，哪些场景被遗漏，哪些内容被引用，哪些风险需要修正。
随着AI问答逐渐影响用户决策，品牌评测也需要从传统搜索时代的指标体系，走向面向生成式AI的新标准。
AI品牌指数的核心公式公开，正是在这一方向上的一次尝试。