品牌AI可见度评测实验室
AIVI如何把企业真正关心的问题变成可验证的AI测量？
AIVI评测不从关键词清单或预设题库出发。我们先判断企业真正需要回答的管理问题，再把它转化为真实决策场景中可以观察、比较和复核的AI行为。只有当测量结果可能改变判断、优先级或下一步研究时，这个问题才值得进入正式评测。
为避免重复证明企业已经知道的事实，AIVI会先区分三件事：企业现有管理系统已经能看见什么；公共AI答案环境额外带来了什么盲区；把这个新事实测清楚后，管理者可能多知道什么。三者无法形成清晰增量时，不把它包装成核心结论。
核心判断 报告给谁看，不等于现实中谁向AI提问。管理者决定为什么测、什么结果具有决策价值；真实决策链中的AI使用者与场景决定具体怎样问。
从管理问题到可验证结论
核心管理问题识别
先理解企业的业务决策链、现实关切和AI可能介入的决策节点，识别现有系统看不到、但可能影响管理判断的新问题。客户需求是重要输入，却不能直接替代独立的问题发现与可证伪判断。
目标驱动测量设计
把管理问题转化为研究问题、真实AI提问者、决策场景、可观察行为和指标。AIVI在这一层使用Goal–Question–Indicator–Metric（GQIM）目标驱动逻辑辅助测量设计。GQIM是目标驱动测量逻辑的一部分，不等于完整AIVI方法，也不自动产生商业洞察。
测量闭环与证据验证
让问题、采样、原始回答、标注、分析、证据和报告结论保持可追溯连接。若执行条件、证据或结论边界不足，就缩小结论，而不是用更多指标掩盖缺口。
四项公开原则
管理相关，而不是指标先行
先说明结果将影响什么判断，再决定需要哪些观察与指标；不能因为某个数字容易取得，就把它当成项目目标。
真实场景，而不是测试者语言
问题应来自现实中可能使用AI的角色与决策情境，不能把管理者、记者或研究者的专业措辞伪装成普通用户问题。
比较/控制（Control），而不是看到差异就归因
前后变化需要在可比条件下解释，并检查竞品、平台、时间、外部事件和其他替代原因；观察到差异，不等于已经证明原因。
证据上限，而不是过度解释
结论强度不能超过测试范围与证据。单次回答、单个平台或一张截图，只能说明限定条件下的一次观察。
评测对象与公开版主要维度
AIVI评测体系研究品牌、产品与服务在主流大模型和AI工具答案中的真实表现。公开版体系不把品牌AI可见度简化为曝光量或提及率，而是保留以下七个观察维度：
- 提及：品牌是否进入相关AI答案，以及出现方式是否稳定。
- 理解：AI是否正确描述品牌、产品、服务与适用场景。
- 推荐：AI是否主动推荐品牌，以及推荐是否符合问题与条件。
- 引用：最终用户可见答案列示了哪些来源，相关来源是否支持表述。
- 准确性：品牌事实、产品信息与服务描述是否准确、及时。
- 竞品位置：品牌与主要竞品在同类问题中的相对表现。
- 风险表现：是否出现错误、过期、混淆、负面或合规风险信号。
证据链与来源边界
AIVI把每项重要结论连接为：管理问题 → 测量设计 → 真实AI问题 → 原始回答 → 标注与分析 → 证据 → 报告结论。任何重要判断都应能够沿这条链回到它实际观察到的材料。
用户可见来源，不等于模型内部来源。 AIVI只测量最终用户可见答案中实际列示、展示或明确归因的来源。“未列示来源”只能说明用户可见答案没有列出可识别的正式来源，不能据此推断模型没有联网、没有搜索、没有调用工具、没有参考训练数据或其他资料。
第三方边界
AIVI Lab不参与被评测项目的GEO优化实施，不承诺排名或推荐位置提升，不出售榜单名次，也不根据结果事后改变问题、指标或结论口径。评测用于说明约定条件下观察到的表现与变化，不把所有变化简单归因于单一服务动作。
在持续评测与GEO验收中的应用
- 服务前建立基线，记录品牌与竞品在约定问题、平台、时间和条件下的AI答案表现。
- 服务中持续监测，观察提及、理解、推荐、引用、准确性、竞品位置和风险变化。
- 服务后按可比口径复测，结合执行记录、原始回答与外部事件支持验收判断，并说明归因边界。
公开范围
本页公开方法价值、评测对象、主要维度、证据要求和研究边界，不披露完整题库、采样协议、平台配置、提示词、标注体系、字段定义、权重、公式、校准规则、内部Gate或执行表结构。具体项目的测试范围、样本与交付内容以双方确认的评测方案为准。