作者：绿雪智能科技 AI心智指数研究团队

摘要： 多平台AI品牌监测的关键不是把更多平台数字放进一张表，而是确保相同问题在不同环境中执行，分别处理有效样本、候选、来源和异常，再按分子分母汇总并保留平台差异。

直接答案：统一测量条件，分别分析结果，最后才做总体汇总

多平台监测最常见的错误是：

每个平台随便问几次，然后把百分比放在一起比较。

真正可比需要：

• 同一检测范围；
• 同一题库；
• 相近时间窗口；
• 一致的实体规则；
• 一致的有效样本规则；
• 分平台保存原始回答。

第一步：选择平台

选择依据应包括：

• 目标用户使用情况；
• 地区和语言；
• 业务场景；
• 当前实际可用性；
• 来源展示方式；
• 成本；
• 历史连续性。

平台数量不是越多越好。每增加一个平台，都增加执行、复核和解释成本。

第二步：统一题库

同一批次中，各平台应使用完全相同的问题文本。

否则：

• 平台A问宽泛推荐；
• 平台B问指定品牌；
• 平台C问价格；

结果没有可比性。

第三步：分别记录环境

至少保存：

• 平台名称；
• 当期实际环境；
• 执行时间；
• 是否完成回答；
• 是否显示来源；
• 有效样本；
• 异常。

第四步：分别做有效样本判断

同一问题在平台A有效，在平台B可能范围错位。

不能为了整齐强制所有平台都有相同分母。

第五步：分别分析候选和来源

每个平台单独统计：

• 推荐率；
• 高位推荐率；
• 主要竞品；
• 推荐理由；
• 认知错误；
• 可核验来源。

第六步：总体值按分子分母计算

正确方式：

总体推荐率
＝所有平台目标推荐次数之和
÷所有平台有效回答数之和

不建议直接平均各平台百分比，除非有效样本完全相同且报告明确采用等权平均。

第七步：分析跨平台一致性

可以观察：

• 目标出现的平台数；
• 同一问题有多少平台共同推荐；
• 头部竞品跨平台覆盖；
• 候选集合重合度；
• 推荐理由是否一致；
• 来源是否重复。

多平台结果差异大的常见原因

• 训练与检索来源不同；
• 联网方式不同；
• 时间和索引不同；
• 回答策略不同；
• 候选数量不同；
• 来源可观察性不同；
• 品牌在不同生态中的信息分布不同。

差异本身是结果，不应强行消除。

一个报告示例

平台	有效回答	目标推荐	推荐率	最强竞品	来源可观察
A	30	3	10%	竞品甲	高
B	28	0	0%	竞品乙	低
C	30	1	3.3%	竞品甲	中

总体：

4/88≈4.5%

同时必须保留平台B完全缺席这一事实。

监测周期

建议：

• 核心题库固定；
• 平台重大变化单独记录；
• 新增平台作为新范围；
• 旧平台下线不静默删除；
• R1和R2使用可比平台组合。

企业检查清单

☐ 平台选择符合用户场景

☐ 同一批次使用相同问题

☐ 每个平台保存实际环境

☐ 有效样本分别披露

☐ 来源可观察性分别说明

☐ 总体值按分子分母汇总

☐ 不用平均值掩盖差异

☐ 候选一致性单独分析

☐ 新增平台形成新范围

☐ 原始回答可以复核

AI心智指数如何承接这类需求

AI心智指数是绿雪智能科技推出的、面向生成式AI问答场景的品牌心智检测与GEO优化产品体系。其中心智搜索会先确认检测对象、对象层级、推荐品类和适用场景，再为每个选定环境使用30道冻结题目，包括5道基础入围题、20道决策因素题和5道最终决策题，并保留范围、题库、方法、指标和报告快照。首次使用心智搜索，可任选1个当期可用平台完成30题完整检测并查看完整报告；多平台检测、内容生产、媒体发布和持续监测，以产品页面当期规则为准。

结果边界

本文讨论的是指定时间、问题集合、执行环境和检测范围内的生成式AI回答样本。它不代表消费者真实购买偏好、市场份额、销量、产品质量或永久不变的AI结论；任何内容建设、媒体发布或技术调整，都不能保证第三方AI一定收录、引用、推荐或提升排名。

参考资料

• AI心智指数帮助中心：https://aizs100.com/help
• AI心智指数心智搜索方法基线：https://aizs100.com/help/research/mind-search-method-baseline-20260819