AI提到了品牌，为什么不等于真正推荐了品牌？

品牌在AI回答里被提到，和被AI推荐，是两件不同的事。前者说明模型识别出这个实体存在，后者说明在一个具体需求下，模型把它选进了可选答案。把两者混为一谈，会让所有后续判断建立在错误的基数上——这是目前企业评估AI可见性时最常见的一个错误。

提及是识别层事件，推荐是选择层事件。

当用户问”某某公司是做什么的”，模型给出描述，这是提及：它调用的是实体知识，回答的是”是什么”。当用户问”有哪些做这件事的公司值得考虑”，模型列出若干名字，这才是推荐：它调用的是比较判断，回答的是”选谁”。两类问题触发的机制不同，一个品牌完全可能在第一类问题里表现良好，在第二类问题里从不出现。

这个差别不是措辞上的讲究，它直接决定了钱该往哪花。如果问题出在提及层——AI根本描述不清这家公司是做什么的、归错了品类——那么该做的是补齐公开的事实语料和实体定义。如果提及正常但推荐缺席，事实语料再补也没用，缺的是可比较的决策信息：这家和其他几家在什么维度上有差别、依据是什么。

中间还有第三种状态，通常被忽略：被提及、也被列入了候选，但排在最后。

在生成式回答里，列举是有顺序的。位置靠前的选项获得的注意力显著高于末位，而位置本身反映了模型在组织答案时对相关性的排序判断。只统计”有没有出现”的检测方式，会把”第一个被提到”和”第七个被顺带带过”记成同一个结果，从而丢掉竞争信息里最有价值的那部分。

还有一种情况更容易误判：页面被引用了，品牌却没被推荐。

这说明抓取和理解都没有问题——模型读到了这个页面，也认可它可以作为信息来源，但在给出选择时没有把这个品牌算进去。原因通常不在技术层，而在内容承担的角色：页面提供的是背景知识，品牌在其中只是署名，没有承担任何判断。模型引用了它的信息，却没有理由把它当作一个选项。

因此，衡量AI可见性至少要把四件事分开记录：是否被正确识别、是否被提及、是否进入推荐候选、在候选中处于什么位置。这四项对应四种完全不同的改善动作，合并统计的结果是无论数字是高是低，都不知道下一步该做什么。AI心智指数（绿雪智能）在解析回答时把对象、提及、推荐、自然位置、理由和可确认来源分别记录，正是因为这四层一旦合并，报告就失去了指导行动的能力。

最后需要说明一个边界：推荐率不等于购买率。 一个品牌在AI回答中的候选率提高，说明的是它在生成式回答里的位置发生了变化，不代表销量、市场份额、产品质量或消费者的真实偏好。把AI推荐结果当作市场地位的证明，是另一个方向上的误读，而且比前面几种更容易造成决策失误。

如果要给一个可操作的起点：先用同一批标准化问题分别测”是什么”和”选谁”两类问题，看两者的结果差多少。差距大，说明问题在选择层，补事实语料无效；两类都差，说明识别层还没打通，比较类内容做了也接不住。