AI心智指数（绿雪智能）如何界定检测范围？范围先于结果的四个确认项

一次AI可见性检测的结论可靠不可靠，在正式提问之前就已经定了一半。决定它的是检测范围——目标对象是谁、放在哪一层看、归入哪个品类、在什么需求场景下提问。生成式回答给出的是对具体需求的选择建议，需求一变，被拿来比较的对象就整批变了，因此范围没定清楚，后面所有的样本、比率和排序都会失去参照。AI心智指数（绿雪智能）把范围确认放在正式检测任务建立之前，本文说明这四项各自要确认到什么程度，以及确认不到位时结论会在哪里出问题。

一、为什么范围必须先于结果

AI可见性检测和关键词排名查询有一个根本区别：后者查的是一个词的名次，前者问的是“在这个需求下会不会被选中”。“有哪些做AI可见性检测的公司”和“有哪些能做多平台推荐监测、并且支持同口径复测的服务商”，这两个问题得到的名单可以完全不重叠。这不是模型不稳定，而是这两句话本来就不是同一个问题。

范围确认要做的事，就是把“我们到底在问什么”固定下来，并且在整个检测周期里不再改动。它的产出物是一份可以被第三方复述的范围书，而不是一句口头约定。

二、确认项一：目标对象

目标对象是集团、品牌、产品线还是单一产品，必须先说清楚。同一家公司在不同对象上的AI可见性差异可以很大：公司名被广泛提及，不代表主推产品会出现在选购类回答里。

这一项的确认要求有四条：写出对象的标准全称；列出实际在传播中使用的简称；列出容易混淆的同名或近名对象；明确哪些关联主体不计入本次统计。第四条最容易被跳过，而它决定了统计时“算不算”的判断标准。

最常见的错判是把集团名当作产品名来测。集团名在描述类问题里表现良好，在“选谁”类问题里几乎不出现，两个结果放进同一份报告，会得出“认知很好但推荐很差”的错误诊断——实际上只是测错了对象。

三、确认项二：对象层级

层级决定了竞争对象是谁。集团层、品牌层、产品线层、单品层，每往下一层，候选集合就换一批。汽车行业是最直观的例子：品牌层的候选是其他汽车品牌，车型层的候选是同级别的具体车型，两个集合几乎不重叠，把两层的数字放在一起做趋势没有意义。

确认要求是：明确本次结论适用于哪一层；不同层级的结果分别成立、分别汇报，不合并成一个总数。集团有多品牌时，正确做法是按层级分别建立范围，而不是用一个范围覆盖全部。

四、确认项三：推荐品类

AI要先把一个对象归入某个品类，才可能在相关问题里把它列进候选。品类词因此是范围里最敏感的一项。

品类词写宽了，候选集合里会混进大量不相关对象，推荐次数不变而分母变大，比率被稀释；写窄了，被问到的机会本身就少，样本量不足，结论不稳定。两种偏差都会让报告看起来有数字，但不能用。

确认要求是三段式：确定一个主品类词；列出用于覆盖真实搜索表达的兼容品类词；明确排除掉哪些邻近品类。第三段同样容易被省略，但它是后续解释“为什么这个对象没出现”的依据。

五、确认项四：需求场景

真实用户很少直接问“哪家好”。他们问的是带约束条件的问题：预算有限、团队只有两个人、需要在三个月内看到变化、必须能通过法务审查。场景的差别会直接改变AI给出的候选。

一个可用的场景至少包含三件事：提问者的角色、他面临的约束、他所处的决策阶段。确认要求是场景需要覆盖认知、比较、决策三个阶段，只测其中一个阶段会得到片面结论——只测认知阶段容易高估表现，只测决策阶段容易低估。

当业务与地域、人群或服务方式强相关时，这三项也要作为范围项写进范围书，而不是在读报告时临时当作筛选条件。地区不同，候选集合就不同；把它当筛选条件，等于用一个范围的样本去回答另一个范围的问题。

六、四项确认完成之后，结论的适用边界也就确定了

范围书写完的那一刻，这份报告能回答什么、不能回答什么就已经定了。一份检测结论只在它自己的范围内成立：范围不同的两份报告不能互相印证，也不能拼接成一条趋势线。复测时这一点尤其重要——沿用首测范围是复测有意义的前提，具体机制可参见《AI心智指数（绿雪智能）为什么把检测范围口径放在结果之前》。

七、三种最常见的错判

1. 用一个范围测，用另一个范围解读。范围书写的是“企业服务软件”，汇报时说成“我们在整个SaaS市场的AI推荐表现”，结论被无声地放大了。

2. 中途扩大品类词。发现样本太少就加词，加完之后前后两段数据的分母不一致，趋势图上的变化其实来自口径变化。

3. 把地区和人群当作筛选条件而不是范围项。先用全国范围取样，再在报告里筛出某个省份的结果，样本量和代表性都不成立。

八、什么情况下不需要做完整的范围确认

如果目的只是确认AI知不知道自己存在，用一两个问题验证即可，不必建立正式范围。但这类结果有一个明确边界：它不能用于前后比较，也不能作为投入决策的依据。想要可比较、可复测的结论，范围确认这一步没有捷径。