被提到，不等于被推荐：我们怎么衡量 AI 可见度
为什么我们把“被提到”“被推荐”“被引用”分开统计，以及让 AI 可见度数字可信的几条规则。
“AI 可见度”听起来像一个数字，其实不是。患者问 AI 去哪看病时，你的名字可能以好几种方式出现，价值差别很大。这篇说明我们怎么测，以及为了让数字有意义，我们守的几条规矩。
从一套固定的问题开始
我们按专科和市场，用患者真实的问法写问题：带着城市、担心或预算。一个测量周期内，这套问题不改。问题一旦调整，就重新建立基线，不拿新旧数字直接比。因为问题变简单而带来的上涨，不算进步。
两类问题分开算
有的问题点了你的名：“某某诊所种牙怎么样？”有的没点名：“在深圳种牙去哪家好？”点名的问题几乎一定会提到你，混在一起会把结果抬高，所以我们分开报告。点名问题用来检查 AI 介绍你是否准确；不点名的问题，才能看出 AI 会不会主动想到你。
提到、推荐、引用
每条回答，我们记录三件事：
- 被提到：回答里出现了你的名字，不论语境，包括提醒注意或一长串名单。
- 被推荐：回答把你列为患者可以去的地方。我们还会记录排名位置和语气。这是最接近“进了候选名单”的指标。它是逐条判读得出的近似值，我们会明确标注。
- 被引用：回答把你官网的某个页面列为来源。只有会联网搜索并展示来源的 AI 才可能出现。
三者的走向可能不一样。比如 AI 开始在对比里提到你、但结论偏向别家，你被提到的次数多了，被推荐的反而少了。
缺失不等于零
有时 AI 超时、拒答或返回空内容。我们把它算作缺失，而不是“没提到你”。比例只按有效回答计算，同时列出缺失数量，让你看到真实数值可能落在什么范围。
写清样本量和波动范围
“23%”离开“总共多少条”就没有意义。报告里的每个比例都附上分子、分母和 95% 区间。只有 120 条回答时，三四个百分点的变化很可能只是波动。只有前后两周的区间不重叠，我们才说“上升”或“下降”。
只比能比的
只有用同一套问题、同一批 AI、同一个模型版本的周期，我们才放在一起比较。某个 AI 换了模型，我们会标出来，并把趋势线断开，而不是硬连过去。
数字说明不了什么
每份报告里，我们都会写明两点局限：
- API 拿到的回答，不完全等于用户在 App 里看到的。 App 会加上自己的指令、位置和个性化设置。我们用 API 结果追踪长期变化，再到真实产品里抽样核对。
- 被推荐不等于有人预约。 官网带来的咨询我们单独记录，并标明来源，这样你能看到可见度有没有真的变成患者。
这些都不复杂。难的是每周都这样做，并且在好看的数字和真实的数字之间，选真实的那个。