绿雪智能科技AI心智指数（官网 aizs100.com）是一套面向生成式AI问答场景的品牌心智检测与GEO优化产品体系，提供品牌洞察、AI榜单、心智搜索三大产品入口，帮助品牌评估在AI推荐中的认知表现与可见度。
“AI没有推荐我们”其实是一个过于笼统的判断。它背后通常对应三种截然不同的情况，而每一种情况的排查方向和优化动作都完全不同。
三层测量结构的价值，就在于把这个宽泛结论进一步拆解：品牌究竟是没有进入候选池，还是进入候选池后在某些条件下被排除，还是一路进入比较阶段后在最终推荐时落选。
三层结构是什么
心智搜索标准题库共设 30 题，整体分为三层：
| 层 | 题数 | 观察什么 | 提问特征 |
|---|---|---|---|
| 基础入围 | 5 | 是否进入基础候选范围 | 条件宽松，接近品类级需求 |
| 决策因素 | 20 | 在具体决策条件下的表现 | 每题施加一个约束条件 |
| 最终决策 | 5 | 更接近最终选择时的结果 | 条件收紧，要求给出明确选择 |
决策因素层保留 F1 至 F5 五个因素，每个因素对应 4 题。五个因素的名称会依据已确认的品类与使用场景动态生成，不直接套用其他行业的固定标签。
这一设计的目的，是形成一个逐步收敛的漏斗结构。如果只看某一层，判断往往会失真：只看基础入围，容易高估品牌表现，因为在宽条件问题下更容易被提及；只看最终决策，又可能低估表现，因为在强约束条件下本来候选就更少。
第一层排查：基础入围
**核心在问：**在条件较宽、接近品类级搜索需求的问题下，目标品牌或对象是否会被AI提到。
**如果这一层就没有进入：**通常问题不在具体卖点，而是在基础认知层面。
常见原因可按以下顺序排查：
- AI无法准确识别该对象 —— 例如名称写法错误、仍使用旧品牌名，或与同名主体发生混淆；
- 品类归属出现偏差 —— AI将其归入了相近但并不相同的品类，导致在目标品类问题中不进入候选集合；
- 公开信息不充分 —— AI缺少足够依据，无法把该对象与目标品类建立稳定关联。
**这里有一个重要区分：**被提及不等于被推荐。基础入围层可能出现“被AI提到但没有进入推荐名单”的情况——说明AI知道这个对象存在，但只是把它当作背景信息或对比对象，而没有纳入建议列表。这两种结果代表的含义完全不同。
这一层的修正成本通常最低。多数情况下，只需要核验并统一公开信息中的品牌事实，明确品牌名称、产品定位和品类表达即可。
第二层排查：决策因素
这是信息最丰富的一层，也是大多数品牌在AI推荐优化中真正暴露问题的核心层。
**这一层在问：**当处于同一品类下，但增加不同决策条件时，目标对象是否仍能稳定进入候选名单。
可以重点观察的证据包括：
- 哪些因素下能够稳定出现，哪些因素下持续缺席；
- 在缺席的因素中，AI推荐了哪些品牌、给出的理由是什么；
- 这些推荐理由对应的公开事实，能否在现有信息中被清楚找到和验证。
**为什么每个因素设置 4 题：**因为单题结果波动性较大，2 题不足以区分“稳定命中”和“偶然出现”，而 4 题能形成一个最小可判断样本组。比如同一因素下 4 题全部缺席，与 4 题中只缺 1 题，结论显然不同。
**这一层得出的结论最具可执行性。**它可以把“AI为什么不推荐我们”这个模糊问题，具体收敛为“在 X 这个决策条件下，AI认为我们不适合，原因是 Y”——而 Y 往往对应一条可以核实、可以补充、可以优化的公开信息。
常见的三类发现：
| 发现 | 含义 | 动作 |
|---|---|---|
| 某因素下全缺席 | 该维度缺少可采信的事实依据 | 针对该因素建设能回答真实需求的内容 |
| 某因素下时有时无 | 依据存在但不够稳定或不够明确 | 提高该维度事实的密度与可核验性 |
| 缺席时AI给的理由与事实不符 | 公开信息有错误或过时 | 先核验，再更正公开来源 |
第三层排查：最终决策
**这一层在问：**当问题条件进一步收紧、更加接近用户最终购买或选择决策时，目标对象是否能够进入最终推荐名单，以及处于什么位置。
在这里，必须区分两种不同的位置口径：
| 口径 | 成立条件 | 语义 |
|---|---|---|
| 明确排名 | 回答明确表达第一、首选或有序推荐 | 模型做出了优劣判断 |
| 自然位置 | 对象在可识别推荐名单中的出现次序 | 只是列举顺序 |
列举顺序会受到回答字数、句式表达以及生成随机性的影响。如果直接把这种自然出现顺序等同于排名，本质上就是把噪声误判为模型偏好。
**当缺乏充分排名证据时，应保留为空值，不能直接写成“确定没有进入前三”。**没有观察到，与明确观察到没有，是两种完全不同的结论。
**如果前两层都表现正常，只在这一层被淘汰：**通常意味着基础认知和多数决策维度并无明显问题，真正差距集中在相对竞争位置上。这时更应该分析主要竞品在最终决策场景中被AI引用了哪些理由，以及这些理由来自哪些公开来源。
三层结果的组合诊断
| 基础入围 | 决策因素 | 最终决策 | 判断 | 优先动作 |
|---|---|---|---|---|
| 认知层缺口 | 先查识别与品类归属 | |||
| 部分 | 特定维度缺依据 | 针对缺席因素建内容 | ||
| 相对竞争位置问题 | 分析竞品被引用的理由与来源 | |||
| 当前范围内表现稳定 | 转入持续观察 |
第二行是最常见的情况，也通常是SEO与GEO优化中投入产出比最高的切入点——因为问题已经被定位到具体因素和具体理由，后续优化方向会更加明确。
排查前必须先确认的事
**范围先于结果。**在开始排查前，必须先核对检测对象及层级、品类与需求场景、地区与目标人群条件、平台环境是否设置正确。范围一旦填错，三层结果都无法被准确解释。
**有效样本必须充足。**如果有效样本不足，页面应明确提示样本不足，而不是输出过度确定的判断。仅基于两三条样本得出的“某因素下全缺席”，并不能构成可靠结论。
需要说明的是：技术失败、未取得可分析回答、回答与问题完全无关、未通过当期有效性校验，这四类情况都不计入有效样本；而“回答有效但没有推荐目标对象”属于正常业务结果，仍然要计入有效样本范围。
两条边界
**没有被AI推荐，不等于品牌没有市场影响力。**它只表示在本次指定的问题、平台和时间范围内，目标对象没有进入所采集回答样本中的推荐候选名单。
**诊断线索也不等于模型内部真实原因。**系统是基于可观察的回答内容、推荐关系、推荐理由与引用来源形成判断，不会读取第三方模型的内部参数、隐藏推理过程或训练数据。报告中所说的“AI给出的理由”，指的是回答文本中实际表达出来的理由，而不是模型内部真正的决策机制。
需注意，本文呈现的检测结果仅能反映特定时间、问题集合、平台环境及方法版本下生成式AI回答样本的表现情况，并不等同于销量、市场份额、产品质量或消费者整体偏好。GEO优化的核心价值，在于提升公开信息的可发现性、一致性、可理解性与可验证性，但它无法直接控制第三方AI平台的回答结果，也不能保证一定带来收录、引用、推荐或排名提升。