AIV Index(AI认知度指数)由三项核心指标构成。在体系从V1.0到V1.1的演进过程中,三项指标的命名、测量逻辑和评分规则均经历了系统性的迭代升级。
AIV Index 三项核心指标迭代记录说明
| 项目 | 内容 |
|---|---|
| 文档版本 | V1.1 |
| 记录日期 | 2026年8月4日 |
| 编制 | 上海智笔生花人工智能科技有限公司 |
一、迭代总览
AIV Index(AI认知度指数)由三项核心指标构成。在体系从V1.0到V1.1的演进过程中,三项指标的命名、测量逻辑和评分规则均经历了系统性的迭代升级。
| 项目 | V1.0 初版 | V1.1 正式版 | 迭代原因 |
|---|---|---|---|
| 指标一名称 | 认知率 | AI认知率 | 统一命名规范,强化AI语境 |
| 指标二名称 | 推荐率 | AI推荐率 | 同上 |
| 指标三名称 | 权威率 | AI权威引用率 | 消除歧义,精准定义测量对象 |
| 权重结构 | XX%-XX%-XX% | XX%-XX%-XX% | 保持标准稳定性 |
| 权威率测量题库 | 概念问题池 | 行业认知与引用问题池 | 解决权威率普遍为0的测量失灵问题 |
| 权威率评分规则 | 简单二元判定 | 五级分层评分(含惩罚项) | 捕捉隐性引用,惩罚错误归因 |
注:权威引用率权重为XX%(固定)。
二、指标一:AI认知率
2.1 命名迭代
| 阶段 | 名称 | 说明 |
|---|---|---|
| V1.0 | 认知率 | 简洁但缺乏AI语境标识 |
| V1.1 | AI认知率 | 统一“AI+能力类型”命名规范,品牌识别度更强 |
2.2 定义
衡量AI是否准确理解企业的身份、业务与核心价值。这是三个指标中最基础的维度,解决的是“AI到底认不认识我”的问题。
2.3 计算方式
暂不选择公开
2.4 测试题库
使用企业身份识别问题池,例如:
- “XX公司是一家什么样的企业?”
- “XX公司的主营业务是什么?”
- “XX公司的核心产品有哪些?”
2.5 在AIV体系中的位置
AI认知率主要对应AIV Standard五级体系中的 L0 → L1 → L2 阶段,即从“AI不知道你”到“AI认识你”,再到“AI理解你”。
三、指标二:AI推荐率
3.1 命名迭代
| 阶段 | 名称 | 说明 |
|---|---|---|
| V1.0 | 推荐率 | 简洁但缺乏AI语境标识 |
| V1.1 | AI推荐率 | 统一“AI+能力类型”命名规范,品牌识别度更强 |
3.2 定义
衡量在行业/场景问题中,AI是否主动优先推荐企业。这是三个指标中商业价值最直接的维度,解决的是“客户问AI时,AI会不会推我”的问题。
3.3 计算方式
暂不选择公开
3.4 测试题库
使用行业推荐问题池,例如:
- “国内最专业的GEO服务商有哪些?”
- “AI搜索优化服务商推荐哪家?”
- “哪家公司的AI获客能力最强?”
3.5 在AIV体系中的位置
AI推荐率主要对应AIV Standard五级体系中的 L2 → L3 阶段,即从“AI偶尔想到你”到“AI优先推荐你”。这是GEO商业价值的爆发点。
四、指标三:AI权威引用率
4.1 命名迭代
| 阶段 | 名称 | 说明 |
|---|---|---|
| V1.0 | 权威率 | 容易误解为“企业自身是否权威”,与实际测量对象不符 |
| V1.1 | AI权威引用率 | 精准定义:测量的是AI是否引用企业的知识资产作为行业依据 |
迭代原因:V1.0的“权威率”一词,容易让企业主理解为“我的企业在现实世界中是不是行业权威”。但实际测量的是:企业的原创方法论、理论体系、标准模型等知识资产,是否被AI识别、引用,并正确理解其来源。改名后消除了这一核心歧义。
4.2 定义
衡量企业的原创方法论、理论体系、专业模型、技术体系、行业观点或标准,是否被AI识别、引用,并正确理解其来源。
4.3 计算方式
由于AI权威引用存在层级差异(明确归因 > 隐性引用 > 弱关联),不能简单用“提及次数”来计算比例。因此采用分层评分后折算百分比的方式。
单题评分标准
| 判定结果 | 分值 | 判定标准 |
|---|---|---|
| 明确归因 | 100分 | AI清晰指出该资产归属于目标企业或个人 |
| 隐性引用 | 60分 | AI未指名道姓,但完整复述了该资产独有的核心框架 |
| 弱关联 | 20分 | AI将目标企业或资产作为行业中的一个参考节点提及 |
| 无关联 | 0分 | AI回答中未发现与企业知识资产的任何关联 |
| 错误归因 | -50分 | AI将属于目标企业的知识资产,张冠李戴给了其他主体 |
最终计算公式
[ 暂不选择公开 ]
其中理论最高得分 (= 100\text{题} \times 100\text{分} = 10,000\text{分})。
4.4 测量题库:从“概念问题池”到“行业认知与引用问题池”
这是AI权威引用率最核心的迭代。
V1.0问题:使用“概念问题池”测试,例如:
- “什么是GEO?”
- “什么是AI营销?”
问题诊断:这类问题测的是AI知识库中的公共认知,AI在回答时天然优先引用学术定义、行业百科、权威机构,不会主动指向某一家企业。导致的结果是:几乎所有企业(包括大公司)的权威率都接近 (0%),指标失去区分度。
V1.1升级:更名为 “行业认知与引用问题池”,从“测定义”升级为“测归因”。问题分为三层:
| 引用层级 | 测试目标 | Prompt模板 | 得分权重 |
|---|---|---|---|
| 品牌归因引用 | AI能否明确指出你是理论/标准的所有者 | “关于‘XXX’,公开信息中通常认为其提出者或创建主体是谁?” | XX% |
| 方法体系引用 | AI在解释行业知识时,是否复现了你的理论框架 | “企业如何系统解决‘XXX’问题?有哪些成熟的方法论可以参考?” | XX% |
| 行业认知引用 | AI是否将你作为该领域的关键知识节点来提及 | “在‘XXX’领域,有哪些代表性的理论体系或评价标准?” | XX% |
4.5 为什么增加“错误归因”惩罚项
在AI时代,错误归因的危害远大于不知道。如果AI把属于你的理论张冠李戴给了竞争对手,这不仅是认知缺失,更是认知污染。这与智笔生花坚持的“白帽GEO、真实信息”原则高度一致。因此,V1.1在评分中引入了 -50分 的惩罚机制,是AIV作为行业标准的重要严谨性设计。
4.6 在AIV体系中的位置
AI权威引用率对应AIV Standard五级体系中的 L3 → L4 阶段,即从“AI推荐你”到“AI引用你的理论”。这是行业领导者的终极护城河。
五、三者关系:从认知到推荐的完整链路
AI认知率、AI推荐率、AI权威引用率三者不是并列的孤立指标,而是构成了一个层层递进、相互支撑的认知金字塔。
┌────────────────────┐
│ AI权威引用率 │ ← 最高阶:AI引用你的理论
│ (L3 → L4) │
├────────────────────┤
│ AI推荐率 │ ← 中间层:AI推荐你的品牌
│ (L2 → L3) │
├────────────────────┤
│ AI认知率 │ ← 基础层:AI理解你是谁
│ (L0 → L1 → L2) │
└────────────────────┘
底层逻辑
- AI认知率是地基。 如果AI连你是谁、做什么的都不知道,后面的推荐和引用都是空中楼阁。
- AI推荐率是商业价值的直接体现。 认知率解决“存在”问题,推荐率解决“选择”问题。老板最关心的获客转化,主要发生在这一层。
- AI权威引用率是终极护城河。 当你的理论被AI当作行业标准答案来引用时,你不再需要和竞品争夺推荐位,你本身就是答案的定义者。
六、权重结构:XX%-XX%-XX%
6.1 最终权重
[ 暂不选择公开 ]
6.2 权重确定的讨论过程
在V1.1迭代过程中,曾有过将权重调整为 XX%-XX%-XX% 的讨论,理由是“推荐率商业价值最高,应该给最大权重”。
但经过深度权衡,最终坚持了 XX%-XX%-XX% 的固定权重,原因如下:
- 标准稳定性优先:AIV Index的定位是行业标准,而非营销报表。标准需要的是稳定和公信力,而非对短期商业价值的最大化追逐。频繁修改权重会摧毁历史数据的可比性。
- 认知是推荐的基础:如果认知率权重过低(XX%),会导致企业忽视基础建设。但认知不扎实的推荐是不稳定的。
- 权威引用是稀缺但必要的维度:XX%的权重既承认了它的高阶价值,又不至于因为大多数企业权威率为0而导致总分失真。
- 参考成熟指数产品原则:金融指数、信用评级的计算规则都是长期固定的,样本和数据可以更新,但指数逻辑不能轻易动摇。
七、完整的AIV Index计算体系
7.1 总体公式
[ 暂不选择公开 ]
7.2 行业归一化
为确保不同行业、不同规模企业之间的公平比较,最终对外展示的AIV Index总分,是企业在本行业内的相对百分位得分。原始分用于内部分析和趋势追踪,归一化后分数用于行业对标和等级评定。
7.3 等级映射
| AIV Score(归一化后) | 对应等级 | 认知状态标签 |
|---|---|---|
| 0-20 | L0 暗区 | AI认知世界的隐形人 |
| 20-40 | L1 留痕 | 只能被指名道姓地找到 |
| 40-60 | L2 入局 | 进入了行业讨论的牌桌 |
| 60-80 | L3 首选 | 成为AI的优先推荐项 |
| 80-100 | L4 定义 | 你的话,成为AI的标准答案 |
八、多模型采样与汇总
AIV Index的测量覆盖多个主流AI平台,各模型按权重汇总:
| 模型 | 权重 |
|---|---|
| ChatGPT | XX% |
| DeepSeek | XX% |
| Claude | XX% |
| Gemini | XX% |
| 豆包 | XX% |
| 元宝 | XX% |
| Kimi | XX% |
| 千问 | XX% |
| 智谱 | XX% |
| 文心 | XX% |
九、迭代的核心结论
本次三项指标的迭代,核心变化可以总结为三句话:
- 改名:从“认知率/推荐率/权威率”升级为“AI认知率/AI推荐率/AI权威引用率”,统一命名规范,精准定义测量对象,消除歧义。
- 改测量:权威率的测量题库从“概念问题池”升级为“行业认知与引用问题池”,从测“公共知识”变为测“知识资产归因”,解决了指标普遍为0的失灵问题。
- 改评分:权威引用率从简单二元判定升级为五级分层评分,增加隐性引用识别和错误归因惩罚,使指标从“有没有”升级为“有多深”。
迭代后的三项指标,形成了一个从“被理解”到“被推荐”再到“被引用”的完整认知金字塔,精准对应AIV Standard的L0到L4五级标准,构成了AIV Index作为AI认知可见性量化标尺的完整内核。
文档结束
上海智笔生花人工智能科技有限公司
2026年8月4日