过去一年，做 AI 可见度的团队都遇到过同一个尴尬：报表上写着「提及率 42%、正向情绪占 78%」，老板问一句「这数怎么来的」，谁也答不上来。点开后台，只有一个数字，没有提问、没有原文、没有当时的回答。
上周有工具把这个口子开了一条缝。SISTRIX 在 10 月 5 日的更新里，把它的 AI Check 从「数提及」扩到了六套 AI 搜索系统，同时加了品牌情绪、竞品感知和「品牌是否被推荐」三类分析。真正值得说的不是覆盖到了六个平台，而是它允许你点开得出这个结论的原始提问和回答段落。
一个分数最怕的，是你不知道它错在哪
AI 可见度工具卖到今天，最普遍的产品形态是「一个 0 到 100 的总分」。这个分数的问题不在准不准，在于它不可反驳。
想象后台给你亮了个红灯：某平台对你的品牌情绪为负向。你的第一反应通常是「整个平台都在说我坏话」。但如果能看到原始证据，你多半会发现是另一种情况：可能是模型在用一种「谨慎措辞」比较你和竞品，也可能只是某条回答里提到了你的一个真实短板。这两种结论对应的动作完全不同——一种要去做舆情，一种要去做产品说明。
SISTRIX 这版把这层证据露了出来：你能看到当时问了什么、模型答了哪一段、那段话是批评、是对比、还是单纯保守。 它不会给出模型的内部推理过程，但把「可观察到的证据」摆了出来，这就够审计了。
提及、情绪、推荐，是三件事，别拧成一个数
这次更新把三个东西第一次明确拆开，值得所有人抄进自己的报表口径：
- 提及：回答里出现了你的名字。这是最低的一档，只要名字被写到就算。
- 情绪：出现的时候，是正面、中性还是负面的说法。注意，这是模型对语言的解读，不是消费者调研，也不是官方口碑分。
- 推荐：回答是把你作为选项之一列出来，还是针对某个具体需求主动建议了你。
这三档的区别在商业发现场景里特别大。一条回答「提到了你，但主推的是别人」，和一条回答「按你的条件下建议选你」，价值差着量级。把它们混在一个总分里平均，等于把「被念到名字」和「被选中」当成一回事。
拿到证据之后，先做这四件事
工具给了你「点开原文」的能力，但怎么用才不浪费？建议按这个顺序排：
- 先固定实体名。 品牌名、竞争对手名、常见的错写和简称，统一一份。名字对不齐，后面所有对比都是错位的。
- 按意图分组问题。 把「这是什么」和「该选哪个」分开——前者是了解阶段，后者是拍板阶段。不同阶段品牌出现的概率天然不同，混着看会得出错误结论。
- 六个平台分开看，别求平均值。 每个平台的信源结构不一样，把一个平台的短板平均掉，等于什么都没发现。
- 重要结论必须点开原句核。 尤其是情绪和推荐标签，看到一个负向就下判断之前，先看那段话到底怎么写的。
别把这些数当结论，它们只是样本
工具方自己也写明了：这些是被监测提问和系统里观察到的样本，不是全部 AI 回答的普查。它不能证明每个用户看到的都一样，也不能证明是某条推荐带来了成交。
换句话说，工具把「证据能不能查」这一步做好了，但「这个证据有多稳」还得靠你自己——同一个问题多问几遍、隔一段时间再复测，看看那个标签是不是稳定的。单次快照永远只能当线索，不能当结论。
这一轮更新其实在提醒一件事：AI 可见度这件事，正在从「谁家的分数高」，往「谁家的证据链完整」走。分数会吵架，证据不会。