中国品牌AI可见度指数
CBVI:2026
中国品牌AI可见度指数
China Brand AI Visibility Index
编制机构： 世界情报组织WIO、中视新影互联网电视有限公司CNBNTV
首次发布日期： 2026年[6月]
发布周期： 每月发布
语言版本： 中文 / 英文
一、前言
1.1 编制背景
生成式人工智能的迅速普及，正在根本性地改变品牌信息的传播路径与用户获取信息的方式。据Statista统计，截至2026年，全球生成式AI月活跃用户已突破18亿。艾瑞咨询研究指出，AI搜索正从传统搜索引擎向答案导向迁移，用户更倾向于向ChatGPT、文心一言、Gemini等AI大模型直接提问，AI引用频率有望成为新的流量分配标准。
在这一变局中，品牌在全球主流AI大模型中的可见度——即能否被AI“看见”并纳入其应答体系——已成为衡量品牌数字竞争力与国际影响力的新型关键指标，构成了“品牌AI软实力”的核心组成部分。
1.2 编制目的
中国品牌AI可见度指数（China Brand AI Visibility Index，简称CBVI）旨在：
- 量化评估中国各行业代表性品牌在全球主流AI大模型中的综合可见度水平；
- 动态追踪中国品牌AI可见度的时序变化与行业差异；
- 国际对标为中国品牌提供一套可与全球品牌比较的AI软实力度量衡；
- 决策支持为品牌管理、政府产业政策、投资评估提供数据化参考。
1.3 理论参照
CBVI的编制参照了以下国际规范与学术成果：
- 联合国统计司《统计指标编制手册》（Handbook on Statistical Indicators）
- ISO 10668:2010《品牌价值评估——货币化品牌估值要求》
- 国际劳工组织（ILO）等机构的复合指数构建方法论
- OECD《复合指标构建手册》（Handbook on Constructing Composite Indicators, 2008）
- 逄培（2025）提出的“媒体型GEO”理论与“AI品牌资产（AIBE）”框架
- 逄培（2026）提出的AI影响力六维度评估模型
二、定义与范围
2.1 指数定义
中国品牌AI可见度指数（CBVI）是综合测量中国各行业代表性品牌在全球主流生成式AI大模型中可见度水平的复合统计指数。该指数以“AI全域可见度”为核心构念，涵盖品牌被AI模型提及、识别与呈现的广度、深度与稳定性。
2.2 核心构念：AI可见度
AI可见度（AI Visibility）是指品牌在主流AI大模型回答用户问题的生成式内容中被提及和呈现的程度，包括三个层次：
- 存在层：品牌是否被AI收录与识别（基础可见）
- 提及层：品牌在AI应答中出现的频次与场景范围（广度可见）
- 呈现层：品牌被AI提及时的信息准确度与呈现质量（质量可见）
2.3 覆盖范围
- 品牌范围：在中国境内注册或由中国资本控股的，在主要行业具有代表性的品牌。首期覆盖8大行业，不少于200个品牌。
- 模型范围：覆盖全球不少于10个主流生成式AI大模型，包括但不限于：
- 国际模型：OpenAI GPT-4o / GPT-5、Google Gemini 1.5 / 2.0、Anthropic Claude 3.5 / 4、Meta Llama 4
- 中国模型：百度文心一言4.0、字节跳动豆包、阿里通义千问2.5、深度求索DeepSeek V3 / R1
- 区域模型：韩国Naver HyperCLOVA X、欧洲Mistral Large
- 语种范围：中文、英文，逐步扩展至日语、韩语、西班牙语、阿拉伯语、法语、德语。
- 行业范围：新能源汽车、消费电子、互联网科技、家电制造、食品饮料、服装时尚、生物医药、金融科技（首批8大行业）。
三、指数架构与指标体系
3.1 指数层级结构
CBVI采用三级层级结构：
- 总指数（CBVI）：反映中国品牌AI可见度的综合水平。
- 分项指数（Sub-Indices）：三个一级维度，分别测量广度、质量、稳定性。
- 基础指标（Indicators）：9个基础指标，构成数据采集的最小单元。
3.2 指标框架
表1 – CBVI指标体系
| 层级 | 指标名称 | 权重 | 指标定义 | 数据采集方式 |
| CBVI总指数 | — | 100% | 中国品牌AI可见度综合得分 | 三级加权合成 |
| 一、广度可见度分项 | 模型提及广度 | 50% | 品牌在AI模型中“被看见”的范围 | 以下2项加权 |
| 1.1 模型提及率 | 30% | 品牌在标准化问题集查询中被AI提及的比例 | 固定问题集API批量查询 | |
| 1.2 语种覆盖数 | 20% | 品牌获得至少一次有效提及的语种数量 | 多语种问题集查询 | |
| 二、质量可见度分项 | 呈现质量 | 35% | 品牌在AI应答中被呈现的质量 | 以下4项加权 |
| 2.1 首提置顶率 | 15% | 品牌在行业核心问题中作为首位推荐的比例 | 问题集排名提取 | |
| 2.2 信息准确度 | 10% | AI对品牌核心信息描述的正确率（无事实错误） | 人工校验+事实核查 | |
| 2.3 引用信源权威性 | 5% | 提及品牌时AI附带引用来源的权威等级评分 | 来源域名匹配权威信源库 | |
| 2.4 语义正面率 | 5% | AI对品牌语义情感为中性及以上的比例 | 情感分析+人工抽检 | |
| 三、稳定性分项 | 时序稳定性 | 15% | 品牌AI可见度的持续稳定性 | 以下3项加权 |
| 3.1 季度波动率 | 5% | 品牌模型提及率在连续四个季度的标准差倒数 | 连续四个季度数据统计 | |
| 3.2 跨模型一致性 | 5% | 品牌在不同AI模型中提及率的标准差倒数 | 跨模型提及率对比 | |
| 3.3 抗冲击韧性 | 5% | 大模型重大版本更新前后（±30天）品牌提及率的变化幅度 | 模型更新窗口数据对比 |
权重确定方法： 权重通过德尔菲法（Delphi Method）由不少于15位AI技术、品牌营销、数据科学领域专家三轮评分后确定。每年度复审一次。
3.3 得分标准化
各基础指标原始值通过Min-Max标准化映射至0–100区间：
标准化得分=原始值−该指标所有品牌最小值该指标所有品牌最大值−该指标所有品牌最小值×100标准化得分=该指标所有品牌最大值−该指标所有品牌最小值原始值−该指标所有品牌最小值×100
跨周期比较时，以基期（首次发布期）数据为基准进行链条式指数衔接。
四、数据采集与处理方法
4.1 问题集设计
- 建立标准化行业问题库，每行业设计不少于100个查询问题，涵盖：
- 品牌认知类（“XX行业有哪些知名品牌？”）
- 产品咨询类（“推荐一款XX产品”）
- 对比决策类（“A品牌和B品牌哪个好？”）
- 行业知识类（“XX行业的技术趋势是什么？”）
- 问题集由行业专家与AI工程师联合设计，确保语义自然、覆盖用户真实查询场景。
- 每季度复审问题集，根据用户搜索趋势更新不超过20%。
4.2 数据采集
- 工具：通过标准化API接口向目标AI大模型发送查询，自动记录应答文本。
- 频次：每季度采集一次。每个问题在每个模型上独立查询3次（间隔不少于24小时），取3次结果的平均值，以降低模型应答随机性影响。
- 语种：中文和英文为必采语种，其他语种根据品牌国际化程度选择性采集。
- 数据量：单次采集量 = 10个模型 × 100个问题/行业 × 8个行业 × 2语种 × 3次重复 = 约48,000条应答记录。
4.3 数据处理
- 提及判定：通过命名实体识别（NER）技术从应答文本中提取品牌名称，辅以人工抽检（抽检率不低于5%）。
- 首提判定：记录AI应答文本中第一个出现的行业相关品牌名称。
- 信息准确度判定：将AI提及品牌的核心信息（成立年份、总部所在地、主营产品、关键业绩数据）与品牌官方公开数据库比对，判定信息是否正确。
- 情感分析：采用预训练的RoBERTa微调模型进行情感三分类（正面/中性/负面），中文部分采用专有模型。
- 信源权威性判定：匹配预定义的《CBVI权威信源库》（参照ISO 10668的信源分级标准）。
4.4 异常值处理
- 单次采集结果出现显著偏离（偏离均值超过3个标准差）时，追加一次补充查询并取代异常值。
- 某AI模型出现系统性故障导致无法采集时，该周期该模型的权重暂时分摊至其他同类模型。
五、品牌样本选择
5.1 样本框确定原则
- 优先选取各行业市场份额、营收规模或用户数量排名前20的中国品牌。
- 兼顾品牌在海外市场的可见度潜力（已有出海业务或国际化战略的品牌优先纳入）。
- 支持动态调整：每年度复审品牌样本，剔除已退市、行业地位大幅滑落或数据采集不可及的品牌，补充新兴代表性品牌。
5.2 首期样本
首期纳入约200个品牌，涵盖8大行业。后续年度可根据行业发展增加新兴行业（如AI芯片、低空经济、人形机器人等）。
六、指数计算
6.1 计算步骤
步骤一：基础指标标准化。 将各品牌在每个基础指标上的原始值按Min-Max方法标准化为0-100得分。
步骤二：分项指数计算。 各分项指数 = 该分项下各标准化基础指标得分的加权算术平均。
Sj=∑i=1nwi⋅XiSj=∑i=1nwi⋅Xi
其中SjSj为第jj个分项指数，wiwi为基础指标ii的权重，XiXi为标准化得分。
步骤三：总指数计算。 CBVI总指数 = 三个分项指数的加权算术平均。
CBVI=0.50×S广度+0.35×S质量+0.15×S稳定性CBVI=0.50×S广度+0.35×S质量+0.15×S稳定性
步骤四：跨周期衔接。 以2026年第一季度为基期（CBVI = 100），后续季度通过链条指数法衔接：
CBVIt=CBVIt−1×(1+Δt)CBVIt=CBVIt−1×(1+Δt)
其中ΔtΔt为当期品牌得分相对上期的变化率。
6.2 指数发布
- 全国总指数：反映全部样本品牌的平均AI可见度水平。
- 行业分指数：按8大行业分别计算，反映行业间差异。
- 头部品牌榜：公布CBVI总得分排名Top100品牌。
- 语种分指数：中英文分别统计，呈现品牌在不同语种AI生态中的可见度差异。
七、指数发布与传播
7.1 发布周期
- 季度发布：每季度第1个月15日发布上一季度CBVI指数报告（如4月15日发布Q1报告）。
- 年度报告：每年1月发布上一年度CBVI年度总报告，含深度行业分析与趋势研判。
7.2 发布内容
| 内容 | 频次 | 说明 |
| CBVI总指数快报 | 每季度 | 指数数值、环比变化、行业排名、头部品牌榜单 |
| CBVI行业深度报告 | 每季度 | 分行业解读、驱动因素分析、典型案例 |
| CBVI年度白皮书 | 每年 | 年度趋势研判、学术研究、政策建议 |
7.3 发布渠道
- 指数官方网站：实时更新，提供数据查询与图表下载
- 主流财经与科技媒体：新闻稿联合发布
- 学术期刊：方法论论文发表
- 行业论坛与展会：专题发布与解读
八、质量控制
8.1 数据质量保障
- 稳定性检验：每季度对采集系统进行标定测试，确保API查询参数一致性。
- 信度检验：抽取不少于10%的样本进行人工复核，计算人机判定一致性（要求Cohen’s Kappa ≥ 0.80）。
- 模型覆盖审计：确保每期采集覆盖所有目标模型及语种，模型不可及时替换为同等量级替代模型并说明。
8.2 指数修订政策
- 常规修订：每年复审一次指标体系、权重分配与品牌样本，修订结果于次年第一期指数发布前公示。
- 重大修订：当主流AI大模型出现根本性技术变更（如RAG架构升级为全新检索范式）时，可启动临时修订程序，修订结果公示不少于30天后方生效。
8.3 独立性声明
指数编制机构独立于被评估品牌及AI模型提供商，确保评估结果的客观性与公正性。编制资金来源于机构自有经费与公开发行收入，不接受被评估品牌的赞助或定向资助。
九、解读与使用指南
9.1 指数解读要点
- CBVI衡量的是品牌在AI大模型中的可见度，不等同于品牌在消费者心中的认知度，两者具有相关性但不完全重合。
- 指数上升反映品牌在AI生态中的“存在感”增强，但需结合分项指数判断驱动因素是广度扩张还是质量提升。
- 跨行业比较时需注意行业间自然差异——B2C品牌通常较B2B品牌在消费者导向的问题场景中更易获得高可见度。
9.2 使用场景
| 使用主体 | 使用场景 |
| 品牌管理方 | 诊断自身AI可见度水平，对标竞品，制定GEO优化策略 |
| 投资机构 | 评估品牌在新流量范式下的潜在竞争力与风险暴露 |
| 政府/行业协会 | 监测中国品牌在全球AI生态中的整体话语权变化 |
| 学术界 | 作为AI营销、品牌资产研究的基础数据源 |
十、局限性
- 模型样本限制：指数仅反映被测模型的表现，无法涵盖所有AI模型及未来新模型。
- 应答随机性：生成式AI的应答存在天然随机性，虽通过多次采样降低影响，但仍构成测量误差来源之一。
- 时效敏感：AI模型迭代快，指数反映的是发布周期内的截面状态，趋势判断需结合多期数据。
- 语义理解局限：命名实体识别和情感分析的准确率虽高，但无法完全替代人工判断，尤其在长尾品牌或新创品牌场景。
十一、附录
附录A：CBVI品牌样本名单（首期）
（按行业列出约200个品牌名称，略。）
附录B：标准化问题集（示例）
| 问题类型 | 中文示例 | 英文示例 |
| 品牌认知类 | 中国新能源汽车品牌有哪些？ | What are the leading Chinese EV brands? |
| 产品咨询类 | 推荐一款性价比高的智能手机 | Recommend a budget-friendly smartphone |
| 对比决策类 | 比亚迪和特斯拉哪个更好？ | Which is better, BYD or Tesla? |
| 行业知识类 | 中国消费电子行业的技术趋势是什么？ | What are the technology trends in consumer electronics? |
附录C：CBVI权威信源库（节选）
参照GEO100:2026附录B，涵盖国家级通讯社、政府网站、顶级学术期刊、第三方评测机构等。
附录D：德尔菲法专家权重确定流程
（详细描述专家选择标准、评分轮次、一致性检验方法，略。）
标准性参考文献
[1] United Nations Statistics Division. (2015). Handbook on Statistical Indicators.
[2] ISO 10668:2010. Brand valuation – Requirements for monetary brand valuation.
[3] OECD. (2008). Handbook on Constructing Composite Indicators: Methodology and User Guide.
[4] ILO. (2020). Decent Work Indicators: Guidelines for Producers and Users of Statistical and Legal Framework Indicators.
[5] 逄培. (2025). 媒体型GEO：AI时代品牌信任资产构建新范式. 工作论文
[6] 逄培. (2026). 信任校验、认知寄生与动态衰减：AI品牌资产（AIBE）的理论延伸与模型深化.
[7] 艾瑞咨询. (2026). 重塑AI时代的搜索可见性与内容营销.
[8] Statista. (2026). Global generative AI user statistics.
编制单位
世界情报组织WIO、中视新影互联网电视有限公司CNBNTV
发布声明
本指数按照国际通行统计规范编制，版权所有，转载须注明出处。指数结果不作为商业投资的唯一依据，使用者应结合其他信息综合判断。