AMI（AI 品牌心智指数）是什么？

别名与对照 AMI (AI Mindshare Index) · AI 品牌心智指数 · AI Mindshare Index · 心智指数

一个数要解决什么问题

AI 答案推荐率和品牌事实引用率各自都很清楚，但推荐率与引用率是单项指标。品牌方真正想知道的是一件更整体的事：在 AI 的认知里，我现在处在什么位置，比上周好了还是差了。

一堆分散的率回答不了这个问题。AMI 将各项指标合成一个可追踪、可比较的数值。

三域：AMI 的构成

AMI 不是把所有问题混在一起算平均。问题先按提问意图分成三个问题域（Question Stage），各自算心智率，再加权合成。

问题域	问题长什么样	典型提问情境
S1 品牌域	“XX 家的产品怎么样？”“XX 靠谱吗？”	已经知道你，在查证
S2 品类域	“这个品类哪个牌子好？”“A 和 B 怎么选？”	知道要买什么，在选谁
S3 场景域	“我遇到了某某问题，该怎么办？”	只有需求，还不知道该找哪个品类

分域的意义在于：三个域的难度是倒过来的。

品牌域最容易：用户都点名问你了，AI 大概率会说点什么，做到 90% 以上不难，也说明不了什么。场景域最难：用户压根没提品类，AI 要自己判断该推荐什么方向、再推荐谁。但恰恰是场景域的问题量最大，也是增量客户的来源。

如果只有品牌域得分高，品类域与场景域的得分会拉低综合指数。分域计算用于识别各阶段的差距。

这三个域不是为了这个指数临时发明的。Daimonia 的行业指南里，每个细分行业都按同样的三域结构整理了真实问题集，压测种子直接从那里来。

怎么测

匿名环境下批量提问，统计品牌在回答中被提及的比例，分域汇总后加权。要点和AI 答案推荐率的测法一致：

• 问题集固定：基线定下来之后不再改，改了就没法比
• 匿名：不带任何身份信息提问，避免个性化污染结果
• 多大模型：中文与海外主流平台都覆盖，单一平台的波动不代表大盘
• 周期一致：每轮条件相同，看的是趋势不是单次快照

AMI 的适用边界

AMI 是 Daimonia 提出并在用的指数，不是行业标准，也不该被当成权威分数。AMI 用于按相同口径复核和追踪变化。

同样地，跨品类比 AMI 没有意义。不同品类的问题集难度差得很远，两个不同行业的品牌拿 AMI 数值直接比大小，比出来的是品类差异，不是品牌差距。

相关词条：AI 答案推荐率与品牌事实引用率 · 什么是 AI 答案可见性 · 什么是 A2A 营销

AMI 和 AI 答案推荐率、品牌事实引用率是什么关系？

推荐率和引用率是原始的率类指标，回答“AI 提不提你”“AI 引不引用你的内容”。AMI 是根据推荐率与引用率计算的复合指数：把问题集拆成品牌域、品类域、场景域三个问题域。分别算心智率，再按权重合成一个数。率类指标看单点，AMI 看整体位置。

为什么要分三域，直接看一个总体推荐率不行吗？

因为三个问题域的难度和价值完全不同。品牌域（用户直接问你的名字）几乎人人都能做到高分，做到 95% 说明不了什么；场景域（用户只描述需求、还不知道该找哪个品类）才是增量所在，也是最难的。混成一个总数，会让容易的那部分掩盖掉真正的差距。

AMI 多少分算好？

跟推荐率一样，没有普适基准。品类竞争度、问题集口径、市场成熟度都会影响绝对值。有意义的用法是先建基线，再看自己每周的变化趋势，以及同一问题集下与同行的相对位置。任何承诺“保证做到多少分”的说法都不成立。

这个指数是行业标准吗？

不是。AMI 是 Daimonia 提出并使用的内部指数，不是行业公认标准。Daimonia 公开 AMI 的构成与测量方法，供客户核对结果。