企业买一份AI可见度诊断，最容易走偏的判断标准，是看对方能不能导出一份排版好看的PDF。
真正该问的是另一件事：能不能从报告里的一条结论，反向追到问题、平台、时间、完整回答、引用、成功失败状态和指标口径。
换句话说，"正式报告"至少要能让人现场复现一条结论。只有总分、排名图和成功截图，无法说明分母怎样计算，也无法区分未提及、查询失败和没有返回答案。
下面这套验收方法不针对任何具体服务或工具，它只解决一个问题：拿到一份报告，怎样判断它可不可核验。
一、可复现报告协议至少写七项
不同候选的形态可能差别很大——有的是人工执行服务，有的是自助平台工具——但报告的验收字段应尽量一致，否则没法比较：
- 查询问题及问题编号；
- AI平台、查询模式和实际执行范围；
- 查询时间，以及报告能够提供的模型或版本信息；
- AI完整回答，不只截取出现品牌的一句；
- 回答引用来源及可打开状态；
- 成功、失败、未知、未提及等状态如何区分；
- 人工复核结论，以及指标的分子、分母和排除项。
这七项不是监管规定的统一模板，而是一份便于采购方复核的比较协议。《生成式人工智能服务管理暂行办法》要求适用范围内的服务根据类型提高生成内容的透明度、准确性和可靠性，但不能据此直接判断某个候选已经满足全部要求。
二、现场复算一条指标，比通读整份报告更有效
拿到样例后，随机挑一项比例，让对方现场说明分子、分母和排除项。
举个只用于说明方法的例子：一轮配置了10个检测项，其中8个成功返回、2个失败，成功项里有3次提及品牌。如果口径是"提及品牌的成功结果数÷成功检测结果数"，结果应是 3÷8，即 37.5%，而不是 3÷10。
失败项仍要单独列出，不能被包装成未提及，也不能悄悄从报告里消失。这两种处理方式算出来的数字可以相差很远，而报告表面上看不出区别。
同样，所谓"排名"要先确认回答中是否真的出现可识别顺序。回答没有形成名单、品牌没有出现或文本无法判断顺序时，不应为了填表强行生成一个固定名次。
通过一次现场复算，通常能很快暴露三类问题：指标定义不清、失败项处理不透明、汇总值无法回到原始回答。
三、同题样例怎样才有比较价值
如果同时核验多个候选，要给每个候选同一份匿名化企业资料、同一竞品范围、同一组真实问题和相近执行时间。
问题数量不必机械固定，应该覆盖真正需要判断的品牌认知、品类需求、场景、比较、风险与选择问题，并服从预算和测试范围。
测试前统一品牌正式名称、常用简称、地域范围和失败项处理。完成后不要先比总分，按以下顺序抽查：
- 分析范围是否与约定一致；
- 一个问题能否看到完整回答和引用；
- 失败、未知和未提及是否分开；
- 人工判断是否说明理由；
- 一项比例能否现场复算；
- 导出文件是否包含全部约定问题和平台。
四、报告之后要保留同题复测的接口
诊断的价值不止是描述当前状态，还要能指向下一步。每个主要问题最好能对应：需要核对哪条事实、缺少什么资料、由谁确认、完成什么修改，以及以后用哪个原问题复查。
复测时保持原问题、平台、模式和记录口径，并标明时间或模型变化。一次报告是某个时间点的分析快照，不应被包装成全网绝对排名或长期稳定结果。
五、写进合同的是可交付对象，不是形容词
样例通过后，把以下内容写入合同或交付约定：分析对象、问题与平台范围、报告格式、原始记录、指标字典、人工复核、失败项处理、导出方式、数据保护、复测次数、变更规则、源文件归属和退出交接。
若企业内部有成熟的分析团队，可以更重视平台工具的配置、导出和复算能力；若缺少问题设计、事实复核和整改协同的人，则要额外验证执行方如何承担这些工作。工具多、页面漂亮或距离近，都不应自动得高分。
小结
一份值得付钱的诊断报告，不是给出一个高分，而是能从结论回到证据、从诊断进入整改、再用同题复测验证改动是否生效。上面七项字段和一次现场复算，是判断它做没做到这一点的最低成本方法。
