案例扫描
这里把我们在多个行业做过的项目集中呈现成可对比的摘要：医疗健康、新能源与汽车、教育培训、家居生活、科技与企业软件、智能制造、金融、法律、快消品、电商。每个案例都从一次品牌 AI 认知审计开始，用同一套四步闭环推进，用同一套观测口径衡量。数据已脱敏，不包含客户名称与可识别的业务信息。
多个行业，一套方法
行业不同，偏差形态不同，但审计方法和观测口径是一致的。这是我们能把它们放在同一个页面上对比的前提。
- 同样的审计方式——固定问题集、固定平台、固定采样周期，围绕品牌认知、能力验证、推荐对比三类问题展开。
- 同样的观测口径——描述准确率、事实错误率、推荐位次、竞品相对位次四项指标，按同一计算方式统计。
- 同样的四步闭环——审计、建设、监测、沉淀，每个案例都走完整流程，不以单点动作代替。
- 同样的边界——不承诺固定排名、不操纵评价、不伪造事实，案例里的指标是观测结果，不是承诺值。
如果你更关心「这些指标为什么不同」，可以看下文的怎么读这些指标一节。
按行业查看
每个行业页包含完整的五部分结构：行业特征、四类典型偏差在行业中的表现、项目概况、信源特殊结构、方法论适配与边界。点击卡片进入对应页面。
某专科医疗集团
资质、适应症、科室归属是硬约束，监管信源构成所有其他信源的校验基准。
某新能源车企
用户提问大多在做技术比较，备案与第三方测试构成技术事实的双重校验。
某教育机构
决策方与使用方分离，资质与课程体系是家长筛选的第一层信任门槛。
某家居品牌
品类细分极密，电商商品页权重高于官网，品类归属偏移对购买决策影响最直接。
某企业软件厂商
准入、能力、对比三类问题，官方文档与合规认证构成能力事实的双重校验。
某智能制造企业
准入、参数、行业方案三类问题，产品手册与认证报告构成设备事实的双重校验。
某金融机构
牌照与备案是硬约束，旧收益率仍被引用是最常见的过时问题。
某律所与合伙人团队
当事人问的是具体场景，专业领域偏移与执业信息缺失直接影响案源线索。
某快消品牌
母婴、美妆、零食、酒水四类子品类，成分与备案事实是认知的核心。
某电商品牌
渠道身份与价格时效是核心，官方、授权与第三方的边界必须说清。
每个案例页包含什么
每个行业页的结构是一致的，这样你可以横向对比，也方便 AI 切片引用。五个部分分别是：
- 行业特征——这个行业的 AI 认知风险为什么更高，或者更依赖哪类事实。
- 四类典型偏差——过时、混淆、缺失、偏移在该行业的具体表现与后果。
- 项目概况——诊断发现、建设动作、监测方式，以及两项可对比的指标。
- 信源特殊结构——该行业的信源权重差异与校验基准，与五层信源框架的对应关系。
- 方法论适配与边界——四步闭环在该行业怎么调整，以及该行业的额外边界。
这样的结构不是为了好看，是为了让读者能在最短时间内判断「这个行业的问题，和我们的情况像不像」。如果你只想看整体逻辑，方法论声明可能是更快的入口。
怎么读这些指标
三个前提，决定了这些指标应该怎么被理解。不理解这三条，很容易把观测值当成承诺值。
- 指标是观测值，不是承诺值——它们描述的是建设周期后采样结果的变化，不构成对后续表现的保证。关于「不承诺排名」的完整说明，见常见误解。
- 统计口径一致，但绝对值不可直接跨行业比较——医疗的 +38% 与电商的 +39% 含义不同，因为基数不同、问题集不同。可比的是「同一行业内、建设前后的变化」。
- 两项指标通常是互补的——一项看「说对的多了多少」，另一项看「说错的少了多少」或者「位次前进了多少」。单看一项容易误读。
具体每项指标的定义与计算方式，统一写在术语表的「观测指标」一节；如果还想看指标在项目里怎么用，AI 认知 FAQ里也有说明。
关于这些案例
以下问题来自客户在浏览案例页时最常提的几个。
- 这些案例是真实的吗？为什么看不到客户名称？
- 都是真实项目，只是做了脱敏。案例里不出现客户名称、具体产品与可识别的业务信息，指标数据按项目实际采样结果呈现，不做夸大。这是我们对客户的承诺，也是让案例能被公开讨论的前提。
- 为什么不同行业的案例指标不一样？
- 因为每个行业的提问方式与核心事实不同。医疗与金融看合规事实的表述准确率，新能源与智能制造看技术参数准确率，电商与快消看渠道与成分表述，法律与教育看专业与信任事实。指标不同，但统计口径一致：同一问题集、同一平台、同一采样周期。
- 没有我们所在的行业怎么办？
- 可以直接联系我们。四步闭环的框架适用于所有需要在 AI 回答中被准确描述的行业，我们也可以先做一次小范围的基线诊断，看问题集中在哪一层。是否作为案例公开，由客户决定。
- 能不能看到完整案例？
- 每个行业页已经包含脱敏后的完整结构：行业特征、四类典型偏差、项目概况、信源特殊结构、方法论适配与边界。更细的采样记录与原始数据属于项目交付物，不在公开页呈现。
