有个老板跟我说，他让市场部去查了一下 AI 怎么介绍他们公司。
市场部回来汇报：查过了，ChatGPT 推荐了我们，排在第二，没问题。
老板很满意，觉得这事可以放一放了。
一个月后我让他自己再问一遍同样的问题。
这次他们排第四，而且中间多了一个从没听说过的竞品。
他问市场部怎么回事，市场部又去查了一遍，这次排回第二了。
三次问，三个结果。
到底信哪次？
答案是：都不能单独信。
一、这不是 bug，是 AI 的工作方式
很多人以为 AI 像数据库，问一个问题就给一个固定答案。
不是的，AI 每次回答都是重新生成的。
同样的问题，它可能换一个角度切入，换一批素材拼接，甚至换一种语气。
有时候提到你，有时候不提。有时候参数写对，有时候写错。
这不是它出了故障，它就是这么运作的。
问题是，你不知道哪次是「正常水平」，哪次是「偶然波动」。
你看到它提了你一次，高兴了一天；第二天再问没提，又慌了。
靠单次结果做判断，你的情绪会被 AI 的随机性牵着走。
二、那怎么办
方法很土，但有用：多问几次，数一数。
同一个问题问五次，它提到你几次。
五次里有四次都提了，那大概率是稳的。
五次里只有一次提了，那那一次大概率是偶然。
五次里提了两三次，说不准，得再看看。
重点不是某一次的答案写了什么，而是五次放在一起，你大概站在什么位置。
三、一个更实际的做法
真要搞清楚自己的状态，光重复同一个问题还不够。
你得准备一批问题，不是一个，是十个、二十个。
每个都是你的客户真正会问的。然后每个问题都跑一遍，把结果记下来：提了还是没提、说对了还是说错了。
跑完之后看总数，二十个问题里，提到你几次？说对了几次？说错了几次？
这个总数，比任何一次的答案都可信。
因为单个问题的答案会变，但二十个问题的总体表现是相对稳定的。
你要的不是「这个问题 AI 怎么说我」，而是「这一批问题加在一起，AI 大概把我当什么水平」。
四、那些说不准的怎么办
跑完第一轮你会发现，结果大概分三类：
有些是稳的。 不管问几次，AI 都会提到你。这类不用管，是你的基本盘。
有些是稳定缺席的。 问了好几次，一次都没提。这类也不用纠结，短期内大概率改不了，先放着。
最值得关注的是中间那批：有时候提，有时候不提。 这些说明 AI 在犹豫，你的信息在它那里属于「有，但不确定要不要用」。
这批才是你真正该花精力的地方。
处理起来也简单：那些「有时候提有时候不提」的问题，过一段时间再问一轮，看它是变稳了还是变没了。
如果连续两轮都提了，说明在变好。如果连续两轮都没提了，说明在变差。
第一轮管分类，第二轮管趋势。 两轮下来，你手里的信息就从「感觉上好像还行」变成「我知道哪几个点是稳的、哪几个点在滑、哪几个点有机会」。
五、有一个前提不能动
不管跑多少轮，有一件事必须守住：问题不能换。
很多人第一轮跑完觉得结果不理想，第二轮换了一批「更容易被提到」的问题。
结果当然好看了，但你没法跟上次比。
问题定下来就不要动，哪怕有几个你觉得出得不好，也留着。
下次用同样的问题跑，才能看出变化。改问题的冲动，以后每次都会有，每次都得忍住。
六、这件事的真实成本
如果你只是想知道个大概，十个问题，三个 AI，每个问两次，总共六十次对话，一个下午能搞定。
但如果你想把第一轮的分类做出来，再过一个月跑第二轮看趋势，那就是一个需要持续的动作。
问题不能少于二十个，AI 不能少于三个，中间那批模糊的还得补问。
一轮的工作量不大，难的是它得重复，而且中间不能断。
断了就不知道趋势，不知道你上个月改的东西到底有没有用，又回到靠猜的阶段。
先跑一轮，把三类分出来。至于要不要变成每月一次的动作，分完类你自己会有判断。