第08章｜User–AI Decision Alignment（用户—人工智能决策对齐）：差异不等于缺口

一、两张地图相减，得不到GEO（生成式引擎优化）答案

当User-DVM（用户决策变量地图）和AI-DVM（人工智能决策变量地图）都建立后，最直观的做法是比较变量：用户重视但人工智能没有使用的，就是“缺口”；人工智能使用但用户没有提到的，就是“偏差”；再按差异大小决定内容和发布优先级。

这条路径很简洁，却可能连续犯下四个错误。

第一，用户地图本身可能证据不足、样本偏移或已经过期。由人工智能生成的“客户关注点”，不能成为要求人工智能答案必须匹配的标准答案。

第二，双方词面相同不代表含义相同。用户说“专业”可能指政策准确，人工智能说“专业”可能指品牌知名和团队规模。表面对齐可能是False Semantic Alignment（虚假语义对齐）。

第三，人工智能没有表达某个变量，可能因为当前探针没有要求、答案只允许列三点、发生拒答或截断，而不是系统稳定遗漏。

第四，即使差异真实，也不表示需要提高目标企业的出现或推荐。企业可能不适配，证据可能不能公开，人工智能也可能正在执行正确排除。

因此，本章不把两张地图做机械减法，而是建立四平面的Descriptive Alignment Analysis（描述性对齐分析）。

二、工作定义

User–AI Decision Alignment（用户—人工智能决策对齐）是在通过参照资格、时间同步、语义等价、表达机会和测量完整性检查后，对User-DVM（用户决策变量地图）、AI-DVM（人工智能决策变量地图）、Entity Reality and Eligibility（实体事实与资格）以及Claim-Evidence State（命题—证据状态）之间的一致、差异、冲突、规范覆盖与无法判断状态进行结构化描述。

它只形成描述性对齐分析，为后续Gap Diagnosis（缺口诊断）提供输入，不直接生成正式缺口、干预或执行渠道。

三、三项严格分离

Difference（差异）
≠ Gap（缺口）
≠ Intervention Priority（干预优先级）

Difference（差异）是双方通过可比性检查后的不一致观察。

Gap Candidate（候选缺口）是在实体事实、证据、测量、规范和范围校验后，仍需要解释或修正的问题候选。

Diagnosed Gap（已诊断缺口）必须由后续正式G1—G5体系确认。

Intervention Priority（干预优先级）还要结合真实性、伤害风险、可控性、公开授权、人工智能可介入性、商业价值和实验条件。

这条不等式阻止团队从“人工智能没提到某项卖点”直接跳到“应该发更多文章”。

四、四平面比较结构

四平面之间存在几个关键不等式：

用户重视 ≠ 企业具备
人工智能推荐 ≠ 实体适配
企业真实具备 ≠ 公开证据充分
公开材料存在 ≠ 目标命题准确
显示引用 ≠ 命题获得支持

五、Comparison Admission Gates（比较准入门槛）

四道门共同决定一项观察是否有资格进入比较。它们不是四个可加权分数，任何关键失败都可能使结果转为受限比较、Not Comparable（不可比）或Indeterminate（无法判断）。

门槛的作用是确认“能否比较”，不是提前判断谁正确。通过门槛也只能生成描述性状态，仍不能自动生成正式Gap（缺口）。

六、Comparison Unit（比较单元）

最小比较单元是：

Decision Situation（决策情境）
× Decision Object（决策对象）
× Canonical Decision Variable（规范决策变量）
× Actor / User Condition（主体或用户条件）
× Decision Stage（决策阶段）
× Decision Role（决策作用）
× Direction / Threshold / Value Range（方向、阈值或取值区间）
× Entity（实体）
× Atomic Target Claim（原子目标命题）
× Probe and Expression Opportunity（探针与表达机会）
× Time and Scope（时间与范围）

用户在最终服务商比较阶段重视价格，人工智能回答的是“是否需要外包”，两者决策对象和阶段不同，不具备直接比较资格。

缺少共同单元时应标记Not Comparable（不可比），不能按“价格”“专业”等宽泛标签强行匹配。

七、变量等价不靠关键词

Variable Equivalence Record（变量等价记录）保存双方原始表达、规范变量、操作定义、可观察指标、决策作用、方向、阈值、取值区间、主体、阶段、对象、映射证据、替代映射和当前状态。

用户说“出事找得到人”，人工智能说“责任主体与升级机制清晰”，词面不同却可能指向相同变量。用户与人工智能都说“专业”，含义却可能完全不同。

因此，词面相同可能是False Semantic Alignment（虚假语义对齐），词面不同也可能形成Semantic Alignment（语义对齐）。不能按关键词重叠计算对齐率。

八、表达机会与回答容量

比较要分开：

• Variable Opportunity-to-Express（变量表达机会）；
• Entity Opportunity-to-Appear（实体出现机会）；
• Evidence Opportunity-to-Cite（证据引用机会）；
• Response Capacity（回答容量）；
• Selection Pressure（选择压力）；
• Safety or Refusal Constraint（安全或拒答限制）；
• Truncation and Censoring（截断与删失）。

问题是“选择服务商需要注意哪些标准”时，目标企业可能没有出现机会；答案被限制为三点时，其余变量受到容量和选择压力；风险探针不讨论价格，不能自动形成价格遗漏。

没有合理机会时，状态应为Not Tested（未被检验）或Not Expressible in Current Task（当前任务不可表达），而不是AI Omission Candidate（人工智能遗漏候选）。

九、Normative Override（规范覆盖）需要外部证据

用户只关心价格和速度，而目标服务依法必须持证，人工智能新增许可证要求可能是合理规范覆盖。但人工智能也可能虚构不存在的法规，不能让答案自证规范真实。

规范记录至少包括Normative Source（规范来源）、法律或专业效力、地域与管辖、适用主体和服务、有效时间、属于强制要求还是建议、来源证据以及冲突或不确定性。

用户偏好不能覆盖法律、安全与伤害边界。面对违法、有害或不适当要求，人工智能正确拒绝并提供合法替代，不属于对齐失败。

十、Harm and Fairness Review（伤害与公平审查）

即使用户和人工智能高度一致，也要检查变量是否与能力或资格无关，是否涉及不当敏感身份、造成歧视性排除、鼓励违法欺骗、隐藏重大风险，或对弱势主体造成不对称伤害。

双方共同使用有害或不公平变量，属于Harmful Alignment（有害对齐），不是GEO成功。对齐程度不能凌驾于合法性、真实性、安全与公平。

十一、Entity Reality and Eligibility（实体事实与资格）

实体事实状态可以是Reality Confirmed（事实确认）、Partially Confirmed（部分确认）、Contested（争议）或Unknown（未知）。情境资格可以是Qualified（符合资格）、Conditionally Qualified（有条件符合资格）、Not Qualified（不符合资格）、Eligibility Unknown（资格未知）或Out of Scope（范围外）。

资格绑定决策情境、地域、行业、客户类型、时间和条件。用户重视行业经验，并不能使不服务该行业的企业获得资格；人工智能没有推荐这样的企业，可能体现Boundary Fidelity（边界忠实度）。

相反，企业不适配却被人工智能热情推荐，形成Misrecommendation Risk（错误推荐风险）。有利呈现不等于合格成果。

十二、内部核验与公开GEO（生成式引擎优化）可用性

同一份材料可以具备Internal Verification Utility（内部核验用途），却不具备Public GEO Usability（公开GEO可用性）。例如保密案例或未获授权的客户表扬，可以帮助企业内部确认能力，却不能自动发布。

分别检查Reality Support（事实支持）、Claim Support（命题支持）、Authorization（授权）、Confidentiality（保密性）、Publishability（可公开性）、Public Availability（公开可获得性）、Retrievability（可检索性）、Attribution Clarity（归属清晰度）和Freshness（时效性）。

企业真实具备能力但没有公开合格证据，不能直接归为“人工智能认知错误”；它可能进入证据建设候选，仍需后续正式诊断。

十三、比较必须锁定Atomic Target Claim（原子目标命题）

“企业服务过制造业客户”
≠ “企业擅长制造业”
≠ “企业是制造业首选服务商”

材料支持第一条，不等于支持后两条。团队如果用真实弱命题要求人工智能表达更强结论，就发生Claim Inflation（命题膨胀）。人工智能没有表达膨胀命题，不构成合格遗漏。

每个原子目标命题要记录主体、谓词、对象、范围、时间、限定条件、证据要求和实体连接。

十四、变量对齐不能掩盖实体和命题错误

Variable Alignment（变量对齐）、Entity Identity（实体身份）、Entity Association（实体关联）、Claim Accuracy（命题准确性）、Evidence Support（证据支持）和Recommendation Status（推荐状态）必须分别判断。

人工智能使用了正确变量，却把属性归给同名竞品，属于Entity Association Mismatch（实体关联错配）。问题只要求通用选择指导而没有实体推荐任务时，知识呈现正确但企业没有出现，不构成实体可见性失败。

实体出现在来源列表或答案尾部，也不表示其已经进入Decision Use（决策使用）。需要检查变量归属、资格、比较和推荐作用。

十五、A0—A13描述性状态

A0—A13只是描述性状态，不对应正式G1—G5 Gap Map（缺口地图），编号也不表示严重程度。

十六、Role-appropriateness Review（作用适当性复核）

作用不同不自动表示错误。用户把价格作为预算淘汰门槛，人工智能把价格作为服务范围比较变量，可能因为双方位于不同阶段、选择集或信息任务。

复核时检查主体、阶段和对象是否相同，选择集是否一致，双方是否观察同一取值区间，变量承担资格、偏好、否决还是信任输入，是否被其他变量补偿，任务是否要求相同作用，以及法律和风险是否合理改变作用。

十七、取值区间与阈值重叠

“用户偏好低价”与“人工智能提醒异常低价存在风险”看似方向相反，却可能共享同一个Non-monotonic Relation（非单调关系）。双方只是观察了不同区间。

只有在取值范围、阈值和条件充分重叠时，才能编码Direction Mismatch（方向错配）。否则应标记Range Mismatch（区间错配）或Partially Comparable（部分可比）。

十八、对齐不自动正确

一致可能来自正确且有证据的共同判断，也可能来自共同错误事实、过时标准、Shared Exposure（共同暴露）、Shared-source Dependence（共享来源依赖）、企业营销诱导、同源人工智能生成、共同偏见或提示植入。

每条对齐记录Alignment Origin（对齐来源）和Alternative Origin（替代来源）。Alignment Rate（对齐率）不能成为单一GEO指标。

需要排除或单独标记：

• False Semantic Alignment（虚假语义对齐）；
• False Factual Alignment（虚假事实对齐）；
• Induced Alignment（诱导对齐）；
• Stale Alignment（过时对齐）；
• Harmful Alignment（有害对齐）；
• Unsupported Alignment（无充分支持的对齐）。

十九、差异不自动错误

AI Addition（人工智能新增）可能是用户研究遗漏、合理规范、不同阶段、探针诱导、模板文本、错误或幻觉。它首先反馈用户研究，作为U4 Candidate（第四层候选）；只有获得U1—U3支持后，才能按User-DVM（用户决策变量地图）流程升级。

AI Omission Candidate（人工智能遗漏候选）也可能来自无表达机会、用户变量证据较弱、企业不适配、证据不可公开、回答容量限制或真实差异。

每条差异都要保留Explanation Set（解释集合）和反向证据，不得只选择最有利于销售GEO服务的解释。

二十、Four-plane Pattern Matrix（四平面模式矩阵）

这些模式提供诊断前路由，不是正式缺口类型。

二十一、正确排除也是正确呈现

Decision-Appropriate Representation（决策适当呈现）同时包括：

• Evidence-backed Inclusion（证据支持的纳入）；
• Conditional Recommendation（条件性推荐）；
• Accurate Limitation（准确限制）；
• Correct Exclusion（正确排除）；
• Boundary Fidelity（边界忠实度）；
• Misrecommendation Reduction（减少错误推荐）。

提高提及率或推荐率，如果损害真实性、资格和边界，就不是合格GEO（生成式引擎优化）。

Evidence-backed Fit（证据支持的适配）依赖决策相关性、实体事实、情境资格、原子命题准确性、证据支持、授权与公开可用性、范围与时间。这是资格门集合，不是统一分数。

二十二、差异记录必须继承分母

每条差异保存用户侧证据、人工智能侧观察、实体事实与资格证据、原子命题—证据记录、参照资格、时间同步、可比性、表达机会、替代解释、反向证据、缺失和有效时间。

比较分母同时记录Eligible Comparisons（可进入比较数）、Completed Comparisons（完成比较数）、Refusal or Failure States（拒答或失败状态）、Truncated or Censored States（截断或删失状态）、Not Comparable States（不可比状态）和Excluded States and Reasons（排除状态及原因）。

只比较成功生成的答案会产生Comparison Denominator Bias（比较分母偏差），并可能人为提高对齐程度。

二十三、异质性、实质性与稳定性

比较按主体、阶段、对象、选择集、变量作用、地域、行业、引擎、产品模式和时间分层。总体高对齐不能掩盖关键合规否决变量错配；总体差异也不能由不相关主体的变量制造。

分别报告Decision Materiality（决策实质性）、Non-compensatory Role（不可补偿作用）、Harm Risk（伤害风险）、Misrecommendation Risk（错误推荐风险）、Population Reach（影响人群范围）和Evidence Confidence（证据置信状态），不建立统一Alignment Score（对齐评分）。

差异重复需要说明跨哪些用户过程或地图版本、探针、表达、依赖簇、批次、时间、引擎、产品条件和编码复核。Prompt-sensitive Difference（提示敏感差异）、Engine-specific Difference（引擎特定差异）、Time-specific Difference（时间特定差异）和Cross-condition Difference（跨条件差异）分别报告。

多个引擎不能通过多数投票产生一个“真实人工智能差异”。

二十四、Relative Evidence Context（相对证据环境）

人工智能使用正确变量并推荐竞品，不自动表示目标企业被错误遗漏。还要比较双方真实资格、原子命题范围、证据有效性与具体性、时效性、独立性、来源多样性、实体归属清晰度、当前探针适配和竞争者相对证据状态。

目标企业符合最低资格但相对证据较弱，可能进入Competitive Evidence Gap Candidate（竞争证据缺口候选）。这不意味着人工智能应在所有合格企业之间平均分配推荐。

二十五、Decision Reach（决策触达）与AI Addressability（人工智能可介入性）

人工智能在真实决策过程中的位置可以是No AI Contact（无人工智能接触）、Awareness Support（认知支持）、Criteria Formation（标准形成）、Category Evaluation（类别评估）、Entity Discovery（实体发现）、Entity Comparison（实体比较）、Validation or Due Diligence（验证或尽调）、Post-choice Support（选择后支持）或Unknown（未知）。

差异很大，但真实客户完全通过熟人介绍和线下招标决策，不能仅凭差异大小判断GEO（生成式引擎优化）投入价值。

严重性、伤害风险、错误推荐风险、人群范围、证据置信、稳定性、企业可控性、公开证据可行性、人工智能可介入性、商业价值和合规敏感性分别记录，不合成为统一Opportunity Score（机会评分）。商业价值不能覆盖不适配、无证据或高风险。

二十六、对齐改善不等于干预有效

Alignment Improvement（对齐改善）只表示某些描述性差异缩小。它不自动证明命题更准确、企业更适配、证据被正确使用、边界更忠实、错误推荐减少、项目干预导致变化，也不证明用户行为或业务结果改善。

发布内容后人工智能答案更接近用户地图，仍可能来自模型更新、提示变化、共同暴露或测量口径变化。必须继续检查Decision-Appropriate Representation（决策适当呈现）、外部变化、对照、重复和Causal Confidence（因果置信度）。

二十七、Pre-diagnostic Routing（诊断前路由）

比较结果可以进入：

• Measurement Review（测量复核）；
• User Research Review（用户研究复核）；
• Entity Reality Review（实体事实复核）；
• Claim-Evidence Review（命题—证据复核）；
• Normative, Harm and Fairness Review（规范、伤害与公平复核）；
• Gap Diagnosis Candidate（缺口诊断候选）；
• No Action / Correct State（无需行动或当前正确状态）；
• Unknown / More Evidence Needed（未知或需要更多证据）。

这个路由不等于正式G1—G5诊断，也不指定On-site / Off-site（站内／站外）或任何执行渠道。

人工智能新增变量可以反馈用户研究；无表达机会反馈探针设计；实体资格不清反馈事实审计；命题—证据错配反馈证据地图；实体归属错误反馈实体一致性；规范缺失反馈安全审查。反馈只创建研究任务，不自动修改正式地图、SSOT（单一事实来源）和干预计划。

二十八、Alignment Record（对齐记录）

二十九、对GEO Service System（GEO服务体系）的要求

第一，系统不能用User-DVM（用户决策变量地图）减去AI-DVM（人工智能决策变量地图）直接生成Gap（缺口）。双方参照资格、时间、语义、作用、区间和表达机会必须先通过门槛。

第二，比较必须接入Entity Reality（实体真实状态）与Claim-Evidence State（命题—证据状态）。用户重视、人工智能推荐、企业资格和公开证据不能混成一个结论。

第三，A0—A13描述状态与P1—P12模式只用于诊断前路由，不得替代正式G1—G5，也不得直接生成内容和发布任务。

第四，系统必须允许Correct Exclusion（正确排除）、No Action（不行动）和Indeterminate（无法判断）成为正式结果，不能将所有差异包装成服务机会。

第五，比较继承AI-DVM（人工智能决策变量地图）的分母、失败、依赖簇和测量不变性，并保留用户地图的来源总体、覆盖和负例。

第六，对齐结果不建立统一评分。关键否决变量、伤害风险和错误推荐风险必须独立可见。

三十、本章明确否定的观点

• User-DVM（用户决策变量地图）减去AI-DVM（人工智能决策变量地图）即可得到Gap（缺口）；
• User-DVM（用户决策变量地图）天然是标准答案；
• 人工智能应完整复制用户地图；
• U4用户地图可以直接作为对齐参照；
• 不同时间和重大事件前后数据可以直接比较；
• 词面相同等于变量对齐，词面不同等于差异；
• 当前探针未出现就证明稳定遗漏；
• 人工智能新增规范变量天然正确；
• 用户偏好可以覆盖法律、安全、伤害与公平约束；
• 用户重视就证明企业适配；
• 企业真实具备就证明公开证据充分；
• 内部材料可以无授权公开用于GEO（生成式引擎优化）；
• 公开证据存在就证明当前命题准确；
• 人工智能没有表达膨胀命题构成遗漏；
• 变量对齐可以掩盖实体错误归属；
• 对齐自动正确，差异自动错误；
• 有害、歧视或共同错误的一致属于成功；
• 正确排除或条件推荐属于可见性失败；
• 有利但无证据或不适配的推荐属于成功；
• 总体对齐率能够代表关键变量表现；
• 多引擎多数投票可以确定真实人工智能状态；
• 只比较成功答案不会影响结果；
• 竞品被推荐必然是目标企业认知缺口；
• 差异大小等于GEO（生成式引擎优化）投入价值；
• 对齐改善等于正确呈现改善或干预有效；
• 描述性差异可以直接生成内容、发布或其他干预。

三十一、当前仍然不知道什么

以下问题保持Unknown（未知）：

• 用户地图和人工智能地图的任务级参照资格标准；
• 时间同步和事件对齐所需窗口；
• 变量语义、作用与区间映射的可靠性；
• 变量、实体和证据表达机会的经验门槛；
• 规范覆盖、伤害与公平冲突的行业级裁决规则；
• 内部核验材料转为公开证据的任务级条件；
• 对齐来源和共享暴露的可识别程度；
• Difference Stability（差异稳定性）和过期标准；
• 相对证据达到竞争缺口候选的准入条件；
• 人工智能在真实决策过程中的触达测量方法；
• 严重性、风险、可控性和商业价值的治理优先规则；
• 描述性模式映射到G1—G5的可靠条件；
• 对齐改善与Decision-Appropriate Representation（决策适当呈现）、用户行为和业务结果之间的关系；
• 可升级为Validated Pattern（已验证模式）的准入标准。

当前Validated Pattern（已验证模式）为空。

三十二、本章结论

User–AI Decision Alignment（用户—人工智能决策对齐）不是两张变量表的相似度计算，而是User-DVM（用户决策变量地图）、AI-DVM（人工智能决策变量地图）、Entity Reality（实体真实状态）和Claim-Evidence State（命题—证据状态）的四平面比较。

只有在参照资格、时间同步、语义作用与区间等价、表达机会、实体身份和测量完整性通过后，差异才获得描述资格。即使如此，对齐仍可能共同错误、过时、诱导或有害；差异也可能来自正确排除、规范覆盖、范围差异或证据不足。

第二编至此形成完整链路：从真实决策过程建立Decision Situation（决策情境），识别Decision Variable（决策变量），组织User-DVM（用户决策变量地图），观察AI-DVM（人工智能决策变量地图），再通过四平面形成描述性差异。下一编将进入Claim-Evidence System（命题—证据系统），为后续正式缺口诊断建立事实与证据资格基础。

本章图表

图8-1｜四平面对齐结构

重绘说明：用四个并列平面表示U平面用户地图、A平面人工智能地图、R平面实体事实资格和E平面命题—证据状态。中心不是“对齐分数”，而是A0—A13描述状态与诊断前路由。

图8-2｜差异、缺口与干预优先级的门控关系

重绘说明：由左至右展示Difference（差异）、Gap Candidate（候选缺口）、Diagnosed Gap（已诊断缺口）和Intervention Priority（干预优先级），每段之间设置实体事实、证据、规范风险、可控性、人工智能可介入性和实验条件门。

图8-3｜对齐可比性十二道门

重绘说明：采用两张地图进入同一漏斗的结构，依次通过参照资格、时间同步、情境对象、主体阶段、语义作用区间、表达机会、实体身份、用户证据、人工智能测量、规范、分母覆盖和测量不变性。

图8-4｜正确呈现的双向目标

重绘说明：左侧为适配且有证据，通向证据支持的纳入和条件推荐；右侧为不适配、受限或高风险，通向准确限制、正确排除和减少错误推荐。两侧共同汇入Decision-Appropriate Representation（决策适当呈现）。

表8-1｜A0—A13描述性状态表

采用本章第十五节的状态，增加“是否已经构成正式缺口：否”和“下一步复核方向”两列。

表8-2｜P1—P12四平面模式矩阵

采用本章第二十节的模式，分别列出用户变量、人工智能使用、实体资格、证据状态、风险和诊断前路由。