AI搜索的归因数据平台为什么不会给你？拆开看有两层今天就能自己测

摘要：你等的那份AI搜索归因报表不会来，原因不是技术没跟上，而是没有一家模型公司有理由免费给你。2011年Google把自然搜索的关键词收进“未提供”那一栏，广告主那边的转化数据反而越来越细，这件事教给后来者的经验很精确：拿走会挨骂，一开始就不给则风平浪静。OpenAI给站长的是一组开关，给广告主的是一整套服务端转化管线，两边摊开看就明白了。但“归因”这个词里其实塞着三个问题，引荐、增量、影响，答案完全不同——前两个今天就能自己测，且不需要任何平台点头。本文把三层拆开，给出可执行的分类规则、留出实验设计、暗漏斗的土办法，以及买工具前那一个能筛掉大半供应商的问题。

做AI搜索这一年多，被问得最多的一句话不是“怎么才能被引用”，而是“我怎么证明这事儿带来了钱”。上个月保哥在一个小范围的交流里问了圈同行，十个人有七个把这件事排在困扰第一位。有意思的是，大家都默认这是个时间问题——工具还不成熟，再等半年一年，总会有厂商把这块补上，就像二十年前排名查询从手工数到自动化那样。

这个预期是错的。它不会被补上，而且不补上的理由跟技术难度一点关系都没有。

为什么你要的那份AI归因报表，等三年也等不来？

先把话说死：从ChatGPT到Perplexity到Gemini，没有任何一家有商业理由把“这次对话里提到你、然后这个人下了单”这条链路免费开放给做自然流量的人。不是做不到，是不会做。

Duane Forrester在一篇把这件事从头拆到尾的长文里说得很直接。他本月自己跑了一份关于AI可见度工具值不值得买的调研，问卷里刻意一个字都没提归因，结果这个词还是自己冒出来了：一位顾问说整个难题就是把可见度、引用、提及跟钱对上；一位管着十几个客户的代理商老板，在“你最没被解答的问题是什么”那一栏只填了一个词加一个感叹号——归因！还有人答得更疲惫，说追踪只是第一步，那接下来呢。

同一个词底下，其实藏着两种完全不同的沮丧。一种是“工具读出来的可见度到底准不准”，另一种是“这份可见度能不能换算成营收”。这两件事经常被搅在一起说，导致讨论永远在原地打转。本文主要处理第二种，第一种在名次为什么每次查都不一样那篇里已经拆过统计层面的原因。

归因这件事，是从哪一天开始不好使的？

把时间轴拉长一点会发现一个反直觉的事实：确定性归因的崩塌，比第一个大模型上线要早得多。

• 第三方Cookie进入漫长的弃用期，跨站识别的地基先松了。
• 苹果的应用追踪透明度机制上线，移动端一大块信号直接断掉。
• Google Analytics整体转向建模转化，报表里那个数不再是数出来的，而是算出来的。
• 营销组合模型这套比在座多数人年纪都大的老手艺重新流行，恰恰是因为干净的点击路径已经不成立了。

这四件事各有各的起因，没有一件跟ChatGPT有关。大模型不是凶手，它只是在案发之后走进房间，让所有人没法再假装什么都没发生。你现在站着的这块地面，早在答案引擎出现之前就已经是建模的、概率的、依赖用户授权的了。

这一点很重要，因为它决定了心态。如果你以为是AI搞坏了归因，就会一直等着谁来修好；如果你知道地面本来就是这样，就会开始琢磨在这种地面上怎么盖房子。

平台不是不能给，是没有理由给你，这话怎么理解？

归因数据其实正在到来，只不过它走的是广告那扇门，不是站长工具那扇门。

关键在于，付费广告主想要的信号，和做自然流量的人想要的信号，是同一个信号。曝光、点击、后续行为、成交金额，一模一样的链路。既然有人愿意为这条链路付钱，平台就没有任何动机把它白送给不付钱的那一方。这句话听着冷酷，但它是商业世界里最不需要解释的一条逻辑。

保哥觉得这里最容易让人误判的地方在于，我们习惯把搜索引擎的站长工具当成一种“行业基础设施”，觉得它天然应该存在。可它从来就不是公共设施，它是平台在特定阶段为了拉拢内容供给方而给出的一份礼物。礼物什么时候停发，只取决于送礼的人还需不需要你。

2011年那次“未提供”，到底教会了后来者什么？

这部电影我们看过一遍。

2011年，Google开始加密自然搜索的来路，关键词数据集体消失进“未提供”那一栏。同一时期，付费搜索的广告主拿到的转化数据却越来越丰富、越来越细。同样的查询意图，同样的用户行为，一边被货币化，一边被断粮。自然搜索这行的人为这事儿生了十几年闷气，说不定你现在还在生。

但从做产品的人的角度回看，Google在这件事上付出的代价是真金白银的：口碑、信任、无数场大会上的公开质问、论坛里写了十几年的抱怨帖。这份代价被后来所有想做搜索的人看在眼里，并且他们从中提炼出的经验，精确得让人有点不舒服。

为什么“从来没给过”比“给了又收回”高明得多？

经验就一句话：拿走的代价太大，那就干脆一开始别给。

人会为被剥夺的东西打架，因为“曾经有过”意味着有一条清晰的基准线，所有人都能指着它说你欠我。而一样从未存在过的东西，激不起任何抗议，只会留下一种说不清、道不明的低度焦虑。你会觉得哪里不对劲，但你连投诉对象都找不到，因为没人从你手里拿走过什么。

所以这不真是一个关于某家公司的故事。这个经验在2011年之后就一直摆在明面上，写在每一篇复盘里、每一个论坛帖里。任何一个够格的产品负责人在动手做答案引擎之前，都已经知道了。

OpenAI给站长的那几个开关，摊开看到底有什么？

不用猜，翻文档就行。OpenAI给站点运营者的爬虫控制说明里，能做的事情是这样的：

• 放行OAI-SearchBot，于是你的内容有机会出现在ChatGPT的答案里。
• 拦掉GPTBot，于是你的内容不被拿去做训练。
• 还有一个负责实时读取的抓取器，同样是放行或拦截二选一。

看出来了吗，全是开关。开、关，没有第三种状态。你能决定让不让它进门，但你没有任何办法知道它进门之后干了什么、你的哪一段被引用了多少次、那些看到你的人后来去了哪。这不是文档写漏了，是这套控制体系里压根不存在“计量”这个维度。

关于该不该拦、拦了会损失什么，站内在要不要向AI爬虫收费里算过一笔账，这里不重复。

同一家公司给广告主的那套管线，又长什么样？

对照着看才有意思。同一家公司，在广告这一侧已经建好的东西是：

这就是一套完整的闭环转化归因。它现在就存在，就在那家公司的产品里跑着，只不过门票是一个广告账户。站在同一个平台上的自然流量运营者，拿到的是一个文本文件和一句祝你好运。

一边是开关一边是仪表，这个落差意味着什么？

意味着你该停止等待了。

这个落差不是产品排期问题，它是设计选择。开关和仪表这两样东西，技术难度差着十万八千里吗？并没有。真正的差别是，一个能收钱，一个不能。当一家公司已经把能收钱的那套建完并上线，而另一套连路线图上都不见踪影时，这已经不是猜测了，这是可观察的事实。

顺带说一句，这个落差也解释了为什么市面上那些声称能给你AI归因的工具，报出来的数字彼此差异巨大。它们没有一家能拿到平台内部的数据，所以它们只能各自想办法，而不同的办法必然给出不同的数字。这一点后面会展开。

这只是一家公司的选择吗？把几家模型公司排在一条线上看

把视野放大，会发现结论更不乐观，但也更清晰。

可以按“这家公司存在的理由更偏向卖东西，还是更偏向服务用户”给它们排一条线。这条线不是道德评判，纯粹是看它们自己怎么讲自己的商业模式。

从“造来卖”到“造来服务”，这条线上各家分别站在哪？

把这张表读完，会读出一个让人有点无奈的结论：这条线的两头，通向的是同一个地方。

偏商业那一头，会把归因做成一个付费产品，锁在广告后台里；偏使命那一头，压根就没打算做这件事，他们有更想建的东西。门不一样，时间点不一样，但对一个不投广告的自然流量运营者来说，结果完全一样：这扇门在哪一头都不会为你打开。

所以“别指望ChatGPT给你归因”只是这句话的窄版本。宽版本是：别指望任何一家。

为什么使命驱动的那一头，同样不会给你归因？

这个容易被忽略，值得单独说一句。

很多人会想，那些不做广告的模型公司总该开放一点吧，他们没有把数据卖钱的动机。可没有动机卖，不等于有动机送。建一套归因体系是实打实的工程投入——事件定义、身份对齐、隐私合规、稳定性保障、文档与支持，样样都要人和钱。一家把资源押在模型能力和安全上的公司，凭什么把工程排期分给一个既不带来收入、也不服务于其核心使命的功能？

答案是不凭什么。所以它不会出现，理由跟商业化那一头完全不同，但结论一模一样。

你嘴里的“归因”，其实是三个各有答案的问题

说完坏消息，说好消息。

行业里讲“归因”的时候，通常是把三件事揉成一团在讲。这三件事的可测性天差地别，揉在一起最大的害处是：明明有两件今天就能做，却因为跟第三件绑在一起，被一并判了死缓。

三层里，两层的水管其实是通的，只是没人去拧开。

第一层引荐归因：今天就能看，但默认设置会骗你

这一层最容易被低估，因为大家觉得“不就是看referral吗”。问题恰恰出在这个“不就是”上。

AI会话不会老老实实自报家门。相当一部分从AI答案里过来的访问，来路字段要么是空的，要么长得不像你以为的样子，于是被后台顺手归进直接流量或者自然搜索。你打开报表看见AI渠道只有可怜的几十个会话，心想这渠道果然没什么用，然后就把它关掉了——而真实数字可能是它的好几倍。

AI会话为什么会被GA4误分到直接流量里？

几个原因叠在一起：

• 桌面客户端和移动应用里的跳转，很多不带来路信息，浏览器拿到的就是一次“凭空出现”的访问。
• 有些答案界面用中转跳走，来路字段留下的是中转域名而不是原始产品。
• 分析工具的渠道分组规则是按已知域名清单匹配的，新出现的产品域名进不了清单，就掉进兜底那一栏。
• 用户在对话里复制了你的网址，换个标签页粘贴打开——这种连来路字段都不存在。

这几条里，前三条能靠规则补，第四条补不了，只能承认它永远看不见。把这一点跟老板讲清楚很重要，否则每次报表都像在解释为什么数字对不上。

一条能用的引荐分类规则，该同时看哪几个字段？

只看来路字段肯定不够。稳一点的做法是把几个信号组合起来判断：

• 来路域名，这是主信号，把已知的AI产品域名维护成一份清单，定期补。
• 落地页特征，AI引用倾向于落在特定类型的页面上，比如带明确问答结构的那些。
• 链接参数，凡是你自己能控制链接的地方，一律主动打标，别指望自动识别。
• 会话行为形态，从答案里过来的人往往目标很明确，进站路径和站内搜索行为跟泛自然流量长得不一样。

关于主动打标这件事，渠道分组一旦被平台侧的自动打标改动过，历史口径会跟着变，这个坑在自动打标怎么影响渠道归因里有过完整案例，规则设计的时候顺手避开。

为什么你算出来的那个数，只能当下限用？

因为漏掉的部分是系统性偏低，不是随机波动。

复制粘贴进来的看不见，跨设备的对不上，跨时间窗的算不进，用了隐私模式的读不到。这些漏项没有一个会让数字偏高，它们全都往下压。所以你拿到的那个数，正确的读法是“至少有这么多”，而不是“就这么多”。

保哥的建议是在报表上直接把这句话写进去，写成一行小字附在数字旁边。这不是甩锅，是防止半年后有人拿这个数去做减法，得出一个更离谱的结论。

引荐层的分类规则，怎么验证它到底准不准？

写完规则不验证，等于写了个心理安慰。验证的办法比想象中简单：拿你自己能控制的链接去走一遍，看规则认不认得出来。

具体做法是这样。挑几个典型的AI产品，在对话里主动问一些你的内容能被引用到的问题，从答案里点进自己的站，然后回后台看这几次会话被分到了哪一栏。同一批动作在桌面端和手机端各跑一次，因为这两条路径的来路信息经常不一样。

能查出来的问题通常是三类：规则漏掉了某个产品的新域名；某个入口经过中转跳转，来路只剩中转域名；移动端应用内的浏览器完全不带来路，被兜底规则吃掉了。前两类补规则就能解决，第三类只能靠落地页特征和参数标记去逼近。

这件事的价值不只是修规则，还在于你会亲眼看见有多少访问是分类规则根本抓不住的。这个亲眼看见的过程，比任何人跟你讲十遍“数字偏低”都管用。做完之后，你在报表旁边写“这是下限”的时候，心里是有底的。

频率上，一个季度跑一次就够。产品更新快的时候可以加密，但没必要每月折腾，规则失真是慢慢发生的。

归因窗口在AI搜索这个场景该怎么设？

这是个容易被忽略的旋钮，但它对最终数字的影响可能比分类规则还大。

传统电商设归因窗口，主要考虑的是决策周期。AI搜索这条路径多了一个变量：用户在对话里接触你的那一刻，往往处在调研的很前段。他不是在比价，是在搞清楚有哪些选项。从这个位置到下单，中间隔的时间比从一次搜索广告点击到下单要长得多。

几条经验：

• 窗口至少要覆盖你的典型决策周期，客单价越高留得越长。低客单快消品七天可能够，几千块的耐用品三十天都算短。
• 别用一个窗口打天下。同一份数据用七天和三十天各算一遍，两个数一起报，差值本身就是信息。
• 窗口一旦定了就别频繁改。中途改窗口会让历史趋势直接断掉，而这种断掉在图上看起来特别像“效果变差了”。
• 跟别的渠道对比时，务必确认两边用的是同一个窗口。这一条踩的人比想象中多。

还有个更朴素的提醒：窗口设得越长，看起来的功劳越大，所以它天然有被人往长了调的压力。定窗口的时候把理由写下来存档，比什么都管用。

第二层增量：不需要任何平台配合，你自己就能证明

这一层是被跳过最多的，因为它需要的是设计，不是仪表盘。点开一个看板不需要动脑子，设计一个实验需要。

但正因为它靠的是设计而不是数据源，平台那个黑箱不透明这件事，压根碰不到它。你在自己的地盘上做因果推断，跟对方给不给你数据没有半点关系。这是整件事里最值得高兴的一句话。

地理留出实验在AI搜索上怎么设计才站得住？

基本思路是：挑一批地区什么都不动，在其余地区推进可见度工作，然后看两组的差别。

放到AI搜索这个场景，有几处需要专门调整：

• 分组前先跑相关性配对。两组在实验开始前的历史走势要足够贴合，肉眼看着差不多是不够的。
• 观察窗要比广告实验长。内容改动要等抓取、等索引、等模型的缓存周期，前两周基本什么都看不出来。
• 别只看订单。把AI答案里的出现率、品牌搜索量、直接访问一起当成观察对象，因为链路本来就长。
• 留出组要真的什么都不做。这一条听着废话，实际执行里最容易破功，因为总有人手痒去改两个标题。

增量测试本身的设计原理、样本量怎么估、结果不显著该怎么解读，站内增量测试怎么做才不白跑那篇讲的是通用方法，这里只补AI场景的差异。

增量实验的观察窗到底该留多久？

广告实验开跑第二天就能看到曲线分叉，AI搜索这边完全不是这个节奏。原因是中间串着三段各自独立的等待。

三段叠起来，一个像样的观察窗最少要六到八周，想看到营收端的变化还得再往后压。这就是为什么很多AI相关的实验做完了却什么结论都得不出来——不是方法不对，是提前三周就把数据拿去看了，看到一片噪声，然后判了死刑。

实操上有个小技巧：实验设计的时候就把“第几周才允许看第一次数”写进文档里，并且写明理由。人是很难管住自己的手的，写进文档等于给未来的自己上了个锁。保哥见过团队在第十天开会讨论“为什么没效果”，那一刻数据里除了噪声什么都没有。

增量实验的结论能管多久，多久该重跑一次？

跑出一个结论之后，很多人就把它当常量用了，这是另一种翻车方式。

AI搜索这个环境变化很快：模型换代、答案界面改版、引用来源的偏好调整、竞争对手同期也在做同样的事。任何一条变了，上次实验的结论都可能不再成立。所以结论是有保质期的。

• 半年是个比较稳的重跑周期，对应大多数产品的迭代节奏。
• 遇到明显的界面或模型版本变动，不用等到半年，直接安排重跑。
• 重跑的时候尽量沿用上次的分组和口径，否则两次结果没法比，等于白跑。
• 把每次实验的设计、时间、结论存成一份台账。两三次之后，这份台账本身就是很有说服力的东西。

台账这件事听着行政，但它解决了一个很现实的问题：团队换人之后，新来的人不至于把三个月前踩过的坑再踩一遍。

开关式测试和固定查询集前后对比，各适合什么情况？

不是所有生意都有足够多的地区可以切分。小盘子的站有两个替代方案：

第三种最轻，也最容易被误用——它测的是AI答案里出没出现你，不是生意有没有变好。这两件事之间还隔着好几层，别在汇报里把它们说成一件事。加上撤回验证之后它的说服力会强不少，具体怎么设计撤回，加上FAQ引用涨、撤掉又掉回来这才叫因果那篇写得比这里细。

第三层影响：暗漏斗为什么是真的难，而不是假的难？

先说清楚这一层到底指什么。买家在AI的回答里读到了你的品牌，没有点击，甚至没记住是从哪看到的，三周后直接搜你的品牌名进来下单。整条链路上，没有任何一个技术埋点能捕捉到第一次接触。

这不是新问题。线下广告、口碑推荐、行业大会上的一次闲聊，都是同一类东西。它难，是因为“接触”这个动作根本没有在你能观测的系统里留下痕迹，不是因为你的工具不够好。买再贵的工具也一样。

B2B用了二十年的那套土办法，为什么现在轮到DTC用了？

做B2B的人对这件事早就习惯了。他们的成交周期动辄半年，中间几十次接触，早就放弃了精确归因这个念头，转而用一套看起来很土但很管用的办法。

现在这套办法轮到做零售、做独立站的人捡起来用了，因为AI搜索把消费决策也变成了一条看不见的长链路。有点像老中医的方子被年轻人重新发现，成分没变，只是终于轮到你的病症了。

“您是从哪儿知道我们的”这个字段，怎么问才有效？

自报归因是这一层唯一能拿到一手数据的方式。做得好和做得差的差别巨大：

• 放在下单成功页，不放在结账流程中间，别为了一个字段拖累转化。
• 选项里必须单列AI助手，且写成用户熟悉的产品名，不要写“AI工具”这种没人懂的行业黑话。
• 允许多选，因为真实路径本来就是多点触达。
• 留一个开放输入框，那里面会长出你没想到的渠道名。
• 连续收集至少一个完整的购买周期再看数，样本太小的时候这个字段的噪声大得吓人。

这个字段的数据不精确，会有记错的、随手点的、懒得填的。但它是唯一能照进暗处的那束光，粗糙的光也是光。

除了那个字段，还有哪些一手渠道能补影响层？

自报归因不是唯一的入口。你的生意里其实到处都散落着用户主动说出来的线索，只是没人去收。

• 客服对话记录。用户来咨询的时候经常自己交代来路：“我问AI它说你们家这款支持某某功能，是真的吗”。这类句子里信息量极大，既证明了接触，还顺带告诉你AI是怎么描述你的。
• 销售通话与询盘表单。做B2B或者高客单的，销售那边听到的第一手转述比任何报表都新鲜。定期让销售把这类原话摘几条出来，成本几乎为零。
• 退货和取消订单的原因。反向信息同样值钱。如果反复出现“跟我了解到的不一样”，说明AI对你的描述和实际有出入，那是另一个更紧急的问题。
• 站内搜索词。用户进站后搜的词，如果频繁出现你官网上根本没用过的表述，那些词很可能是从别处的答案里学来的。

这几条有个共同点：全是定性的，没法直接做成数字。但影响层本来就不是一个能精确量化的东西，能拿到方向和佐证已经很好了。保哥的做法是每月从这几个渠道各摘三五条原话，附在报表最后一页。老板看数字会打瞌睡，看用户原话不会。

另外有个隐藏收益：这些原话能反过来告诉你AI在怎么介绍你的品牌。如果发现描述里有明显的错误或者过时信息，那就不是衡量问题了，得赶紧去修事实源，提及和引用的差距怎么补那篇讲的正是这一层。

品牌需求相关性怎么读，才不至于把季节性当成AI功劳？

另一个可用的信号是：你的AI可见度上升的时候，品牌搜索量和直接访问有没有跟着上升。

这个读法有个大坑——相关不等于因果，而品牌需求受季节、促销、投放、公关的影响都很大。几条防身规则：

• 同期把所有其他动作列出来，投了什么广告、发了什么公关、做了什么活动，一并写进结论旁边。
• 跟品类大盘对比，如果整个品类的搜索都在涨，那涨的多半不是你。
• 看非品牌词有没有同步动，只有品牌词动而非品牌词不动，这个组合更像是被推荐带起来的。
• 把周期拉到至少三个月，一两周的波动什么都说明不了。

品牌词和非品牌词该分开当两件事看，这个前提在品牌词和非品牌词为什么要拆开做里说过，做这套判断之前先把口径分好，否则数字全糊在一起。

买AI可见度工具之前，该先问供应商哪一个问题？

市面上的工具越来越多，销售话术也越来越像。有一个问题能在三分钟内筛掉大半：你们是靠什么数据源把这条链路闭上的？

然后闭嘴，听对方怎么答。答案基本只有两类：

• 诚实的那类会说：靠第一方。他们放在你站上的采集脚本、你的分析后台、你的客户关系系统。这类产品是真的，但有边界——它能覆盖的只有引荐这一层。
• 另一类会含糊地暗示，数据来自模型公司那一侧，或者用“独家数据合作”之类的说法绕过去。

第二类不用再聊了。

如果对方的答案暗示数据来自模型公司内部，说明什么？

说明两种可能，都不是好事：要么他们做的其实是来路识别，只是在包装上说成了内部数据；要么他们在直接说假话。

没有第三种可能，因为不存在第三个数据源。模型公司没有把这类数据开放给第三方，前面那一整套推理已经解释过为什么不会开放。一家真的拿到了内部数据的供应商，会把这件事印在首页上当核心卖点，而不是在销售电话里含含糊糊提一句。

这个问题的妙处在于，它不需要你懂技术就能问，而且答案骗不了人。核对方说法有没有出处这件事，保哥在把那份被到处引用的原文逐字数一遍里演示过一次完整流程，方法通用。

为什么第一方是唯一那扇开着的门？

把这件事想通了，很多困惑会一起消失。

你自己的站、自己的后台、自己的客户数据，是唯一一块不需要任何人授权就能观测的地面。所有在营收衡量上站得住的做法，最后都会走回这块地面上来：有的把自家店铺的会话跟结账事件对起来，跟一个全站基线做比较；有的走联盟链路，让成交回传；有的干脆把购买上报交回你自己的分析工具。路径各不相同，底下的共同点非常明显——凡是可信的闭环，闭的都是你已经拥有的数据。

这也是为什么把自有数据的底子打扎实，比多买两个可见度工具重要得多。埋点对账这类基本功听着无聊，但它决定了上面所有分析的地基牢不牢，站内数据分析师和SEO怎么对账那份清单可以直接照着做。

归因和增量这两个词，为什么绝对不能混着用？

这是整篇里最该刻在脑子里的一条纪律。

归因就报归因，只有真跑过实验的场景才配用“增量”这个词。这条纪律看着迂腐，但它是区分靠谱和不靠谱最快的一把尺子——无论量的是供应商，还是量的是你自己写的那份周报。

把归因说成增量的供应商，为什么让人想起“保证首页”那套？

因为结构完全一样：拿一个用户听不懂但听着很硬的承诺，去覆盖一件本质上做不到的事。

“保证关键词上首页”当年也是这么卖的，卖了好些年，直到市场自己把它淘汰掉。今天那些拍胸脯说能证明AI搜索投资回报率的产品，多半会走同一条路——先热闹两年，然后在一片“说好的数据呢”的追问里安静下去。

这不代表这个品类里没有好东西。恰恰相反，那些老老实实说“我只能帮你把引荐这层看清楚”的产品，往往才是真的能用的。

两份研究一个说AI流量转化高11倍，一个说低于几乎所有渠道，谁错了？

这是最近半年最容易让人精神分裂的一组数据。

一边，基于1200多个发行商和新闻站的分析说，AI引荐来的访客注册转化率是自然搜索的11倍多；另一边，一份同行评议的学术研究覆盖973个站、合计约200亿美元营收，结论是自然LLM流量的转化率和每次会话营收，高于付费社交，但低于其余所有传统渠道。

两个都没错。搞清楚它们各自在数什么，比争论谁对谁错有用得多。

那1200多个站测的到底是什么动作？

拆开看数字就不打架了。基于Microsoft Clarity数据的那份分析给的明细是：LLM引荐访客的注册转化率1.66%，自然搜索0.15%，直接访问0.13%，社交0.46%。八个月里AI平台带来的流量涨了155.6%，但即便涨成这样，AI引荐在整个样本里仍然占不到总会话的1%。

注意两件事：样本是发行商和新闻站，转化事件是注册。注册是一个承诺极低的动作——填个邮箱，不掏钱，不留地址，不做决策。一个专门跑来找某个具体答案的人，愿意顺手填个邮箱，一点都不奇怪。

那973个站又测的是什么？

发表在Marketing Science上的这份研究，用的是973个电商站12个月的第一方数据。它的关键结论有几条：上线一年后，自然LLM流量占全部流量不到0.2%，大约是Google自然搜索的两百分之一；转化率和每次会话营收高于付费社交，但低于其余全部传统渠道；随时间推移转化率在涨，客单价却在跌，所以每次会话的营收只有温和提升。

这边的样本是电商站，转化事件是掏钱下单。掏钱是高承诺动作。同一个高意图访客，愿意填邮箱不等于愿意刷卡。

所以这两份研究测的是两种人群、两种站型、两种承诺等级的动作。它们不但不矛盾，放在一起看反而拼出了一张更完整的图：AI引荐带来的人意图很强，越是低门槛的动作越容易被他们完成，一旦涉及掏钱，优势就没那么夸张了。

两个都对，这件事给你的报表定了什么规矩？

规矩就一条：报数的时候必须带着口径一起报。

• 说清楚转化事件是什么。注册、加购、下单、复购，这四个数能差出一个数量级。
• 说清楚样本是哪一类站。发行商的结论搬到电商站上，大概率不成立，反过来也一样。
• 说清楚时间窗。归因窗口设成一天还是三十天，同一批数据能讲出两个故事。
• 说清楚是不是剔除了品牌词。不剔的话，AI渠道很容易替品牌需求领功。

把这四条写进模板，以后每份AI相关的报表都照着填。麻烦一点，但能让你在被追问的时候站得住。指标本身该怎么挑、哪些老指标在AI时代已经开始骗人，该换掉哪些骗你的老指标那篇有更完整的清单。

AI引荐流量占比不到1%，这个数该怎么用才不误导老板？

两份研究在这一点上罕见地一致：一个说不到1%，一个说不到0.2%。这个数怎么用，很考验分寸。

用错的两种方式都很常见。一种是拿它当理由说这事儿不值得做——但0.2%的流量如果转化质量确实更高，而且大盘还在快速膨胀，那它就是一个正在长大的入口，不是一个可以忽略的零头。另一种是绝口不提这个比例，只报绝对值和增长率，等哪天老板自己发现分母有多小，前面所有汇报的可信度会一起崩掉。

正确的做法是主动把它摆在最显眼的位置，然后接一句：现在小，但它的成本结构和成长曲线值得我们现在就占位。零点击环境下该怎么补足这类间接证据，零点击时代的归因怎么补那篇列的代理信号可以直接接上来用。

为什么“AI可见度份额”这个指标最容易被做成虚荣指标？

几乎每家工具都会给你一个声量份额之类的数，看着专业，涨起来也让人愉悦。它的问题不在于假，而在于它离生意太远，却长得太像结果。

拆开看有三处松动：

• 分母是谁定的。同一个品牌换一批提问词，份额能差出一倍。而提问词往往是工具或者你自己挑的，挑的时候人是有偏好的。
• 单次查询不可靠。同一个问题反复问，答案里出现的品牌和顺序都会变，所以任何基于少量查询算出来的份额，误差都不小，这件事本文开头已经提过一次。
• 被提到不等于被推荐。答案里出现你的名字，可能是在做正面推荐，也可能是在陪跑，甚至是在做反面对比。份额这个数把这三种情况揉成了一个。

所以它可以当做过程指标看趋势，但不能当成结果指标去考核。判断标准很简单：如果这个数涨了三成而订单一动不动，你会不会去查原因？如果不会，那它就不该出现在考核表里。相关的完整做法在AI可见度竞品分析怎么做里有拆解，那篇讲的是怎么用好它，本文提醒的是别把它用错地方。

出海做多市场，这三层还要多考虑哪几件事？

单市场的做法搬到多市场，会有几个地方直接失效。

• 各市场的引擎份额完全不同。北美和欧洲用户常用的助手，跟东南亚、中东可能不是同一批。分类规则要按市场分开维护，用一份全球清单会漏掉一大截。
• 语言影响引用来源。同一个问题用英文问和用当地语言问，答案引用的站点结构差异很大。做增量实验的时候，语言必须作为分组变量，不能混在一起算。
• 地理留出的可用地区更少。单个市场里量够大的地区不多，很多站被迫改用开关式测试。这不是退而求其次，是现实条件下的正确选择。
• 时区会污染短周期观察。跨时区的数据在按天切片的时候容易出现假的周期性，观察窗留长一点能把这类噪声抹平。

还有一条经常被漏掉：不同市场的品牌认知基数差得很远。在一个刚进入的市场里，品牌搜索量的相对涨幅会非常好看，因为基数太小。拿这个数去跟成熟市场比，得出的结论会完全反过来。

隐私法规和同意模式，会把这三层削掉多少？

这一条在出海场景下绕不开，而且它削的是最底层的那块地基。

用户没有同意统计类脚本运行的时候，引荐层的会话直接不进你的后台。这意味着在同意率偏低的市场，你算出来的AI引荐量还要再往下打一折。增量层受影响小一些，因为它比的是两组之间的差，只要两组的同意率相近，差值仍然可读。影响层里的自报归因反而是最抗打的——那是用户在下单页主动填的，属于业务数据，不依赖统计脚本。

有意思的是，这个顺序跟三层的可测性正好反过来。最容易测的引荐层受法规影响最大，最难测的影响层反而最不受影响。所以在同意率低的市场，把自报归因这个字段做扎实，性价比比想办法修复统计数据高得多。

未来12到24个月，这件事的形状大概会怎么变？

不用水晶球也能推出个大概，因为每条线的驱动力都很清楚。

最后一行是这张表的重点。前三行都会让日子好过一些，但没有一行能把最后一行改掉。

一个出海咖啡设备独立站，三个月怎么把这三层搭起来？

保哥手上有个做家用半自动咖啡机和磨豆机的客户，主要打北美和澳洲，客单价不低，决策周期偏长——买这类东西的人会先在网上泡好几周，看评测、看参数、问哪台适合入门。这种品类天生是AI搜索的重灾区，因为用户的问题全是“预算三千以内该选哪台”这种适合被一句话回答掉的。

三个月是这么走的：

第一个月只做引荐层。先把渠道分组规则重写，把已知的AI产品域名整理成清单，再叠上落地页特征和链接参数。改完之后重新跑历史数据，发现之前被归进直接流量的会话里，有相当一部分具备典型的AI来路特征。这个月没有做任何优化动作，纯粹是把尺子校准了。

第二个月做增量设计。按历史走势把北美几个州配成两组，一组推进内容改造，另一组完全不动。同时在下单成功页加了自报归因字段，选项里单列了几个AI助手的具体产品名。这个月的重点是忍住不看数——两周之内什么都看不出来，早看只会自己吓自己。

第三个月开始读数。实验组在AI答案里的出现率明显高于对照组，这一层是干净的。自报归因字段里选了AI助手的订单开始出现，虽然占比不高，但它是唯一一个能证明有人真的从对话里走过来还掏了钱的证据。

值得说的是那个自报字段带出来的意外收获：好几条开放输入框里写的是“朋友让我问AI，AI推荐的”。这条路径没有任何埋点能捕捉，如果不问，永远不知道它存在。

那次判断失手：把品牌搜索上涨全算成AI的功劳，后来怎么发现不对的？

同一个客户，第三个月的时候差点出个岔子。

当时品牌搜索量涨得挺好，团队的第一反应是这说明AI可见度工作起效了。保哥当时也是这么想的，还在周会上讲了。后来做品类大盘对比的时候才发现，同期整个家用咖啡设备品类的搜索都在涨——原因是有档热门的家居节目播了一期意式咖啡的内容，把整个品类的关注度抬了一截。

把品类基线扣掉之后，属于这个品牌自己的超额部分小了很多，虽然仍然是正的，但远没有原始数字那么好看。这件事之后那份报表加了一行固定项：品类大盘同期变化。多一行字，少一次尴尬。

诚实说一句，就算扣完基线剩下的那部分，也没法完全归给AI，因为同期还投了一轮达人合作。这就是影响层的真实处境——你能做的是不断缩小不确定的范围，而不是消灭它。

老板要一个数，你到底该报哪个数？

老板要的通常是一个能写进汇报的单一数字，而这套三层结构给不出单一数字。硬凑一个出来是很多人翻车的起点。

比较稳的讲法是分三句话：

• 第一句报引荐层的实测值，并说明这是下限。
• 第二句报增量实验的结论，用相对值不用绝对值，比如实验组的出现率比对照组高多少。
• 第三句报影响层的方向性证据，自报归因里有多少人提到AI，品牌需求扣掉大盘之后的走向如何。

三句话讲完，通常老板就明白这不是一个能压成一个数的问题。真正麻烦的从来不是老板听不懂，而是我们自己先假装它能被压成一个数。怎么把这类结构性的东西讲给不看数据的人听，先把测量框架设计清楚再上工具里有一整节在处理这件事。

这套东西落地，最容易在哪几步翻车？

按踩坑频率排：

• 分类规则写完就不管了。AI产品的域名和跳转方式换得比想象中勤，清单三个月不更新就开始失真。
• 留出组被人偷偷改了。实验做到一半有人手痒优化了两个页面，整组数据作废，而且往往到分析阶段才发现。
• 把出现率当成营收证据。这是最常见的一种偷换，出现率涨了不等于钱多了，中间的转化链条一步都不能省。
• 自报归因样本太小就急着下结论。前两百个订单里有三个选了AI助手，这什么都说明不了。
• 拿别人研究的数字直接套自己的生意。发行商的11倍、电商的0.2%，都是特定样本的结论，你的站得自己测。
• 把多触点归因模型的锅算到AI头上。模型选择本身就会大幅改变各渠道的功劳分配，多触点归因模型怎么选那篇讲的问题跟AI没关系，但经常被混为一谈。

大家真正缺的，是更准的数字还是敢信的数字？

把那份调研的开放回答连起来读，浮出来的东西挺意外。

大家喊得最响的是归因，但真正让人难受的，不是缺一个更准的数，而是不敢相信眼前已经有的那些数。有人说不信任追踪工具，有人说没法判断读出来的东西准不准，有人说因为不信所以不敢投入。这不是功能缺口，这是信任赤字。

这份不信任有一部分是完全合理的——一个建立在“设计好的缺席”和过度承诺之上的市场，本来就不该被无条件相信。但如果把全部原因都推到市场那边，也不老实。另一部分是老习惯撞上了新情况：把做SEO的那套反射动作原样搬进一个不按那套规则运转的环境，又跳过了搞清楚到底哪里变了这一步，因为“GEO就是SEO”这个说法，比真相舒服得多。

这一部分占多大比例，谁也量不准，只能从会上、群里、日常对话里读个大概。但只要它还占着相当一块，就不是哪家供应商出个新功能能解决的。那是认知的欠账，得自己还。消费者那边其实也在同步发生类似的事，用的人越来越多、信的人越来越少讲的是同一枚硬币的另一面。

从今天起，先做哪三件事最划算？

不用等任何人，这周就能开工：

1. 重写渠道分类规则，把AI来路从直接流量那个垃圾桶里捞出来，并在报表上标明这是下限。这件事投入最小，认知收益最大。
2. 设计一个最小的增量实验，哪怕只是锁定二三十个提问、做一轮内容改动前后对比。跑过一次，你对这套东西的理解会跟没跑过的人拉开距离。
3. 在下单成功页加上自报归因字段，选项里单列AI助手。成本几乎为零，而它是唯一能照进暗漏斗的那束光。

三件事都不需要平台点头，也不需要采购预算。等那份永远不会来的报表，反而是这三件事里最贵的一个选项——它花的是时间。

常见问题解答

AI搜索的归因数据，以后真的完全不会开放吗？

完整的、免费的、给自然流量运营者的那种，基本不会。付费的那种正在到来，它会以广告产品的形式出现，绑定广告账户。判断依据不是猜测，而是各家已经公开的产品结构：广告侧的转化回传体系已经建好上线，自然侧连路线图上都看不到对应的东西。

那些声称能提供AI归因的工具，是不是全都在骗人？

不是。区别在于它们闭环用的是什么数据。靠第一方数据的产品是真的，能把引荐这一层看清楚，只是覆盖范围有限；暗示数据来自模型公司内部的，要么是把来路识别包装了一下，要么就是不实陈述，因为那个数据源并不对第三方开放。

引荐、增量、影响这三层，如果只能做一层该做哪层？

先做引荐层。它成本最低、见效最快，而且是另外两层的基础——分类规则不准，后面的实验和相关性分析全都建在流沙上。做完引荐层再补增量实验，影响层放最后。

为什么同样是AI流量，有的研究说转化极好，有的说很一般？

因为在数不同的动作。测注册这类低承诺动作时，AI引荐访客的表现会非常突出；测掏钱下单时，优势就收窄很多。再加上样本站型不同，发行商和电商站本来就不可比。看到这类数字先问三句：测的什么事件、样本是什么站、时间窗多长。

AI引荐流量占比这么低，现在投入是不是太早了？

占比低和值不值得做是两个问题。判断依据应该是这个入口的成长曲线、进来的人的质量，以及现在占位的成本。目前的情况是流量小、增速快、进来的人意图强，而且占位成本比它成熟之后要低。真正该避免的是把它当主渠道汇报，那才是自找麻烦。

没有多个市场可以做地理留出，还能怎么证明增量？

可以用开关式测试，同一批页面做一段停一段再做，看指标是否跟着起落；也可以锁定一组固定提问，在内容改动前后各测一轮。后者最轻便，但要记住它只能证明AI答案里的出现率变了，证不到营收，汇报时别把这两件事混着说。

自报归因字段用户会认真填吗？数据能信吗？

会有人乱填、记错、随手点第一项，所以它不是精确数据。但它是唯一能捕捉到未点击接触的方式，方向性的价值远大于精度。用法是看趋势和结构，不要拿单月的绝对值去做除法。

把AI渠道的订单直接汇报成“AI带来的营收”，问题出在哪？

问题在于那批人里有相当一部分本来就会买。归因回答的是“这单经由哪条路进来”，增量回答的是“有没有因此多出生意”，只有跑过对照实验才有资格用后一个说法。混用这两个词，是这个行业最容易在半年后被打脸的地方。

权威参考资料