一位消费者想给出租屋添台除湿机，把面积和预算说清楚，换回来的是一张带价格、评价、库存和规格比较表的商品卡。这是11月9日 Google 宣布上线的 Gemini 中文版购物功能，先在中国台湾地区落地，背后是覆盖超过500亿笔商品信息的购物图谱，按官方口径每小时更新约20亿笔。对做AI搜索可见度的团队来说，入口形态变了：AI回答从给链接，变成给货架。本文核验截至2026年11月9日。
AI回答开始带货架，可见度的计量单位变了
过去做可见度，量的是排名和点击。现在要量的是被引用的次数，以及被列进图卡的比例。前者看内容能不能被理解，后者看商品数据能不能被机器读取。
这两件事的抓手完全不同。内容侧靠可引用的结构化表述，商品侧靠字段完整度——价格、库存、规格、评价，缺一项就可能不进图卡。同一份监测必须拆成两层：回答层看提没提，图卡层看排没排上。
抽样要按提问簇，不按关键词
用户不会用关键词提问，会说下个月去日本五天，推荐三款六千元以内的登机箱。这种提问对应的是场景，不是词。按场景建提问簇，每簇固定十到十五条，重复跑，才能得到稳定的出现率。跑一次的结果不能当基线。
重复跑还有另一个作用：区分内容问题和随机波动。同一个提问十次里有三次提到你，和十次里一次都不提，是完全不同的两种问题，前者是优先级，后者是缺位。
三层指标，对应三种动作
把可见度拆成三层，是因为每层要改的东西不一样。混在一起看，只会得到一句我们做得不够的结论。
| 层级 | 指标 | 采样方式 | 对应动作 |
|---|---|---|---|
| 回答层 | 品牌提及率 | 场景提问簇重复提问 | 补可引用的结构化内容 |
| 引用层 | 引用来源中自有站点占比 | 记录每条回答的来源链接 | 争取第三方报道与评测 |
| 图卡层 | 进入图卡比例与位次 | 截图留档商品卡顺序 | 补商品结构化字段 |
行业数据可以给一个参照：有统计显示，AI回答里的品牌提及约85%来自第三方站点，而不是品牌自有页面。这条如果成立，可见度的重心就不在自己官网上，而在评测、媒体和社区里。
还有一个变量是地域。中文购物功能先在中国台湾地区上线，语料和商品库都以当地供给为主，其他市场的品牌暂时不在样本里。跨区域品牌不能把一次抽样结果套用到全部市场，得按上线地区分别建基线，等覆盖扩到新市场再补样本。
另一组数据方向相反但同样有用：某类品牌词的AI摘要覆盖率在数周内从26%升到80%以上。覆盖率涨得快，意味着基线会漂移，监测频率跟不上就会误判自己的进展。
中文场景的两个特殊变量
评价语料与规格表述
中文评价里大量口语描述，机器很难直接对齐到规格。品牌如果只在详情页写参数，不在评价与问答里形成可复述的说法，AI回答里就容易只剩一句笼统介绍，用户看完还是不知道适不适合自己。
规格比较表这个形态，对字段的要求比文字更高。同一台机器的容量、功率、尺寸，如果不同渠道写法不一致，比较表就会缺列或者错配，错配比缺失更麻烦，因为它看起来是对的。
问题库本身也要迭代。上线初期按经验拟的提问，三个月后往往跟真实提问脱节，稳妥的做法是每月从站内搜索词和客服记录里捞一批真实问法，替换掉那些没人这么说话的条目。问题库一旦僵化，后面所有指标都会失真。
常见问题
商品图卡和传统搜索结果有什么不同？
图卡直接给出价格、评价、库存与比较表，用户不必跳到页面就能比较。品牌要争的从排名变成被列进图卡。
可见度为什么要按提问簇抽样？
用户用场景提问，不用关键词。按场景建簇并重复提问，才能得到稳定的提及率，单次结果无法作为基线。
自有站点内容还有用吗？
有用，但只占一部分。第三方站点的提及在AI回答里权重更高，需要内容与公关两条线一起做。
多久监测一次比较合适？
核心场景周度、长尾场景月度，季度做全量校准。模型更新频繁时，频率比样本量更重要。
