AI 购物入口的曝光在涨，留下来的人却在减少。11 月 9 日公开的一组渠道数据里，AI 购物工具的 7 日留存不足 15%，30 日留存只有约 3%，同期豆包月活已突破 4 亿渠道观察。这组反差对做 AI 搜索可见度的人是一个提醒：被 AI 提到、被 AI 推荐、被用户记住，是三件不同的事。留存曲线与引用曲线并不重合，前者看入口好不好用，后者看事实够不够硬。以下判断，以 11 月 9 日公开的信息为界。
可见度到成交 中间有三道断点
第一道断点在采集。AI 回答问题时先找可引用的实体与事实，名称、规格、价格、服务承诺如果散落在图片和长文里，就没法被抽取。第二道断点在匹配。用户问的是场景，模型要把它翻译成参数，再去找商品卡；标题里没有品类词，商品卡就出不来。第三道断点在留存。用户拿到答案后是否还会回来，取决于这个入口有没有解决他的问题，而不是取决于品牌投了多少内容。三道断点里，前两道品牌能改，第三道只能靠体验慢慢攒。把三道断点放在一条链上看，品牌能控制的其实只有中段：事实是否可抽取、商品是否能被匹配。所以做可见度复盘时，先把中段的两个环节量化，再谈入口的留存表现，顺序才站得住。
被提及不等于被引用
品牌在 AI 回答里出现，可能来自模型自身的训练记忆，也可能来自实时检索到的第三方内容。前者不可控，后者可控但需要证据。做可见度监测时，如果只统计“是否提到品牌”，会把两种完全不同的来源混在一起，后续的优化动作就无从下手。把提及与引用分开记录，才知道该补官网事实、还是该补第三方报道。
三个可测的中间指标
| 指标 | 定义 | 用途 |
|---|---|---|
| 进栏率 | 同题回答中出现本品牌的比例 | 判断是否进入候选集 |
| 引用域名结构 | 被引用来源中自有与第三方的占比 | 判断证据来自哪里 |
| 表述一致率 | 回答中的参数与官方口径一致的比例 | 判断事实有没有被写错 |
三个指标里，表述一致率最容易被跳过，却最影响转化。参数写错一次，用户拿着错误预期下单，退货与差评就会跟着来。AI 渠道退货率比货架电商低，一部分原因就是需求描述更具体，落差更小；一旦事实被写错，这个优势会立刻消失。所以做内容优化之前，先把事实底稿对齐，是性价比最高的一步。
问题库要按场景建 不按关键词建
按关键词建问题库，得到的是“某品类哪个好”这类泛问；按场景建，得到的才是用户真实会问的话。同一条需求，在 AI 入口里的问法通常是“给经常出差的人推荐一款轻便的行李箱”，而不是“行李箱推荐”。场景化的提示词能把参数、预算、使用频率一起带出来，答案的差异也更容易被观察。问题库建错，后面所有监测都是在测一个不存在的问题。
把断点补齐的五步
下面五步适合品牌在下一轮可见度复盘前跑一遍，重点是把事实、匹配与留存分开测。顺序上先补事实，再补结构，最后才谈内容扩量。顺序反了，扩出来的内容也会被写成同一处错。
这套动作最难的地方不在采样，而在承认留存短期改不动。AI 购物入口的复访率低，说明用户还没有把它当成日常工具，这是产品阶段的问题，不是内容能解决的。品牌能做的，是确保用户第一次来时看到的信息是对的、完整的、能被验证的。剩下的，要等入口本身变得更好用。
常见问题
AI 入口留存低，还值得投入吗？
值得，但要调整预期。短期看的是被引用与表述准确，中期才看复访与成交。
怎么区分训练记忆和实时引用？
看回答是否给出来源链接，以及来源域名是否随时间变化。无来源的提及多为训练记忆。
结构化数据要全站做吗？
先做被高频提问的单品与品类页，全站铺开的边际收益递减。
表述错了怎么修？
先改官网与商品页的事实底稿，再补第三方报道中的正确表述，只改一处通常不够。
