截至11月7日的公开信息，今年双11的首轮数据给出了一个不太热闹的信号：首轮成交同比只增2.4%，国补覆盖的三大品类份额全线下滑，增量转由食品饮料、个护美妆这类非国补品类承接。平台侧的应对是把规则做简单，跨店满减与定金预售基本退出，改成官方立减与现货直发。与此同时，另一组数字在往反方向走——京东AI硬件销量翻倍、人形机器人增长7倍，天猫淘宝Token充值首日环比增长450%。同一个大促里，实物商品的增速在放缓，AI相关的入口却在加速。对品牌来说，这不只是品类轮动，而是流量入口的位置在挪。
入口从搜索页挪到回答里
入口变化最直接的证据不是成交额，而是提问方式。过去消费者在搜索框里输入「羽绒服 女」，得到的是一页商品；现在他们把「通勤穿、零下五度、预算八百」整句话交给AI，得到的是一段带推荐理由的回答。前者比的是出价与销量权重，后者比的是谁被引用、谁被描述准确、谁被列进候选。同一笔预算，投在前者买的是位置，投在后者买的是资格。
这解释了为什么大促增速放缓时，AI相关的投入反而在加码。当货架位的边际产出下降，品牌会把预算挪到还没被充分定价的入口上。问题在于，AI入口的度量体系还没有和货架位对齐，很多团队只能用「被提到几次」来汇报，结果在预算会上说服力不足。
四个指标要分开看
行业里已经有一套相对通用的口径，把AI可见度拆成推荐率、前三推荐率、优先推荐率与品牌力四项。推荐率是品牌在限定问题的回答中被提及的比例；前三推荐率是进入回答前三位提及的比例；优先推荐率是排在第一位被提及的比例；品牌力则把前三项与平均排名加权成一个综合分。四项分开看，才能判断问题出在覆盖、位置还是表述。
| 指标 | 看什么 | 对应的动作 |
|---|---|---|
| 推荐率 | 限定问题集中被提及的比例 | 补齐品类问题覆盖，先解决有没有 |
| 前三推荐率 | 进入回答前三位的比例 | 强化对比型内容与第三方评测引用 |
| 优先推荐率 | 排在第一位被提及的比例 | 争夺场景定义权，把使用条件写清楚 |
| 品牌力 | 提及、位次与平均排名的加权分 | 用于季度汇报，不用于单次优化决策 |
问题库比对答更重要
四项指标都建立在同一批问题上，问题库不稳，指标就不可比。建议按品类、场景、决策阶段三层建立问题清单，每期只新增少量问题而不删旧问题。这样一来，回答的变化才能归因到内容动作，而不是归因到提问方式变了。对正在做大促复盘的品牌来说，这一步尤其关键：大促期间的问题分布与平时差别很大，用平时的题库去测大促，结论一定失真。
大促期要单独建一套题库
大促期的提问有三个特征：时间紧、比价强、条件多。消费者会问「现在买还是等黑五」「这款和那款哪个更划算」「有没有现货当天发」，这些问题在平时几乎不会出现，但在大促期间会集中爆发。如果题库不覆盖这些问法，品牌在大促期间的可见度数据会系统性偏低，看起来像退步，其实只是没被测到。
更实际的做法是把大促题库单列一组，与日常题库并行监测。日常题库看长期趋势，大促题库看当期占位。两套数据不要混在一起算总分，否则每年大促都会出现一次无法解释的波动。
时效比提及更容易失分
另一个容易被忽略的点是时效。大促期间价格与库存一天一变，AI回答引用的信息如果停留在三天前，就会出现「回答说有货、点进去已售罄」的错位。这种错位对转化的伤害比不被提及更大，因为它消耗的是信任。监测时把「回答与当前事实是否一致」单独记一项，比只看提及次数有用得多。
落地顺序
按这个顺序做，大促结束时不只有一张成交报表，还有一份可以带进下一次大促的入口占位报告。对增速放缓的品类来说，后者往往比前者更能解释问题出在哪。
最后需要提醒的是预期管理。AI回答的分布变化很快，同一批问题在不同平台的回答结构差异也很大，单次采集的结论不宜直接当成趋势。把采集频率提上去、把时间戳留住，比一次性做一次大规模测评更接近真实。
常见问题
AI可见度为什么要拆成四个指标？
因为被提到、被排在前面、被排在第一位是三件不同的事，投入方向也不同。混成一个总分，团队无法判断问题出在覆盖、位次还是表述，也无法把预算分配到正确的环节。
大促期间的问题库要和平时分开吗？
要。大促期的提问集中在比价、时效与现货条件上，用日常题库测量会系统性低估当期可见度，建议单列一组大促题库并行监测。
回答与事实不一致为什么要单独记？
大促期间价格与库存一天一变，AI回答引用旧信息会造成「说有货却已售罄」的错位，这种错位消耗信任，对转化的伤害比不被提及更大。
