截至 11 月 7 日的公开信息，蚂蚁集团旗下 AI 助手灵光在 11 月 5 日披露最新数据：自 10 月 27 日灵光 2.0 上线，一周内帮助用户管理超过 116 万项事务、执行超过 360 万次任务，用户规模突破 2000 万。灵光 2.0 推出「帮我管」功能，在用户授权后主动识别需求并发起分析、监测与跟进；依托独立云主机，任务可以在用户退出对话后继续运行。截至 11 月 3 日，灵光已连接支付宝、钉钉、飞书、微信读书、哈啰出行、邮箱、麦当劳等 40 项外部连接器。对负责品牌 AI 可见度的团队来说，这条消息的关键是 AI 助手开始替用户「管理事务」，而不只是回答问题。
十月二十七日上线的帮我管 一周管了116万项事务
116 万项事务、360 万次任务，这两个数字描述的不是问答次数，而是被托付的执行动作。用户把「提醒我续费」「盯着机票价格」「到期前提醒我换滤芯」这类事交给 AI，AI 需要持续读取状态、判断节点、主动触达。这比一次问答更接近真实的消费决策链条。
连接器清单里出现麦当劳，是一个值得注意的信号。当品牌服务被接入 AI 助手，用户的点单、查券、找门店都可能发生在对话里，而不是在品牌自己的 App 里。入口迁移之后，品牌在 AI 回答里是否被优先调用、以什么描述被调用，就变成了新的可见度问题。
从任务执行到事务管理 品牌的曝光位挪了地方
提醒类场景里的品牌顺位
事务管理的核心是「在正确的时间提醒正确的事」。当用户设置「每月提醒我买猫粮」，AI 在提醒时推荐哪个品牌、引用哪条评测、比较哪几个选项，直接决定了这次曝光的归属。这类场景过去属于搜索与推荐位，现在归属于答案生成逻辑。
验证难度比问答更高
问答可以复现：同一个问题问十次，看答案里的品牌分布。事务管理难以复现，因为触发依赖用户授权与时间节点。品牌想监测这类场景，只能通过构造测试账号与模拟任务来做近似观察，结论的置信度天然低于问答采样，需要更明确地标注证据边界。
可见度监测要补两类新样本
如果只按问答采样，会漏掉事务管理这类入口。补样本的方向有两个：一是接入型场景，即品牌服务被 AI 助手调用时的展示形态；二是提醒型场景，即 AI 在节点提醒中给出的选项排序。两类样本都需要固定任务脚本，才能做纵向比较。
| 样本类型 | 怎么构造 | 看什么 |
|---|---|---|
| 问答型 | 固定问题库 | 提及与引用 |
| 接入型 | 模拟调用品牌服务 | 展示描述是否准确 |
| 提醒型 | 设定节点任务 | 推荐顺位与理由 |
三类样本里，接入型的可控性最好，因为调用动作由脚本触发，返回结果稳定；提醒型最不稳定，受时间与账号状态影响。建议先把接入型做成固定监测项，再用提醒型做补充观察，避免用不稳定样本得出过度结论。
对品牌GEO安排的实际含义
AI 助手用户破 2000 万，意味着品牌不能再假设「用户会主动搜我」。当决策被拆成一系列被托付的小事务，品牌需要在每一个节点上准备好可被调用的信息：门店位置、库存状态、券的有效期、退换规则。这些信息如果不结构化，AI 即使想调用也取不到。
另一个现实约束是数据可得性。平台披露的是用户规模与任务量，没有公开品牌在提醒场景中的曝光分布。品牌在做基线时，应把「已确认的入口变化」与「推测的曝光机制」分开记录，前者用于调整内容结构，后者用于设计监测方案，不要混为一谈。
常见问题
灵光这次披露了哪些数据？
灵光 2.0 于 10 月 27 日上线，一周内管理超 116 万项事务、执行超 360 万次任务，用户突破 2000 万，已连接 40 项外部连接器。
事务管理型 AI 为什么影响品牌可见度？
决策被拆成被托付的小事务，AI 在提醒与调用时选择哪个品牌、引用哪条内容，直接决定曝光归属。
这类场景怎么监测？
构造三类样本：固定问题库做问答采样、脚本模拟服务调用、设定节点任务观察提醒顺位，并标注各自置信度。
品牌该先准备什么？
把门店、库存、券有效期、退换规则等结构化，确保 AI 调用时能取到准确信息，再谈优化。
