截至 11 月 8 日的公开信息，DoorDash 于 10 月 29 日宣布以每股 65 美元、总价约 170 亿美元收购商超配送与零售技术平台 Instacart，交易对价至少 75 percent 以现金支付，预计 2027 年底或 2028 年上半年完成；Instacart 目前与超过 2200 个零售品牌合作、覆盖近 10 万家门店，2026 年第三季度平台交易总额 105.28 亿美元、同比增长 15 percent联商网：美国外卖一哥170亿美元收购商超配送巨头Instacart。对做 AI 搜索监测的团队来说，这桩交易提出了一个很实际的问题：当 AI 回答说「三公里内可以送达」时，这个结论依据的是哪一层覆盖数据。
能送到与有货，是两个不同的数据层
覆盖数据分三层：平台能服务的门店、门店支持线上订单、以及该门店此刻是否有这件商品。AI 回答往往停在前两层，因为它能抓到的公开信息就是这些。第三层需要实时库存，通常不在公开页面上。于是出现一种常见错误：回答确定地说「附近可以买到」，用户点开却发现缺货。
平台整合会让覆盖数据变得更集中
作为参照，中国市场目前主要剩下京东到家、美团闪购与淘宝闪购三家平台，它们最早的形态都是把商超、便利店、生鲜店的供给线上化，再基于门店发货做小时级配送网易：下一站 即时零售整合。平台越集中，AI 回答可引用的覆盖数据来源就越少，单一来源出错时的影响面也越大。
门店数是最容易被引用的数字
在各类事实里，门店数量最容易被引用，因为它简单、可比较、看起来权威。但它也是最容易过期的数字：门店在开、在关、在改造，覆盖范围每个季度都在变。监测里如果只核对品牌名是否出现，不核对门店数与覆盖城市，就会漏掉这一类错误。
回答准确性要按事实字段核
把「品牌被提到」当成目标，是把监测做成了曝光统计。更有价值的目标是「品牌被准确描述」：回答里出现的门店数、覆盖城市、配送时效、服务能力，是否与事实源一致。四类字段里，前两类变化最快，后两类最容易被写成模糊表述。
| 事实字段 | 典型错误 | 核对方式 |
|---|---|---|
| 门店数量 | 沿用上一年数据 | 与最新披露数据比对 |
| 覆盖城市 | 把签约城市当作已开业 | 核对开业时间与城市清单 |
| 配送时效 | 把最快时效当作平均时效 | 核对时效分布而非极值 |
| 服务能力 | 把个别门店服务写成全国可用 | 核对这些服务的门店覆盖比例 |
四类错误里，第二类最隐蔽。「覆盖 300 个城市」与「在 300 个城市有门店」是两个意思，但在回答里常被写成同一句。品牌如果只在官网写覆盖城市数，而不说明其中多少是已开业门店，AI 回答就有很大概率把它写成更强的表述。
监测怎么做才看得出问题
监测的设计要围绕可复现。同一组问题、同一批平台、同一时间窗口，重复提问并记录回答中的事实字段，才能看出偏差是偶发还是系统性。只做一次抽样，得到的结论往往只是当天的抓取结果。
问题要覆盖三类场景
「附近有没有门店」「能不能送到」「有没有货」是三类不同的问题，分别对应覆盖、配送与库存。三类问题的回答依据不同，缺口也不同。把三类混成一个问题，得到的答案通常只反映第一类。
差异要按原因归因
发现偏差之后，先归因再修。数据过期、口径不同、转述损耗是三种常见原因，修法分别是更新事实源、统一定义、补全限定语。归因不清就改页面，往往改完之后偏差仍在，因为问题出在别处。
核对清单要补的三列
把平台覆盖纳入监测，需要在原有表上补三列。补完之后，报告能同时回答「有没有被提到」与「说得对不对」。
三列之中，第二列的「时间限定」最容易被省略。回答写「约 5000 家门店」与写「截至 9 月末 4807 家」，对读者的意义完全不同。监测如果只记录数字，就会把两类表述当成一致的，从而漏掉最需要修的那一类。
常见问题
为什么 AI 会说能送却缺货？
覆盖数据分三层：平台能服务的门店、门店支持线上订单、门店此刻是否有货。回答通常停在前两层，实时库存不在公开页面上。
平台整合对监测有什么影响？
平台越集中，可引用的覆盖数据来源越少，单一来源出错时影响面越大，监测需要增加交叉核对。
最容易出错的事实字段是哪个？
覆盖城市。「覆盖 300 个城市」与「在 300 个城市有门店」是两个意思，回答里常被写成同一句。品牌页面上的这句表述往往正是 AI 回答的引用来源，写法会直接决定结果，因此要按可核验的口径统一。
偏差怎么归因？
先分原因再修：数据过期要更新事实源，口径不同要统一定义，转述损耗要补全限定语。归因不清就改页面，往往改完偏差仍在。
