截至 11 月 8 日的公开信息，11 月 2 日晚千问办公个人基础版会员月卡进入李佳琦直播间，原价 28 元、活动价 0.01 元、每个 ID 限购一份，开播约半小时累计售出近 10 万份，对应约 2 万亿 Token 的算力额度，整场计划发放 20 万亿。天猫在 9 月 3 日已上线“AI 空间站”Token 充值中心，智谱、MiniMax、阿里云百炼、千问办公、月之暗面、阶跃星辰等厂商陆续入驻。对做 AI 搜索可见度的团队，这件事的真正含义是：AI 不只出现在回答里，它开始出现在货架和入口上。
从卖口红到卖会员 入口的性质变了
口红是情绪消费，Token 是工具消费，两者的转化逻辑不同：前者靠现场氛围，后者靠能不能解决具体任务。当 AI 服务以会员卡的形式进入直播货架，它同时获得了两个身份——一个是商品，一个是入口。商品身份让它被比价，入口身份让它被反复打开。品牌在这两个身份里的竞争方式完全不同：商品比的是价格与权益，入口比的是谁能被默认选中。
被提及与被调用是两件事
在问答型 AI 里，品牌的暴露方式是“被提到”；在能执行任务的 AI 里，曝光方式是“被调用”。前者决定用户是否听说过你，后者决定用户是否真的用上你。会员卡卖出去之后，用户打开 AI 的频率上升，任务型提问随之增加，被调用的机会和风险同时放大：进入候选清单是机会，被竞品替代是风险。
品牌被 AI 提及 与 被 AI 带单 不是一件事
公开报道里有一个细节值得注意：用户用 AI 助手对比护肤品时，回答不仅列出优缺点，还附上购买链接，部分商品带 AI 专属补贴；同一款定妆喷雾，从 AI 入口跳转下单的价格低于直接进店。这说明 AI 已经开始影响成交路径，而不只是影响认知。对品牌来说，被写进回答是第一步，被放进可点击的路径里才是第二步。
| 场景 | 用户行为 | 品牌暴露位置 | 可监测指标 |
|---|---|---|---|
| 问答型 | 问“某品类怎么选” | 回答正文的提及与排序 | 提及率、推荐位次、引用来源 |
| 导购型 | 问“哪款更划算” | 回答里的链接与补贴 | 跳转率、带单占比、价格一致性 |
| 任务型 | 让 AI 直接下单或预约 | 可调用的服务清单 | 被调用率、候选位次、完成率 |
三类场景的监测口径必须分开。把问答型的提及率套到任务型场景上，会得出“曝光很好但转化没有”的错误结论，因为任务型场景里用户根本看不到回答，只看到结果。反过来，只盯任务型的调用量，又会漏掉品牌在解释环节被信任的程度，而那正是长期溢价的基础。
引用来源决定了可信度
AI 回答里的品牌描述来自它引用的信源。信源是官方页面、权威媒体还是论坛帖子，直接决定描述的准确度与稳定性。做可见度监测时，引用来源要单独统计：同一句描述在不同信源下可能完全相反，只有把来源与描述配对记录，才能判断偏差是模型问题还是信源问题。这一步做不到，优化就只能靠猜。
监测口径要加两个指标
第一个指标是候选位次。用户让 AI 办事时，模型会给出一份候选清单，排在第一位与被折叠在后面，实际被选中的概率差很多。第二个指标是执行成功率。品牌被调用之后，库存、价格、配送是否实时可用，决定这次调用是成交还是失败。这两个指标都不在传统的提及率体系里，却更接近生意。
单平台数据的天花板
现有 AI 购物助手的比价能力有明显边界：多数只能调取单一平台内部的价格信息，很难做到全网跨平台比对，用户看到的“最优方案”往往只是某个平台内的凑单组合。这意味着监测不能只在一个平台做样本，否则会把平台内的最优误当成市场的最优，得出偏离真实的结论。
问题库要按任务写
问题库不能只写“某品牌怎么样”，要写“某任务怎么做”。任务型提问包含约束条件：预算、时间、人数、地点、偏好。品牌能否被选中，取决于它能否满足这些约束，而不是它的声量有多大。问题库按任务组织，才能测出品牌在真实决策场景里的位置。
抽样方法也要跟着改。问答型场景可以逐条提问，任务型场景需要模拟完整流程，观察候选生成与执行结果。成本更高，但信息量更大：你不仅知道品牌有没有出现，还知道它在哪一步被筛掉。把这一步的记录沉淀下来，优化才有明确的着力点。
常见问题
AI 卖会员和 GEO 有什么关系？
关系在入口。会员卖出去意味着更多用户以任务方式使用 AI，品牌的曝光位置从回答正文扩展到候选清单与调用结果，可见度的口径必须跟着扩展。
AI 回答里提到品牌就够了？
不够。提到只解决认知，导购型与任务型场景还要求品牌出现在可点击路径与可调用清单里，否则认知无法转化成成交。
引用来源为什么要单独统计？
因为描述来自信源。信源不同，同一句描述可能完全相反，只有把来源与描述配对，才能判断偏差是模型问题还是信源问题。
单平台抽样会带来什么偏差？
会把平台内的最优误当成市场最优。现有 AI 助手多只能调取单一平台的价格，跨平台比对能力有限，样本必须覆盖多个入口才接近真实。
