截至 11 月 9 日的公开信息，今年双 11 的 AI 购物助手进入第二个年头，澎湃新闻的复盘却指出一个结构性错位：平台的 AI 布局集中在种草与查信息，消费者的痛点却集中在比价与下单；有技术人员直言，跨平台比价在技术上并不难，难在平台没有动力把交易导出去。对负责品牌在 AI 回答里被怎么写的团队，这意味着回答中的价格表述与引用来源，正在成为一块需要单独监测的空白。
AI 助手把力气花在种草，不在比价
把消费者的网购流程拆成五段，也就是种草、查信息、比价、下单、复购，就能看清投入的分布。各平台的 AI 功能大多压在前两段：帮你找到商品、帮你读懂参数、帮你生成清单。真正让人犹豫的第三段，也就是把同一件商品在多个平台的价格摆在一起，至今没有哪家做成默认能力。能力缺口与需求缺口不在同一个位置，这是本轮 AI 购物最值得记录的事实。
三条路线，三种人机边界
报道给出的分化很清楚：淘宝千问试图做独立的交易 Agent 入口，京东选择在原有自营货架之上叠加 AI 辅助，抖音把 AI 和内容直播生态糅在一起。三条路线其实在测试同一件事，就是在不同流量结构下用户愿意把多少判断交给机器。对品牌来说，这也决定了它在不同平台被 AI 提及的方式完全不同，同一套内容很难在三个入口里获得同样的呈现。
比价的动力冲突
技术人员那句话值得记下来：技术上实现跨平台比价并不难，难点在于平台做 AI 的动力是把交易留在自己锅里，而消费者要的是购物最优解。这不是能力问题，是激励问题。只要这个冲突存在，AI 回答里的价格信息就会天然偏向站内，品牌看到的 AI 说我家贵，很可能只是采样范围的问题，而不是市场真实的价格位置。
品牌该监测的不是排名，是表述与出处
多数团队做 AI 可见度监测，第一反应是看品牌有没有被提到、排在第几位。但这次双 11 暴露的问题在更细的一层：AI 回答里关于价格的描述是否成立，引用的又是谁的说法。一个被提及却带着错误价格区间的回答，比不被提及更糟，因为它会直接把消费者挡在下单之前。
| 监测项 | 观察什么 | 为什么重要 |
|---|---|---|
| 品牌提及率 | 同一问句下是否被点名 | 决定能否进入候选集 |
| 引用来源 | 回答引用了哪家媒体或页面 | 决定描述由谁定义 |
| 价格表述 | 是否出现到手价与促销条件 | 决定消费者的价格预期 |
| 竞品占位 | 同问句下竞品出现顺序 | 决定对比格局 |
这四项要放进同一个问题库才有效。做法是先按购买决策路径写问题，比如某品类怎么选、某价位有什么推荐、某品牌和某品牌差在哪，再固定问句、固定平台、固定采样次数，逐轮记录回答原文与引用链接。单次截图不能当基线，因为 AI 回答会随会话上下文和模型版本变化，同一问句隔一天问，结果可能完全不同。
还有一个容易忽略的口径问题：不同平台给引用来源的展示方式不一样，有的直接列链接，有的只在正文里点名机构。监测时要把可点击的引用与文中提及分开记录，否则会把提及当成引用，高估自己的信源覆盖率。这个区别在做竞品对比时尤其致命，因为竞品的自然提及往往比自己的可点击引用更多。
把未证实留在回答之外
平台的 AI 集中在种草，意味着回答里的推荐理由大量来自内容与评价，而不是品牌官方信息。当消费者问这个牌子双 11 便宜吗，AI 很可能引用一条过期的促销帖，给出一个早已失效的价格。品牌无法直接改写 AI 的回答，但可以让自己可被引用的结构化事实更完整，官方价格页、活动规则页、参数页，这些才是模型愿意引用的稳定信源。
证据边界需要说清楚：目前没有任何平台公开 AI 回答的生成逻辑与信源权重，因此所有关于为什么引用它不引用我的解释都只是假设。可行的做法是把假设变成可检验的对照，同一批问题，在补齐官方页面前后各跑一轮监测，看引用来源占比有没有变化，而不是凭感觉判断优化是否生效。这也决定了 GEO 项目的汇报口径：讲监测到的变化，不讲无法验证的因果。
把问题库跑起来
监测的价值不在第一轮的数字，而在第二轮能不能解释变化。下面的动作按顺序执行，每一步都对应一个可留存的证据，避免把 AI 好像提到我们了当成结论。
常见问题
GEO 和 SEO 有什么区别？
SEO 争的是搜索结果页的排位，GEO 争的是 AI 回答里的被提及、被描述与被引用。前者看点击，后者看回答中的表述与引用来源。两者的内容基础相通，但考核指标不同。
AI 回答里的引用来源怎么查？
分两类记录：一类是可点击的链接，直接抓取域名；另一类是文中点名的机构或媒体，需要人工判读。同一问句多次采样后，按来源类型统计占比，比单次截图可靠得多。
多平台可见度怎么对比？
必须固定问句与采样次数。每个平台用同一套问题库，各采样三次以上，再比较品牌提及率与引用来源结构。跨平台直接比绝对值意义不大，比结构差异更有信息量。
优化后多久能看到变化？
没有公开的更新周期，取决于模型版本与抓取节奏。实践上以四周为一个观察窗口比较稳妥，同一问题库重复采样，看引用来源占比是否出现方向性变化，而不是等一次突变。
