截至11月9日的公开信息，美团医药健康在进博会期间联合十余家全球药企与头部连锁药店成立新特药首发联盟，覆盖一百多家连锁品牌、超5万家门店，85家连锁将开设创新药绿色通道。同一时间，平台已覆盖全国超25万家连锁药店、累计服务超4亿用户。当患者开始把用药问题交给AI问答，品牌在答案里的位置就不再由货架决定，而由模型检索到什么、引用谁决定。
患者的问题已经从搜症状变成问渠道
用药类提问有一条清晰的链路：这是什么病、有什么药、哪个更适合我、去哪买、能不能报销。前三个问题考验的是内容，后两个考验的是渠道信息。AI回答最容易出错的地方恰恰在后两个——药品说明可以抄，门店与医保信息必须靠实时数据。新特药首发联盟的公开信息把供给侧的规模说得很清楚：一百多家连锁、超5万家门店、85家绿色通道。规模越大，AI答案与真实供给之间的偏差越容易被放大。
| 问题类型 | 用户真正要的答案 | AI回答常见的问题 |
|---|---|---|
| 这是什么药 | 适应症与作用机制 | 抄说明书，缺少适用人群边界 |
| 哪个更适合 | 对比与禁忌 | 把不同适应症的药并列推荐 |
| 去哪买 | 城市与门店 | 给全国性平台名，不给具体门店 |
| 能不能报销 | 医保与自付比例 | 沿用旧政策，未标注生效时间 |
| 多久能到 | 履约时效 | 给平均值，不分城市 |
这就是可见度问题的新形态。过去品牌关心的是自己在搜索结果里排第几，现在要关心模型在回答购药问题时提不提自己、提的是哪家门店、引用的是官网还是三年前的旧文章。
品牌可见度和门店可见度是两件事
品牌可见度衡量的是模型在品类问题里提不提你，门店可见度衡量的是模型在渠道问题里能不能指向具体门店。前者靠内容与信源，后者靠结构化数据与接口。很多药企只做前者，结果是被提到却不能被买到——用户看到了品牌，还是不知道该去哪个城市的哪家店。
两层可见度的监测方法也不同。品牌层用问题库采样，看提及率与推荐位次；门店层要用带城市与门店名的问句，看答案里的门店是否真实存在、是否在营业、是否有货。两层混在一张报表里，结论一定是错的。
- 品牌层品类问题里的提及率与推荐位次。
- 门店层渠道问题里的门店准确性、营业状态与库存。
- 信源层引用域名按平台页、官网、媒体三类归档。
引用来源决定渠道答案稳不稳
AI回答购药渠道时，引用的通常是三类信源：平台自己的门店页、品牌官网、以及媒体或科普内容。前两类能保证信息新，第三类容易过时。监测时把引用域名按这三类归档，比统计总提及率更能预测答案的稳定性。
城市维度不能全省略
同一个问题在北京和在一个地级市，正确答案完全不同。如果采样只覆盖一线城市，得到的可见度对区域市场没有意义。可行的做法是按城市层级抽样，省会与地级市各取若干，把答案差异当成一个独立指标来跟踪。
供给规模越大 答案越要对得上
行业背景也在推着这件事往前走。经济日报的三季报解析提到，前三季度网上商品和服务零售额同比增长4.4%，限额以上仓储会员店零售额增长超25%；平台侧每天中午12点有超100万个实体营业点位在营业。点位密度上来之后，用户对去哪买的答案预期也随之提高。这篇分析强调的增量来自上了更多好商品，而好商品被看见的前提，是答案里能准确指向它。
对药企与连锁来说，最务实的动作不是追热点，而是把官网、店铺页、平台门店页三处的名称、地址、营业时间、医保信息统一成一套。AI能不能答对，首先取决于这三处是不是同一个说法。
按购药链路拆问题库
问题库不需要很大，但必须覆盖链路。每个品种准备一组问题，从适应症到渠道、从价格到时效，逐条记录答案与引用。复测时只比较共同问句与共同平台，新增问句单独归类，这样变化才能归因。
常见问题
为什么购药渠道的AI答案更容易出错？
药品说明可以照抄，门店与医保信息必须依赖实时数据。模型检索到的往往是全国性平台名或旧政策，缺少具体城市与门店的当前状态，所以答案看似完整，实际不可执行。
品牌可见度和门店可见度要分开监测吗？
要分开。品牌层看品类问题里的提及率与推荐位次，门店层看渠道问题里的门店准确性、营业状态与库存。两层用同一张报表会让结论互相掩盖。
引用来源为什么要分类归档？
AI回答渠道问题时引用的信源决定答案的新旧。平台门店页与品牌官网通常较新，媒体与科普内容容易过时。按这三类归档，比统计总提及率更能预测答案稳定性。
采样为什么要覆盖不同城市层级？
同一个问题在一线城市与地级市的正确答案不同。只采一线会高估全国可见度，按城市层级抽样并把差异单列，才能看出区域市场的真实缺口。
