79.4% 的下单前咨询发生在 AI 里，而 AI 购物工具的 7 日留存不足 15%、30 日留存只有 3%。两个数字放在一起，问题就很清楚了：用户愿意问 AI，但不愿意一直用同一个 AI 买东西。新蓝网 按 11 月 10 日的公开报道，这份消费意愿调查还提到，AI 对购物决策的影响力首次超过传统媒体广告。对做 GEO 的团队来说，这意味着可见度这件事要拆成两段来看：被 AI 提到是一段，被用户采信是另一段，中间隔着一次真实的成交。
可见度和成交之间隔着什么
第一段是曝光，第二段是信任。AI 回答里出现一次品牌名，只能说明内容被检索到；用户是否据此下单，取决于回答有没有给出可核验的细节：规格、价格区间、适用场景、真实评价。澳门日报 转述的报道提到，今年双 11 京东上线升级版 AI 购物助手，能识别模糊指令、自动拆解需求；阿里把千问与淘宝打通，支持 AI 辅助的一键试穿。工具越聪明，回答里的细节密度就越决定转化。
第三段是习惯。留存数据说明大部分用户还没有把 AI 当作固定的购物入口，他们会在不同入口之间跳。对品牌来说，这意味着单平台的可见度数字不能直接外推成市场份额：在 A 平台被引用，不等于在 B 平台也被引用，更不等于用户在两个平台都看到同一个说法。
入口越多，口径越要拆开
现在的主流入口至少有四类：独立 AI 应用、电商站内的 AI 助手、手机厂商的智能体、以及浏览器与搜索的 AI 摘要。四类的检索范围与答案结构都不同，把它们的引用率混在一起算一个平均数，等于把噪音当信号。可行的做法是按入口分层记录三个指标：是否被提及、提及时的表述是否准确、是否带出可点击的商品或官网链接。
表述准确性最容易被忽略，也最容易修。模型把品牌归到错误品类、把旧款当新款、把促销价当日常价，这类错误在分层记录里一目了然，改起来也最快——补官网结构化信息、统一商品命名、把价格与库存做成可抓取的字段，通常一两周就能看到变化。
把 AI 可见度做成可复核的三层
| 层级 | 看什么指标 | 怎么复核 |
|---|---|---|
| 曝光层 | 问题集里的提及率 | 同题重复提问，统计比例 |
| 准确层 | 表述与事实的一致率 | 抽样人工核对字段 |
| 承接层 | 引用链接的点击与转化 | 落地页与商品页埋点 |
三层里，曝光层最容易做也最容易被高估。只要问题集设计得宽，提及率总能做上去；但提及率高、准确率低的组合，对成交是负贡献，因为用户看到的是错误信息。把准确层单独拉出来考核，能避免团队为了数字好看而堆内容。上海证券报 的报道提到，今年双 11 商家端的 AI 工具已从单环节应用升级为贯穿选品、上架、投放、库存、售后的全栈代理，这意味着品牌侧的内容供给量会快速膨胀，准确层的差距会被放大。
承接层是最终检验。AI 回答里给出的链接如果指向一个信息不全的商品页，转化会在最后一步流失；反过来，链接指向的页面如果能回答「适不适合我」，即使用户这次没买，下次还会回来。这一层的指标不该只看点击率，还要看点击后的停留与加购。
留存低不是坏消息
7 日留存不足 15% 常被解读为 AI 购物不成立，换个角度看更像早期特征。搜索当年也经历过「用完即走」，真正把用户留下来的是结果稳定；AI 购物目前的不稳定来自模型版本、入口策略与商品数据的频繁变化，三者稳定之后留存才会稳。品牌的准备动作不该等留存起来再做。
更实际的判断是看结构而不是总量。如果咨询集中在比价与参数对比，说明用户把 AI 当工具，品牌要保证参数与价格的可抓取；如果咨询集中在「买哪个好」，说明用户把 AI 当顾问，品牌要保证评价与场景描述的可引用。两类需求的优化动作完全不同。
下一季度该盯的三件事
第一件是问题集的版本管理。同一批问题、同一套口径、同一组入口，每次跑批记录模型版本与日期，才能看出是内容变差还是模型换代。第二件是错误信息的修复时效，从发现到官网页更新用了几天，这个数字比提及率更能反映团队能力。第三件是承接页的完整度，商品页能否回答规格、适配、价格与售后四个问题。
三件事都不新，但在 AI 入口快速增加的阶段，它们的边际收益最高。可见度不是一次投放的结果，而是一套可复核的记录；记录做得越细，下一次模型换代时的损失就越小。
常见问题
AI 提及率高但不成交，问题出在哪？
多半在准确层与承接层：回答里的信息有误，或引用链接指向的商品页信息不全，用户走到最后一步流失。
为什么要按入口分层看可见度？
独立应用、站内助手、手机智能体与搜索摘要的检索范围和答案结构不同，混算平均值会把噪音当成信号。
AI 购物留存低，品牌还要投入吗？
要，但要投在可复核的部分：结构化商品信息、统一命名、价格与库存字段，这些在留存起来之后直接复用。
这套判断的边界在哪里？
依据 11 月 10 日公开报道与调研数据，样本口径与分品类差异未披露，结论偏方法层面。
