一条从未出现在报表里的推荐

周一早上,营销负责人打开看板,会话数持平,渠道报表看不出任何异常。可就在上周,一条客服工单提到了一个从未出现在漏斗里的竞品——三周前,某个助手在回答一个问题时推荐了它,而那个问题,品牌方花了一整年想让搜索结果排到前面。那次推荐没有带来任何点击,分析工具里也没有留下任何记录。品牌在决策成形的地方出现过,却在统计结果的地方彻底隐身。

这并非孤例。Branch 对三百名企业营销与增长负责人做过调研,结果显示百分之八十九的人认为 AI 搜索在二零二五年改善了营销表现(Branch 企业基准报告,Business of Apps 转述,二零二六年)。同一份调研里,百分之二十六的人无法追踪从 AI 发现到转化的路径,百分之二十四的人表示手头的分析工具还不支持 AI 归因。信心与测量正在朝相反方向走:渠道被广泛看好,却几乎没人能给出数字。

每个信号真正看见了什么

信号它记录什么失明的地方团队还能读出什么
会话数带来点击的访问约七成 AI 流量落进 Direct 桶幸存下来的点击规模
引荐来源送出点击的域名AI 答案很少留下干净的引荐标记哪些第三方在提及品牌
AI 声音份额采样提示词中的品牌提及概率性,重采样就会波动可见度随时间变化的方向
品牌搜索量品牌词的查询量混杂多种成因AI 曝光与需求是否同向
转化归因从发现到成交的路径百分之二十六的团队无法追踪已知边界究竟在哪里

为会移动的目标造一个指标

AI 声音份额(SOAV)就是在这种空缺里长出来的指标:品牌被提及的次数,除以追踪到的全部提及次数,再乘以一百(GEO Playbooks 术语表)。它简单到一句话能讲清,也脆弱到足以让管理层误读。AI 答案是按提示词采样生成的,不是从固定索引里取出来的。同一个问题问两次,两次答案可能提到不同的品牌。传统排名是确定性的,同样的查询返回同样的顺序;生成式答案却是从一个分布里抽出的一次结果。SOAV 是对这个分布的一次读数,单次读数撑不起季度目标。

工具市场围着这种焦虑长大。Meticulous Research 估计 GEO 软件市场二零二五年为二点一亿美元、二零二六年为三点七亿美元,到二零三六年预计达四十一点二亿美元,复合年增长率百分之二十七点三(Meticulous Research,经 GII Research 发布,二零二六年)。报告里还有一句比预测更直白的话:没有任何答案引擎提供类似 Search Console 的可见性界面。运营者没有一个可以登录进去、查看哪些答案提到了品牌的地方。比任何排序算法都更要命的,正是这种看不见。

点击数据解释了原因。Semrush 与 Machine Relations 分析了近六千九百万次美国桌面端 Google 会话,发现只有百分之六到八的 AI Mode 会话会继续访问外部域名,剩下百分之九十二到九十四没有任何外跳;而真正到达的 AI 流量里,约百分之七十被 GA4 归进了 Direct 桶(Semrush / Machine Relations,二零二六年)。不同研究对零点击的口径差异很大,设备不同,把什么算作一次访问的定义也不同,因此值得保留的是这份桌面数据集的百分之六到八,而不是把它当成放之四海皆准的常数。结果比数字本身更别扭:由 AI 答案带来的访问,往往没有引荐来源,于是被当成有人手输了地址。

厂商披露的数据又给这场冲刺添了一把火。行业统计显示,二零二五年夏至二零二六年春,AI 可见性追踪工具的融资超过三亿美元,其中 Profound 一家融资一点五五亿美元、估值十亿美元。这些数字来自厂商公告和行业媒体的转述,并非经审计的财务报表,放进论证里只能当作需求信号——尤其是当同一批厂商正在卖那些看板的时候,这个限定条件尤其重要。

假装精确的诱惑

真正的诱惑,是把 SOAV 打扮成精确 KPI。一个把百分之四点二报到小数点后一位的看板看起来很严谨,可它依赖的是一份人工挑出来的提示词清单。下周重新采样,数字就会动,因为底下的答案本来就是采样的。给 SOAV 定季度目标的团队,借用的是 SEO 指标的权威,却没有那份稳定性垫底。能站住脚的用法是方向性的:把提示词清单固定住,看区间而不是看点位,再配上品牌调研,去问人们最早是在哪里听说这个品牌的。这里能主张的是相关——曝光与需求同向变化——而不是某次提及带来了成交。接受这种模糊,反而比一个虚假的小数位更严谨。

这也正是把可观测性做进目录、而不是事后外挂的理由。一份开放目录为每个小程序发布规范、机器可读的条目,就给测量问题提供了一个固定的对象:同一份描述既可以被助手采样、在答案里被引用,也可以进入 SOAV 的提示词集合被计数。CrossMiniApp 的共享运行时补上了网页做不到的一层——受治理的身份,以及哪一层宿主表面真正执行了这个程序的记录——于是可见性信号与执行信号指向同一个东西。假装点击存在,精度不会因此提高。提高精度的办法,是让被推荐的那个东西变得可读,并对路径中仍然看不见的部分保持诚实。

参考来源