AI 购物的变化速度并不像品牌所认为的那样快

AI 已迅速成为消费者进行产品调研的一部分。Adobe Analytics 发现，生成式 AI 工具带来的流量在 2025 年假日季相比前一年增长了 693.4%。一年之前，Adobe 发现 39% 的受访美国消费者已经使用生成式 AI 进行在线购物，其中产品调研和推荐是最常见的用途。

这些系统背后的科技公司已通过将购物功能直接嵌入其 AI 产品来作出响应。OpenAI 在 ChatGPT 中开发了购物研究功能，帮助消费者根据需求、偏好和预算比较产品。Google 使用 AI 生成产品推荐和购物洞察，而 Amazon 则扩展了其AI 购物助理，帮助消费者进行产品调研和选择。

随着 AI 在产品发现中的角色日益重要，品牌开始以过去只用于 Google 排名的强度关注这些推荐中的品牌出现情况。营销人员反复向 AI 模型提出相同的产品问题，记录出现的品牌并追踪这些结果的变化。

这种做法可能会让营销人员对 AI 购物实际变化的速度产生扭曲的认知。

如果对同一 AI 模型提出同一个问题十次，可能会得到十种不同的产品组合。某品牌在一次回答中位列第一，下一次位列第四，甚至在另一次中消失。如果营销人员将每一次回答都视为排名，这些结果会让人觉得其位置不断变化。

然而，生成模型的响应本身就存在变异性，营销人员需要在判断品牌是获得还是失去优势之前考虑这种波动性。更有价值的信号来自于在大量相关购物对话中持续出现的模式。

我们收集的约 3,300 条 AI 购物推荐趋势数据，涉及 186 种品牌、提示词和 AI 模型的组合，展示了这种差异。单个答案经常变化，而更广泛的推荐分布则保持得更加一致。

For marketers, the unit of measurement matters as much as the data itself.

更多查询会让 AI 购物显得更不稳定

搜索排名为营销人员提供了一种熟悉的数字可见性衡量方式。一个结果在特定时间点占据某个位置，营销人员可以将该位置与竞争对手进行比较。

AI 推荐需要不同的衡量方法，因为系统会围绕消费者的查询和上下文生成答案。例如，OpenAI 解释说，ChatGPT 的购物结果可以考虑用户的查询和上下文信息。Google 同样表示，其购物结果可以反映相关性、搜索词、先前活动和购物偏好。

因此，营销人员可以多次提出相同的笼统问题，却看到不同的产品浮现。

想象一下，一个跑鞋品牌在一次回答中位列第一，另一回答中位列第四，而在第三次中根本未出现。这三次观察会让该品牌的表现看起来不稳定。然而，在数百次相关对话中，同一品牌每周可能捕获大致相同比例的推荐。

随着营销人员提高监测频率，这一区别变得尤为重要。进行更多查询会产生更多观察，而更多观察又提供了更多看到正常波动的机会。因此，即使推荐的整体分布几乎不变，仪表盘也可能显得日益活跃。

营销人员需要足够的观察来判断这种变化是否持续。没有具代表性的样本，日常监测可能让他们去寻找与产品、营销或竞争地位变化几乎无关的解释。

其后果不仅限于报告。衡量结果驱动着营销人员在时间和资金上的投入决策。若一家公司把每一次日常波动都视为有意义，可能会在缺乏足够证据的情况下反复更改产品内容、调查竞争对手或重新分配营销资源。

营销人员需要界定何为有意义的变化

AI 购物衡量需要设定阈值，以告知营销人员何时值得进一步调查。

品牌在三次回答中消失并不能提供其整体表现的有力证据。如果同一品牌在数百次相关购物对话中失去推荐份额，并且这种下降持续数周，营销人员就有更充分的理由进行调查。

样本规模很重要，因为单个 AI 响应本身就存在变异性。时间也很关键，因为持续的模式比孤立的变化提供更多信息。营销人员应在使用推荐数据做决策前同时确定这两个因素。

模型本身也很关键。

一个品牌可能在 ChatGPT 中获得推荐份额提升，而在 Gemini 中表现保持稳定。若将这些观察合并为单一的 AI 可见度评分，可能会丢失关于变化发生位置的有价值信息。

不同的 AI 购物系统依赖不同的信息，并通过不同的产品体验运作。OpenAI 表示，其购物研究可以使用商家产品数据、公开的产品信息以及其他零售来源。Google 则称其 AI 支持的产品推荐基于从品牌、商店和其他内容提供商聚合的 Shopping 数据。

这些差异为营销人员提供了依据模型审视推荐模式的理由，而不是假设所有 AI 系统会同步朝同一方向移动。

通过数周建立的基线可以提供参考点。营销人员随后可以将新观察与该基线比较，并调查在有意义的样本中持续出现的变化。

推荐份额比排名更能告诉品牌信息

推荐份额提供了一种实用的方式来衡量这些模式。营销人员不再记录产品在单次回答中的出现位置，而是衡量品牌在一套具代表性的相关消费者问题中获得推荐的频率。

以一家跑鞋制造商为例。当消费者询问马拉松训练用鞋时，其产品可能频繁出现；而在询问越野跑时则很少出现。这种差异向营销人员传递了 AI 系统与该品牌关联的需求信息。

单次回答的排名提供的上下文要少得多。第二名与第五名之间的差距可能在下次提问时消失。数百次对话中推荐份额的持续差异为营销人员提供了可研究的模式。

推荐份额还能帮助营销人员识别竞争动态。如果某品牌通常占据相关推荐的 30%，而在数周内上升至 40%，营销人员可以追溯增长的来源。

他们可以确定哪些消费者问题对增长贡献最大，以及哪些 AI 模型产生了这些推荐。随后，他们可以审视这些系统可获取信息的变化。

新产品可能更贴合特定消费者需求。零售商可能补充了更完整的产品信息。客户评价或独立报道也可能为 AI 系统提供额外证据，说明某产品适用于特定使用场景。

衡量的目标应是达到这种分析深度。营销人员需要能够帮助他们识别可调查变化的指标，而不是仅仅在仪表盘上制造更多波动的指标。

AI 购物让轶事容易被误认为趋势

AI 购物鼓励使用轶事式衡量，因为单个答案往往看起来极具说服力。

一张显示某产品位于 ChatGPT 推荐顶部的截图可以在公司内部几分钟内流传。同样，一张显示竞争对手出现而自家产品未出现的截图也会迅速传播。两种例子都让人感到具体，因为员工可以亲眼看到该推荐。

一次回应仍然代表一次观察。

随着消费者在产品调研中更依赖 AI，这一问题将会加剧。Adobe 发现，来自生成式 AI 来源的消费者访问零售网站时浏览的页面更多，跳出率也低于其他流量来源的访客。McKinsey 也记录了生成式 AI 助手如何在购物旅程的更早阶段与消费者互动，在他们决定购买之前。

这种日益增长的影响力为品牌提供了强有力的理由去了解自己在 AI 推荐中的位置，同时也提升了从薄弱证据中得出结论的成本。

品牌需要足够的观察来确定 AI 系统推荐其产品的频率、哪些消费者问题产生这些推荐以及这些模式随时间的演变。基线为营销人员提供了识别持续变化所需的背景。

当营销人员识别出这种变化后，他们可以调查 AI 系统用于理解其产品的信息来源。他们可以检查产品描述、零售商信息、评价和独立来源的准确性与完整性，然后判断这些来源是否为 AI 系统提供了足够的证据，将产品与消费者表达的需求关联起来。

AI 在购物中的角色日益重要，使得此类衡量愈发关键。消费者现在可以使用 AI 调研产品、比较选项，并在实际访问零售商网站之前就缩小购买决策范围。

品牌需要了解这些对话内部发生了什么，但仅增加监测并不会自动产生更好的信息。价值在于收集足够的观察，以区分普通波动和持续的模式。

单个 AI 回答将继续变化。营销人员应对此有预期。他们的关注点应放在那些足够持久、且在足够多相关对话中持续出现的推荐模式上，以便采取行动。