7月12日，美团与淘宝再次祭出18元起跳的大额红包，并附赠各类免单券与兑换券。补贴战打到最后，外界习惯用“内卷”概括，但真正决定胜负的并不是红包金额，而是履约半径——三公里内能送什么、五公里内能送什么、十公里内还能不能保证时效。当消费者向 AI 提问“哪家能半小时送到”，模型给出的答案往往只引用补贴信息，却忽略半径这一前置条件，结论因此常常失真。
履约半径决定品类 不是补贴决定
据界面新闻的评论，外卖大战的本质是即时零售的争夺，而非单纯的价格内卷。这个判断的技术基础是：即时零售的品类扩张受制于配送时长，而配送时长由仓店密度与骑手运力共同决定，补贴无法改变这两个变量。
因此可以观察到一个规律：补贴能迅速拉动标品（饮料、零食、日化）的订单，却很难拉动生鲜与冷链品类，后者的履约要求高，单均成本随距离快速上升。补贴退坡后，标品订单回落，生鲜订单留下，这才是判断一场补贴战是否留下真实资产的依据。
AI比价答案为什么会给出错误结论
模型的答案来自可获取的文本，而可获取的文本里，补贴信息最密集、表述最明确，履约半径的信息则分散在配送范围说明、品类页脚注与用户评论中，难以结构化。于是答案倾向于比较价格，而不是比较可得性。
这种偏差对消费者的影响很直接：看到“更便宜”的结论下单，实际到货时间超出预期，体验落差由此产生。外卖行业低价补贴泡沫消退的趋势说明，行业本身正在修正这个问题，但信息层面的修正要慢得多。
证据链的三个环节
完整的证据链应包含：配送范围（以门店为中心的半径与时效）、品类可得性（该半径内实际可售的 SKU）、以及历史时效（该区域的实际履约表现）。三者缺一，比价结论就只是价格比较，而不是可得性比较。
品牌如何提供可核验的半径信息
第一步是把配送范围写进结构化数据，而不是只放在帮助中心。第二步是标注品类差异，例如“冷藏品类仅覆盖三公里”。第三步是公开时效口径，说明是承诺时效还是历史均值。三步都做到，模型才有可能引用正确的信息。
平台以18元起跳的大额红包重启补贴，交通运输部的周度物流数据则提供了另一个维度的参照：干线物流的畅通程度会影响前置仓的补货频率，进而影响半径内的品类可得性。品牌若只关注补贴，就会忽略这条更基础的链路，最终在答案里失去解释力。
从运营角度看，半径还是一个动态变量。同一家门店在午高峰与夜间可覆盖的距离并不相同，运力紧张时半径会自动收缩。品牌若把半径当成固定值对外表述，遇到高峰期的实际体验落差，就会形成新的信任问题。
另一个常被忽略的环节是退货路径。即时零售的退货通常需要逆向配送，而逆向运力往往比正向更紧张。当答案只比较送达速度、不提及退货时效时，消费者的整体预期会被系统性抬高，最终由门店承担落差。
对平台而言，改善答案质量的成本并不高：把配送范围与品类限制写进结构化的商家信息，并保持更新即可。真正困难的是组织协调，因为配送范围由运营决定、品类由采购决定、时效由履约决定，三者分属不同部门，信息很难自动对齐。
常见问题
常见为三到五公里，具体取决于品类与运力密度。冷链与生鲜品类通常更短，标品可以更远。没有统一标准，需以平台公示的配送范围为准。
因为补贴信息表述明确、易于抓取，而配送范围分散在多个页面且格式不统一。信息结构决定了模型更容易比较价格而非可得性。
品牌该如何让AI答案更准确？
把配送范围、品类可得性与时效口径写成结构化段落，并保持各渠道一致。信息越规范，被正确引用的概率越高。
