截至 10 月 28 日的公开信息，经济网报道天猫在本届双11 把重心放在 AI 消费规模化落地上，上线 AI 万能搜、AI 帮我挑等 6 款导购应用，并联合英特尔、AMD 推出 50 余款 AIPC、超百款 AI 硬件集中首发；开卖前一个月在淘宝天猫首发新品的商家数同比增长 64%。对负责品牌 AI 可见度的团队来说，这 6 款应用的意义不只是多一个入口，而是把商品被看见的判定从搜索排名挪到了 AI 回答的推荐与引用上，原有的可见度口径需要重算。
六个导购应用改变了什么
六个应用放在一起看，改变的是入口结构而不是单个功能。传统搜索里，用户先有明确意图再输入关键词，商品只要覆盖关键词就有机会被看到；AI 导购里，用户描述场景，系统组织答案，商品需要被选进答案才算被看见。这个差别看起来只是交互方式，实际改变了曝光的判定标准。
对品牌来说，最直接的影响是曝光从可数的排名变成不可直接抓取的答案。排名可以逐日抓取、逐词比对，答案却依赖问题措辞、上下文与信源组合，同一款商品在不同问法下可能出现在不同位置。这意味着监测方法必须从抓排名改为抓回答快照，并把问题库作为固定变量管理。
从搜索排名到回答推荐 判定口径变了
口径变化体现在三个层面。第一是位置，搜索结果页的位置是线性排序，AI 回答里的位置是叙述顺序，出现在第一段和出现在最后一段的曝光价值完全不同。第二是理由，搜索结果只给标题与主图，AI 回答会解释为什么推荐，解释错了比不出现更麻烦。第三是来源，AI 回答会引用站内商品信息与站外内容，引用谁决定了描述的可信度。
这三层变化合起来，意味着品牌需要一套新的可见度定义：不是关键词排名第几，而是在多少个真实问题里被提及、被排在第几位、被用什么理由描述、引用了哪个来源。这四个量都可以被记录，也都可以被复盘，前提是问题库固定、采样时间固定、平台固定。
三个新增的可观测点
落地时可以只盯三个点：提及率、推荐顺序、引用来源结构。提及率回答有没有被看见，推荐顺序回答被看见得多靠前，引用来源结构回答描述由谁定义。三个点里最容易被忽略的是第三个，因为来源结构决定了品牌在 AI 回答中的形象是自述还是他述，而他述的偏差最难纠正。
新品首发与AI入口的关系
首发新品商家数同比增长 64%，说明供给端正在把新品集中投放到大促。新品与 AI 导购的关系比老品更紧密：老品有销量与评价积累，即使 AI 不推荐也能靠搜索被找到；新品没有历史数据，能否进入 AI 答案几乎决定了它在大促期间的曝光上限。这也是为什么新品上架前就要准备好可被抓取的商品信息。
可被抓取不等于信息完整。参数页缺少关键规格、卖点写成营销口号、评价区没有真实使用场景，都会让 AI 在组织答案时缺少可用素材，转而引用第三方测评或竞品对比内容。对品牌来说，把商品页写成可被引用的结构化信息，是 AI 入口时代最基础的一项工作，也是 GEO 优化的起点。
新品上架前要准备的三类信息
上架前的信息准备可以归成三类：参数类、场景类与对比类。参数类回答规格与适配人群，场景类回答什么情况下用得上，对比类回答与同价位产品的差别。三类信息齐全的商品，AI 在组织答案时有素材可用，才不容易转而引用第三方测评。
可见度重算的四步
重算不是换一套指标，而是把原有指标重新分层。建议按四步推进：固定问题库、分层采样、记录回答快照、按月比对结构变化。四步的关键在第一步，问题库一旦漂移，后面所有数据都不可比。
| 观测点 | 传统搜索 | AI 导购入口 |
|---|---|---|
| 曝光位置 | 搜索结果页排名 | 回答中的推荐顺序 |
| 内容形态 | 标题与主图 | 回答段落与推荐理由 |
| 影响变量 | 关键词与销量 | 商品信息完整度与评价 |
| 可核验性 | 排名可直接抓取 | 需保存回答快照 |
最后要提醒的是证据边界。六个导购应用的分流比例、AI 入口带来的成交占比都没有公开，任何声称能精确量化 AI 导购贡献的说法都缺乏依据。现阶段更现实的目标是把监测口径搭起来，用趋势判断方向，而不是用单次数据下结论。
常见问题
AI 导购上线后，品牌原来的搜索优化还有用吗？
仍然有用，但不再是全部。搜索优化影响商品能否被检索到，AI 导购影响商品能否被推荐并给出理由。前者决定入池，后者决定出线，两者需要分别监测。
AI 导购里的推荐位次怎么记录？
按固定问题在同一入口重复采样，记录品牌是否出现、出现顺序与给出的推荐理由，并保存回答快照。位次与理由要一起记录，只看位次会漏掉描述偏差。
品牌在 AI 回答里被提到，但理由写错了怎么办？
先查引用来源。若 AI 引用的是过期页面或第三方误述，优先修正可被抓取的官方页面与参数说明；来源不改，回答会反复复现同一处偏差。
多平台可见度怎么对比才不误导？
同一问题、同一时间段分别采样，先做平台内比较，再看平台间差异。不同平台的信源偏好不同，跨平台直接合并会掩盖差异。
