2026 年如何衡量 AI 购物可见性

AI 购物可见性已经从概念讨论变成电商团队每周都要管理的经营问题。商品可能出现在 Google AI Mode、AI Overviews、Gemini、ChatGPT Search、Copilot、marketplace assistant 或零售媒体的 AI 体验里，但每个表面给出的数据粒度不同。有些平台开始提供官方报表，有些仍然只能从 referrer、品牌词搜索、商品页行为和购买后问卷里看到间接线索。

正确做法不是把弱信号包装成精确归因，而是建立分层衡量模型：有官方报表就使用官方报表，没有报表就标注盲区；每一次可见性复盘都要连接到商品数据或内容实验，而不是停留在“感觉有没有被 AI 看见”。

衡量地图

AI 购物可见性至少要拆成七层。第一层是资格条件：页面需要允许抓取、可以索引、可生成摘要、有内部链接，并且重要商品信息必须以用户可见的文本方式出现。Google Search Central 已说明，AI Overviews 和 AI Mode 仍然沿用基础 SEO 原则，不需要专门为 AI 额外创建某种特殊文件或特殊 schema。

第二层是 Search Console。Google 在 2026 年 6 月推出 Search Generative AI performance reports，Search 报表会逐步开放给部分站点，用来查看 Google Search 生成式 AI 功能里的展示数据，包括 AI Overviews 和 AI Mode。帮助文档显示，报表可以按页面、国家、设备和日期分组。这是重要进展，但它主要解决“展示可见性”，并不等于完整 prompt、点击、收入和份额归因。

第三层是 Merchant Center。Google 在 2026 年 5 月 27 日宣布 Merchant Center AI performance insights，用于理解商品在 AI Mode、AI Overviews 和 Gemini app 等 AI 购物旅程中的发现方式。报表覆盖 share of voice、购物漏斗、product term insights 和 product attribute insights，并从美国、加拿大、澳大利亚、印度和新西兰开始逐步推出。

第四层是第一方分析。商家自己可以控制 referrer、UTM、落地页、商品页互动、加购、结账启动、订单、复购和购买后问卷。AI 辅助发现可能被记录为 direct、品牌搜索、普通 referral 或之后的回访，所以第一方分析更适合比较 cohort 和行为模式，而不是强行为每个订单贴一个精确 AI 来源标签。

第五层是人工 AI 表面抽样。团队需要为重点商品建立固定 prompt 集：类目意图、问题意图、比较意图、预算意图、兼容性问题、配送问题和退货政策问题。结果不是完美排名追踪，但能发现缺失属性、薄弱商品文案、政策内容缺口，以及 AI 回答和自有站事实之间的不一致。

第六层是结构化商品数据。Product JSON-LD、Merchant Center 属性、PDP 可见文案、图片、价格、库存、配送和退货信息应该描述同一份商品事实。Google 的 Product structured data 文档说明，结构化商品信息能帮助商品详情以更丰富形式出现在 Search 结果中；Merchant Center AI insights 的公告也把商品属性完整度放在很重要的位置。

第七层是实验日志。没有实验日志，可见性复盘很容易变成观点会议。每次记录商品范围、日期、改动字段、改动页面、预期信号和观察窗口。比如 6 月 12 日给 20 个商品补充材质和适配属性，两周后同一组页面的生成式 AI 展示、Merchant Center 属性缺口、人工 prompt 描述准确性和商品页互动是否同时改善。多层信号同向变化，比单个图表更有判断力。

用新的 Search Console 边界读数

现在 Search Console 至少有两层可用数据。标准 Performance report 仍然包含 AI 功能在整体 Web search 里的数据。新的 Generative AI performance report 在账号有权限且有足够展示时，会提供生成式 AI 功能的独立展示视图。

这会改变旧版判断。团队不应该再笼统说 Google 完全没有 AI 可见性报表。更准确的操作方式是：先检查站点是否有 Generative AI report；如果有，用它看展示趋势、页面、国家、设备和日期；如果没有，记录原因，再用 Web search 趋势做大盘基线。

但这个报表仍然有边界。它重点是 impressions，不是完整电商归因；它不会把每次 AI 互动都还原成已知 query、已知会话和已知订单；Search Labs 实验数据也不包含在内。每周要问的问题不是“这个报表能不能解释所有订单”，而是“关键页面在支持的生成式 AI 功能里是否更容易被展示，变化是否和商品数据或内容改动相吻合”。

用 Merchant Center 看商品发现信号

Merchant Center 的价值在于商品层。AI 购物可见性常常不是文章层问题，而是商品事实是否足够清晰、完整和一致。Google 描述的 Merchant Center AI insights 会覆盖品牌 share of voice、购物漏斗表现、用户会话里的 product terms，以及用户常问但商品 feed 里缺失的属性。

这能帮助团队做优先级排序。不要试图一天内把所有字段都补到同样深度。先处理高收入商品、高毛利类目、已有搜索需求的商品、以及属性直接影响购买信心的商品。如果 Merchant Center 显示某个商品族缺失颜色、材质、尺寸、风格或用途信息，这个商品族就应该进入数据清理计划。

如果账号还没有 AI insights，也不用停工。Merchant Center 诊断、feed 状态、商品审核状态、属性覆盖、标题和描述质量、配送与退货设置、落地页一致性，都是可用的代理信号。这些信号不如 share-of-voice 图表吸引人，但它们是 AI 购物系统理解商品的基础。

建立点击后的第一方链路

外部报表很少能解释消费者到站后的行为。第一方分析要记录商家能控制的部分：source、medium、referrer、落地页、商品页、加购、结账启动、支付尝试、订单、币种、市场、设备和复访。

Foundax 已支持 storefront analytics、source 维度流量拆分、页面与漏斗分析、商品分析，以及和订单关联的 analytics session 字段。团队可以比较 AI-adjacent referral、品牌词回访、内容页访问、商品页访问和 direct 回访之间的行为差异。真正有价值的问题不是“AI 有没有提到我们”，而是“消费者到站后是否看到了足够清楚的商品事实，并继续进入购买漏斗”。

购买后问卷可以补一部分归因缺口。一个简单问题，例如“你最早在哪里比较过这个商品”，能捕捉到浏览器 referrer 没记录的 AI 辅助发现。问卷数据只能作为抽样证据，但经常能解释 direct 或品牌搜索背后的前序旅程。

把人工检查当作研究方法

人工检查必须结构化。选择稳定的商品集和 prompt 集，覆盖类目、问题、比较、预算、兼容性、配送和退货。按固定周期运行，并尽量保持市场、语言和登录状态一致。

记录五件事：品牌是否出现、商品是否出现、提到了哪些属性、展示了哪些来源链接、哪些事实错误或缺失。如果商品被描述成错误材质、尺码信息不清、退货限制缺失或价格过旧，修复点通常在商品数据、PDP 文案、结构化数据、Merchant Center 字段或政策内容里。

人工测试不应该被当作精确排名系统。样本太小，AI 回答也会变化。它的角色是诊断：帮助团队看到消费者可能听到什么，以及自有站事实哪里需要加强。

把衡量变成实验

一个好实验应该有一个商品族、一个买家问题、一组字段和一个观察窗口。例子包括：给高客单服饰补充材质和护理属性；重写 PDP FAQ 回答兼容性问题；给高决策成本商品补充配送和退货说明；让 Product JSON-LD 与页面可见价格、库存保持一致；为强调视觉属性的商品优化图片 alt 和图注。

改动前记录 Search Console 生成式 AI 展示、标准 Search Console 页面趋势、Merchant Center 诊断或 AI insights、第一方 PDP 行为和人工 prompt 结果。改动后看同一组指标。多个层面同向变化时，判断更稳；只有单个图表变化时，应标记为假设，而不是结论。

用 Foundax 管理自有站层

Foundax 的作用在于把可衡量输入放在同一条运营线上：商品记录、SEO 元数据、Product JSON-LD 预览、sitemap 输出、Search Console 验证和 sitemap 提交流程、Merchant Center 预检、多语言内容、Content Studio 发布，以及第一方 analytics。AI 购物可见性通常不是一个字段能解决的问题，它依赖页面、结构化数据、feed 与页面一致性、政策内容和到站行为的一致性。

实际流程可以很清晰：选择商品集，清理商品事实，发布 PDP 和支持内容，验证结构化数据与 Google 工作流，需要时提交 sitemap，观察 Search Console 和 Merchant Center 信号，再比较第一方互动和订单行为。这样团队得到的是可重复的运营闭环，而不是一次性可见性检查。

复盘节奏

每周只看少量关键项：Search Console 生成式 AI 展示、标准 Search Console 页面变化、Merchant Center 诊断或 AI insights、source 和落地页趋势、商品页互动、加购、结账启动，以及小样本 prompt 记录。

每月扩大范围：刷新 prompt 集，比较商品族，复盘购买后问卷，整理缺失属性，并按收入潜力决定下一轮实验。每季度删掉弱指标和虚荣大盘，判断这套衡量系统是否真的让团队更快发布更清晰的商品事实。

常见问题

Search Console 能衡量 AI Mode 和 AI Overviews 吗？

可以，但要看站点是否已经获得 Google Generative AI performance report。该报表展示 Google Search 生成式 AI 功能的 impressions，包括 AI Overviews 和 AI Mode。没有该报表时，应使用标准 Performance report 做整体 Web search 基线。

Merchant Center AI performance insights 每个商家都有吗？

Google 说明该功能会先在部分国家逐步推出，包括美国、加拿大、澳大利亚、印度和新西兰。没有权限的商家仍可用诊断、feed 健康度、商品审核状态和属性完整度做代理信号。

第一方分析能识别所有 AI 辅助订单吗？

不能。第一方分析更适合比较 source cohort、落地页、商品页行为、漏斗变化、复访和问卷结果，而不是把每个订单都归因到某个 AI 表面。

AI 购物可见性多久检查一次？

活跃商品集每周检查即可。只有在新品发布、迁移、feed 异常或重大商品数据实验期间，才需要更高频监控。

优先测试哪些商品数据？

先看影响购买信心的字段：材质、尺寸、兼容性、价格、库存、配送、退货、护理说明、使用场景和 PDP FAQ。高毛利和高需求商品优先于长尾商品。

2026 年如何衡量 AI 购物可见性