一、推荐正在从"人找货"变成"AI 选货"
一组被反复引用的数字:麦肯锡的研究认为智能推荐可为零售企业贡献高达35% 的营收增长，德勤给出的区间是20% 到30% 的额外销售增长，埃森哲的调研中79% 的消费者希望品牌能主动识别并推荐符合自己需求的商品。
过去这些数字描述的都是"站内"——电商首页、购物车加购、会员专属推送。而当大模型开始直接回答"3000元以内降噪耳机怎么选""适合敏感肌的氨基酸洗面奶有哪些"，推荐这件事就多了一个新发生地:AI 的答案文本本身。口径正在变化，商品能不能被 AI 提及、出现在第几位、参数写得对不对，第一次成为一个独立的可见性问题。
二、两套验证场景不能混用
站在 AI 导购门口的商家，验证逻辑其实分两种。
站内 AI 导购主要依赖平台内的结构化数据，验证时该查的是商品标题、属性、详情页、"问大家"这些字段有没有覆盖品类决策维度，以及它们与 AI 回答里的描述是否一致。站内 AI 没提到某个品牌，往往不是 AI 不认识它，而是商品信息缺失，或没命中平台的推荐逻辑。
站外通用大模型依赖的是全网公开信源，要核查的是官网、百科、权威测评、行业报告里有没有提供可被机器解析的事实性内容。
这两套标准不能互相套用。对同时在两个渠道经营的品牌来说，最稳妥的做法是分别建立问题集、分别跟踪，只在汇总时再做一次对齐——因为同一个商品在站内被推荐、在站外被提及，反映的其实是两件不同的事，前者是平台商品信息是否达标，后者是全网公开信源是否足够可信可解析。
还有两个问题问法上的细节值得留意。一是问题里是否带了品类上下文，只问"XX品牌怎么样"，模型往往因缺乏语境而给出泛泛回答;换成"3000元以内降噪耳机怎么选""适合敏感肌的氨基酸洁面有哪些"这类带品类参数、使用场景和人群适配的问句，才接近真实导购场景里用户会输入的东西。二是提问的时间点，同一个问题在新品发布前后、促销前后的答案可能完全不同，基准测试如果只做一次，得到的很可能是一个偶然结果而非当前位置。
三、商品曝光多了一条新链路
传统路径是排名 → 曝光 → 点击，衡量的是展现量和点击率。它有一个默认前提:用户先搜，再从结果里挑一个。
新链路是内容被引用 → 参与生成答案 → 商品或品牌被提及。这条链路里没有"点击"这个动作。AI 读完你的资料，把结论直接写进答案，用户看完就走，详情页甚至一次都没被打开。
值得说明的是，这并不是新增了一条与原有链路并列的路径，而是原本被压在链路最末端的一环被提前到了前面——商品信息不再只是等待被检索的素材，而是直接参与答案生成的内容来源。因此，传统口径里最边缘的一项指标，在新链路里变成了起点。
对应到商品上，就出现两种值得警惕的状态。一种是隐身:搜索排名不差，用户问 AI"适合油敏皮的氨基酸洁面有哪些"，答案里只有三个国际品牌和一个新锐白牌，自家商品完全不在候选池里，而后台的搜索指标看起来一切正常。另一种是高引用低转化:品牌被 AI 反复提及，商品卡也出现了，但因为答案已经把参数、功效、适用人群讲完，用户不需要点进详情页，引用量很好看，转化却没动。
这两个数字合在一起，才是一张完整的答卷。传统口径告诉你"有多少人看到了你"，新口径告诉你"有多少次你参与了答案"——被引用本身是有价值的，它意味着商品信息被当成了可信信源纳入生成过程;但如果引用量高而点击转化没有跟上，说明答案已经在站内完成了闭环，页面反而不是承接入口。真正需要警惕的，不是引用量低，而是引用量高却没带来任何下游动作，因为那往往指向另一个问题。
还有一个更糟的变体:被提及了，但信息是错的。
四、新指标怎么读:稳定提及率与信息准确度
随机搜一次看结果没有意义。淘宝百科在一篇方法论文章里给出的做法是，建立一组覆盖品类决策维度的问题集，对每个问题独立重复提问20次，记录品牌出现次数与伴随信息的完整性，再按提及率分层判断:低于30% 说明还没进入核心候选池，30% 到60% 处在边缘位置、需要补特定维度的信息供给，60% 以上且信息准确，才可以视为稳定推荐。需要说明的是，这是行业实践总结出的分析方法，不是平台官方口径。
问题集的数量不必贪多，5到10个覆盖品类核心决策的高频问句就足以构成一个初始基线。它的价值不在于一次跑完，而在于成为后续所有内容动作的比对锚点——改了什么、往哪个方向改，改完有没有效果，都靠同一组问题来回答。这也是它和"随手搜一次"最本质的区别:一个是坐标，一个是单次读数。
更关键的一句判断是:信息不准比未被提及更该优先解决。被提及但参数写错、功效夸大、适用人群错位，看起来是赢了一个曝光，实际是在把错误信息反复投放到用户面前，其价值甚至低于完全未被提及。
定位错误来源要先分清几种情况:自家官网或详情页内容过时、第三方转载失真、或者同名实体被混淆。处理路径并不相同——自有信源要更新并留清晰的替换标识，外部信源错误则通过平台反馈机制或联系内容发布方修正，同时在官方渠道发布澄清声明，供 AI 后续抓取。修复之后要用同一组问题重新测试，观察错误信息是否被替代。因为模型的知识更新存在延迟，这个过程可能以周计，不能指望改完立刻生效。
五、把"是否被推荐"变成一次可复现的检测
手工做这套测试的障碍很直接:重复20次的成本高，换一个问题集就得从头再来，结果也无法跨时间对比。
GEOBase 的 AI 商品推荐检测把这件事标准化了。输入商品名称或型号，系统会基于商品信息生成一组典型消费咨询问题，并用它向多个 AI 平台发起检测，一份结果给出四项:该商品是否被 AI 推荐、它在推荐结果中的位置、是否展示商品卡及出现频次，以及同场景下竞品商品的表现。一次检测大约需要2到5分钟。
这几项组合起来比单一排名更有用。商品卡频次高但位置靠后，说明被收录了却还没进最优候选;被推荐了却没出商品卡，多半是结构化信息没被解析;自家与竞品位置接近，说明还在同一候选池，接下来拼的是内容口径。对照第三节两种状态，它能直接告诉你属于哪一种。
所以问题回到最初那句判断:AI 有没有推荐我的商品，这个答案不该靠感觉，也不该靠一次随手提问。先用 GEOBase 的 AI 商品推荐检测跑一次基线——https://app.aibase.cn/tools/goods-card/ ——确认哪些 SKU 已经被推荐、哪些还不在候选池，再决定内容、信源和商品信息该往哪个方向补。