一个常见的汇报模式：
"这个月，AI 来源带来了 X 次访问和 $Y 的收入。"
这句话看起来干净有力。但它至少混淆了三个完全不同的事实层级。
把 AI 爬虫请求、人类浏览器会话和 Shopify 订单金额放进同一个数字，不仅不精确，而且会导致错误决策。你会高估 AI 对收入的贡献（把爬虫请求也算进去），或者低估 AI 的曝光价值（只看 GA4 能追踪的那 1%），又或者在错误的层级投入资源（优化爬虫体验而不是人类转化体验）。
AI 与你的商业结果之间不是一步到位的关系。它是一条多层证据链。
五层结构详解
当一个 AI Agent 或 AI 搜索引擎与你的品牌发生交互时，这种交互最多会经过五个不同的层级。每一层是独立的观测点，有独立的价值，也有独立的局限。
第一层：Answer（应答层）
AI 在回答用户问题时提到了你的品牌，引用了你的页面，或者将你的产品信息纳入了它的回答。
这是曝光，不是流量。你可以通过 Share of Voice 采样（在不同 AI 平台上测试相关 prompt，观察你的品牌出现频率）来观察这一层。但 AI 的一次提及不等于用户因此来到你的网站。大量的 AI 回答会消费你的内容但不产生任何点击——用户得到了答案，不需要再访问来源页面。这被称为"零点击回答"现象。
Answer 层的核心价值是品牌认知和可发现性。如果 AI 系统在回答"最好的户外跑鞋"时从不提及你的品牌，你在 AI 发现渠道里就是不存在的。但如果你只度量 Answer 层，你会高估 AI 的商业贡献——曝光 ≠ 转化。
实际应用：GEO 优化团队应该重点关注这一层。核心工作是确保你的品牌事实在 AI 回答中被正确、完整地呈现。Gravity 的 AI 搜索诊断服务就是围绕这一层设计的。
第二层：Request（请求层）
AI Agent 直接访问了你的网站——爬取产品页面、读取价格、检查库存、获取退货政策、探测结构化数据。
BrightEdge 2026 年 4 月报告显示，这类 Agent 请求已占网站总流量的约 15%。但这些请求绝大多数不会执行 JavaScript、不会触发客户端追踪标签、不会携带 session cookie。在 GA4 和大多数分析工具里，它们完全不可见——BrightEdge 将其称为"暗 AI 流量"。
Request 层是机器行为，不是人类访问。它的价值在于表明 AI 系统正在"关注"你的数据——读取你的产品信息、价格和内容。它的局限在于没有证据表明这些读取会带来人类访问或商业结果。
一个重要的区分：并非所有 Request 层的流量价值相同。GPTBot 为 ChatGPT 的知识库爬取你的页面——这可能在未来的 Answer 层产生价值（AI 会引用你的内容）。但一个未知的爬虫机器人重复抓取你的 robots.txt 文件 500 次，几乎不产生任何价值。在 Request 层内部，你也需要区分高价值抓取（产品页、服务页、案例页）和低价值抓取（资源文件、重复请求）。
实际应用：SRE 和 DevOps 团队应该监控这一层来管理服务器负载和 crawler access 策略。产品团队应该确保 AI Agent 能读到结构化、准确、最新的产品信息。
第三层：Visit（访问层）
用户通过 AI 推荐链接到达了你的网站。这可能是用户在 Perplexity 搜索结果中点击了你的引用链接，在 ChatGPT 对话中点击了推荐链接，或者在 Google AI Overview 中点击了来源页面。
Adobe 2026 年第一季度报告显示，AI 推荐流量同比增长 393%。但它仍然只占总流量的约 1%。2026 年 3 月的数据显示，AI 来源流量的转化率比非 AI 流量高出 42%——这是一个重大逆转，因为 2025 年 3 月 AI 流量的转化率比非 AI 流量低 38%。AI 推荐用户的参与度指标也显著更高：停留时间长 48%、页面浏览量多 13%、每次访问收入高 37%。
Visit 层是人类到达——比 Request 层更有商业意义，因为有一个真实的人在你的网站上浏览。但它本身不是转化。一个 AI 推荐的访问者可能看了三页就走了，什么都没买。
实际应用：增长团队应该重点分析这一层的来源构成（哪个 AI 平台带来的访问质量最高）、着陆页表现（AI 推荐用户最常到达哪些页面）和行为路径（他们在网站上做了什么）。
第四层：Commerce（商业行为层）
到达的访客在你的网站上产生了商业意图行为：产品详情页浏览、加入购物车、发起结账、完成购买。
Shopify Q1 2026 数据显示，AI 目录搜索流量的转化率是普通 AI 搜索流量的约 2 倍，来自 AI 搜索的新买家订单率接近传统自然搜索的 2 倍。这意味着 AI 不仅在带来流量，还在带来高购买意图的流量。
Commerce 层开始产生真实的商业价值。但它仍然不等于可归因收入——你知道一个访客在 AI 推荐后产生了购买行为，但如果没有完整的会话-到-订单链路，你无法确定这笔收入应该归因于 AI 而不是其他触点（比如他在下单前还搜了品牌词，GA4 可能把这笔收入归因到 Organic Search）。
实际应用：电商运营团队应该关注这一层的漏斗分析——AI 来源访客的加购率、结账率、完购率与其他来源的对比。
第五层：Attribution（归因层）
一笔订单可以通过完整的证据链回溯到 AI 来源：AI referrer → 网站会话 → 购物车 → 订单确认 → CRM/ERP 记录。
这是商业价值最高的层级，也是证据门槛最高的层级。实现完整的 Attribution 层需要：
- 网站端能识别 AI 来源的会话（Visit 层数据）
- 电商平台能记录会话到订单的映射关系
- 两个数据集可以 join（通常通过会话 ID 或用户 ID）
- 归因模型能合理处理多触点路径（用户可能先通过 AI 来到网站，然后通过品牌搜索回来下单）
Attribution 层给你的是可以放进董事会报告的数字："这个季度，可追溯到 AI 来源的收入是 $X。"
为什么不能混着算
每一层都是独立的观测事实：
- AI 提到你 ≠ AI 给你带流量
- AI 给你带流量 ≠ 那些流量产生了转化
- 流量产生了转化 ≠ 那笔收入可以归因于 AI
如果你把 Shopify 店铺的收入标记为"AI 归因收入"，但没有会话-到-订单的 join 作为证据，你在做虚假归因。
如果你把 1,000 次 AI 爬虫请求和 5 次真实用户访问合并成一个"AI 流量"数字，你在混淆信号和噪音。
如果你用 GA4 的"AI Assistants"渠道的收入数据来代表"AI 对我们的价值"，你在遗漏 95% 的画面——因为 GA4 看不到 Request 层和 Answer 层。
每一层应该有自己的仪表板区域、自己的指标、自己的趋势线。它们可以被综合分析，但不应该被数值叠加。
Dashboard 分区建议
一个正确设计的 AIAA Dashboard 应该把五层清晰分开：
区域 / 数据来源 / 核心指标 / 更新频率
Answer / AI 应答采样、SOV 监测 / 品牌提及率、引用准确性、竞品对比 / 周
Request / Edge 日志、服务器日志 / Agent 请求量、请求路径分布、Agent 类型分布 / 日
Visit / 一方 JS、GA4 AI Assistants / AI 来源会话量、着陆页分布、行为指标 / 日
Commerce / 电商平台 + 一方数据 / AI 来源 PDP 浏览、加购率、结账率 / 日
Attribution / 会话-订单 join / AI 归因订单量、AI 归因收入、客单价 / 周
Outcome Quality 权重
不同层的 AIAA 动作在商业价值上不等价。我们建议为每一层分配 Outcome Quality 权重来实现跨层的可比性：
层 / 权重 / 理由
Answer / 0.2 / 采样观察的曝光层；不直接产生流量
Request / 0.3 / 服务端可见，但无用户意图证据
Visit / 0.5 / 人类到达，但无转化证据
Commerce / 0.8 / 有明确的购买意图信号
Attribution / 1.0 / 收入可归因，证据链完整
这意味着 100 次 AI 应答提及和 20 笔归因订单在 AIAA 加权后权重相当。这比把 100 + 20 简单相加更接近现实。
在报告中怎么呈现
错误的呈现方式：
"AI 流量同比增长 250%。"
正确的呈现方式：
"AI Request 层：Agent 请求同比增长 350%（主要来自 GPTBot 和 PerplexityBot 的抓取增加，覆盖了我们 82% 的产品页面）。"
"AI Visit 层：AI 推荐人类访问同比增长 120%（Perplexity 贡献最大，占 AI Visit 的 45%）。"
"AI Commerce 层：AI 来源加购率 4.2%，高于全站平均 2.8%。"
"AI Attribution 层：可追溯到 AI 来源的订单 47 笔，收入 $38,000，客单价 $808。"
第一种呈现方式看起来更震撼，但对决策毫无帮助。第二种呈现方式让每个利益相关者都能找到与自己职责相关的信号，并据此采取行动。
对中国出海企业的启示
对中国出海企业来说，分层度量还有一个特殊的价值：它让你可以在不同市场之间做有意义的比较。
北美市场可能 Request 层很活跃（ChatGPT 和 Perplexity 的爬虫大量抓取），但 Attribution 层还没打通。东南亚市场可能 Visit 层增长很快，但 Commerce 层的转化率低于预期。日本市场可能 Answer 层表现优异（品牌在 AI 回答中被频繁提及），但 Visit 层几乎没有流量——说明 AI 的引用没有产生点击。
这种跨市场的分层对比，用"AI 流量"这个单一数字是做不到的。
下一篇预告
下一篇我们用 Shopify 的 13 倍增长数据来验证这个框架——增长是真实的，但从低基数的高倍增长需要特殊的度量方法，区分"真增长"和"可见度提升"比追一个大数字更重要。
FAQ
Q1: 为什么把 AI 爬虫请求和人类访问混在一起有害？
A: 因为它会制造虚假的体量感。BrightEdge 数据显示 Agent 请求占总流量 15%，但 AI 推荐人类访问只占 1%。如果你把它们合并成"16% 的 AI 流量"，你会严重高估 AI 对商业结果的影响。实际上，15% 是机器在读你的数据，1% 是人在浏览你的网站。决策含义完全不同。
Q2: AIAA 的五层是否每一层都需要覆盖？
A: 不一定。你可以从你有数据的层开始。大多数团队应该从 Visit 层（一方 JS 追踪）开始，然后扩展到 Request 层（Edge Lite 或服务器日志）。Answer 层需要 AI 应答采样工具。Commerce 和 Attribution 层需要电商数据集成。不需要一次性覆盖全部五层。
Q3: Outcome Quality 权重是固定的吗？
A: 不是。我们提供的 0.2-1.0 权重是建议起点。不同行业的权重应该不同——对于内容发布商，Answer 层（品牌曝光）的权重可能更高；对于电商品牌，Commerce 和 Attribution 层的权重应该更高。关键原则是：权重应该反映该层动作对你的商业结果的实际贡献。
Q4: 这个框架如何处理多触点归因？
A: AIAA 的 Attribution 层承认多触点路径的存在。一个用户可能先通过 AI 推荐到达你的网站（Visit 层），然后通过品牌搜索回来下单（传统归因可能把这笔收入归因到 Brand Search）。AIAA 建议使用 first-touch 或 linear 模型来给 AI 来源合理的归因权重，而不是依赖 GA4 的 last-click 模型。
Q5: GA4 的 AI Assistants 渠道组和 AIAA Visit 层有什么关系？
A: GA4 AI Assistants 是 AIAA Visit 层的一个子集。GA4 只能识别通过特定 referrer 模式标记的 AI 来源会话。但很多 AI 推荐访问的 referrer 不在 GA4 的识别列表里，所以 GA4 会漏掉一部分 Visit 层数据。一方 JS 追踪 + GA4 结合使用可以更完整地覆盖 Visit 层。
Q6: 从 Answer 层到 Attribution 层的转化率通常是多少？
A: 每一层到下一层的衰减率很高。Answer 层 → Visit 层的转化率通常极低（大量 AI 提及不产生点击）。Visit 层 → Commerce 层的转化率在 2-5% 范围内（Adobe 数据显示 AI 来源转化率高于非 AI 来源 42%）。Commerce 层 → Attribution 层取决于你的数据基础设施是否能完成 join。整体而言，从 1,000 次 AI 提及最终到达可归因订单，可能只有个位数。