#### MMP 解决了什么问题
2016-2024 年，Mobile Measurement Partner 建立了一个行业共识：所有 App Install 的归因，由独立第三方裁决。
AppsFlyer、Adjust、Branch、Singular——它们解决了移动广告的根本问题：当一个用户安装了 App，是哪个广告、哪个渠道、哪个创意带来的？这个问题在 Web 端相对简单（cookie + click ID），但在移动端极其复杂：跨设备、跨渠道、概率匹配、IDFA 衰退、SKAN 框架……MMP 花了近十年构建了一套精密的归因基础设施。
到 2026 年，AppsFlyer 覆盖 12,000+ 广告合作伙伴、处理数十亿次安装归因。Adjust 被 AppLovin 以 10 亿美元收购后进一步强化了游戏和应用商店优化。Branch 的深度链接技术成为跨端跳转的事实标准。
MMP 的核心价值主张没有过时。 App Install 归因仍然需要独立第三方裁决。
但一个结构性变化正在发生：获客的上游正在被 AI 重写。
#### AI 重写了什么
2024 年之前，用户获取的典型路径是：
广告 → 点击 → 落地页 → App Store → 安装 → 应用内事件
MMP 的测量从"广告"开始，到"应用内事件"结束。整条链路在 MMP 的视野之内。
2025-2026 年，一条新的路径正在快速增长：
AI 回答/引用 → 品牌认知 → 自主搜索 → 落地页 → App Store → 安装
当用户问 ChatGPT "best trading platform for derivatives"，AI 回答中提到了某个品牌——这个用户形成了品牌认知。三天后，用户在 Google 搜索该品牌名，点击广告安装 App。
MMP 看到的是：一个 Google Brand Search 驱动的 Install。
MMP 看不到的是：这个用户为什么搜索这个品牌名——因为三天前 ChatGPT 推荐了它。
这不是 MMP 的 bug。这是 MMP 的结构性边界。MMP 的测量从广告触点开始——但 AI 的影响发生在广告触点之前。
#### 盲区有多大
从我们在 CitationGraph 平台上服务数百个客户站点的真实数据来看，这个盲区远比大多数人想象的大。
维度一：AI 爬虫请求 vs 人类访问。 在典型站点的原始请求中，超过 90% 来自 AI 爬虫和 bot。这些请求决定了 AI 系统是否理解你的产品、是否在回答中推荐你——但 GA4 看不到（爬虫不执行 JavaScript），MMP 更看不到。
维度二：Referrer 剥离率。 即使 AI 推荐带来了真实的人类点击，referrer 传递也不可靠。ChatGPT 的 referrer 行为跨版本不一致；部分 AI 平台使用 noreferrer 策略；移动端 WebView 内的跳转 referrer 常被剥离。我们的数据显示，有 30-60% 的 AI 来源点击在到达网站时已丢失来源标记。
维度三：跨端断链。 最关键的盲区在 Web-to-App 的跨端断链。用户从 AI 平台到品牌官网（Web），再到 App Store 下载 App——在这个跨端跳转中，AI 来源信息丢失。MMP 看到的是一个"自然安装"——AI 的贡献被归零。
维度四：零点击引用。 2026 年约 60% 的 AI 搜索以零点击结束——AI 直接在回答中展示了完整信息，用户获得了品牌认知但没有产生任何可追踪的点击。这种影响无法通过任何基于点击的归因系统测量。
#### 这对效果营销意味着什么
影响一：AI 渠道被系统性低估。 当 AI 推荐驱动的用户被归因到 "Brand Search"、"Direct" 或 "Organic" 时，AI 渠道的真实贡献被隐藏。投入越多 GEO（Generative Engine Optimization），Brand Search 的 ROAS 看起来越高——但功劳被错误地记在了 Google Ads 头上。
影响二：预算分配偏差。 如果 AI 的贡献被归到 Brand Search，预算分配模型会高估 Brand Search 的效率、低估 AI/GEO 的效率。长期结果：AI/GEO 投入被削减（因为"看不到产出"），Brand Search 预算被追加（因为"ROAS 高"）——但 Brand Search 的高 ROAS 恰恰是因为 AI 在上游输送了高意向用户。
影响三：无法回答 CFO 的问题。 当 CFO 问"GEO 投入了 6 个月，产出是什么？"效果营销负责人无法回答——因为 GEO 的产出分散在 Brand Search、Direct、Organic 等渠道中，MMP 和 GA4 都没有一个独立的"AI 渠道"视图。
一位效果营销负责人的原话："GEO 现在可能跟 SEO 领域的相关性更强。没有办法做到非常好的归因，如果有投入的话，不知道该如何计算产出。"
这不是一个人的困惑。这是整个行业的结构性测量空白。 这也是我们创立 Gravity Technology（重力科技）、打造 CitationGraph 的根本原因——专门填补 AI 来源测量的结构性空白。
#### 为什么 MMP 不会自己解决
MMP 不会解决这个盲区，不是因为它们不聪明，而是因为三个结构原因：
原因一：架构定位。 MMP 的核心架构围绕"广告触点 → App Install → 应用内事件"设计。把 AI 推荐塞进 MMP 的归因模型，等于要重写整个数据架构。
原因二：商业模型。 MMP 的收入来自广告主和广告网络。12,000+ 广告合作伙伴是 AppsFlyer 的核心生态。AI 来源归因不直接服务于广告合作伙伴生态——它服务的是品牌自身的有机渠道理解。
原因三：技术栈差异。 检测 AI 流量需要完全不同的技术栈——AI 爬虫行为识别、服务器端请求分析、AI 答案引文监控——这些是独立的技术领域，不在 MMP 的核心竞争力范围内。AppsFlyer 的工程资源应该花在 SKAN 5.0 适配和隐私增强归因上，不应该花在 AI 流量检测上。
#### 出路：AI Measurement Partner
市场需要的不是一个新的 MMP。市场需要的是一个 AI 测量伙伴（AI Measurement Partner）——专门覆盖 MMP 天然看不见的 AI 来源层。
这就是 CitationGraph 的产品定位：
衡量 AI 发现、Web 侧证据、自定义结果和 MMP 信号交接。现有 MMP 继续作为 App Install 与 App 内事件归因的主系统，CitationGraph 补上它们通常看不到的 AI 来源层。
具体而言，一个完整的 AI 测量伙伴需要覆盖：
层 | 能力 | MMP 状态 |
|---|---|---|
AI 答案可见度 | 监控 AI 平台的品牌引用率 / SOV | 完全盲区 |
AI 爬虫活动 | AI Agent 识别 + 服务器端请求分析 | 完全盲区 |
AI 来源到站 | AI 来源 referral 识别 + 来源标记 | GA4 部分覆盖，MMP 不覆盖 |
Web-to-App 信号桥 | AI 来源信号 → MMP 自动消费 | MMP 可消费，但需要上游提供信号 |
因果验证 | Geo Lift / Holdout / 增量性验证 | 完全盲区 |
关键原则：不碰 App Install 归因。MMP 继续做它擅长的事。AI Measurement Partner 做的是把 AI 来源信号"翻译"成 MMP 可以消费的标准格式，让 MMP 的归因模型自动把 AI 来源识别为一个新渠道。
#### 对不同行业的影响
加密交易所 / FinTech：影响最大。用户在 Web 端通过 AI 发现品牌、在 App 端完成 KYC/入金/交易。转化周期长（天到周）、必须跨端、多个高价值转化事件。MMP 只看到 App 侧，Web 侧的 AI 影响完全丢失。
SaaS：影响显著。用户通过 AI 搜索发现工具、在 Web 端试用、最终订阅。AI 对 SaaS 的获客影响正在快速增长，但 GA4 和 MMP 都无法独立量化。
电商 / DTC：影响在增长。Shopify 报告 AI 驱动订单同比增长 13 倍。但传统电商归因工具围绕 Paid Media 设计，AI 发现上游不在数据范围内。
媒体 / 内容：影响深远但难量化。AI 的零点击引用意味着内容被消费但没有访问——传统的 pageview/session 指标完全失效。
#### 这篇文章的核心论点
MMP 的盲区不是它们的产品缺陷——是 AI 改变了获客链路的起点。MMP 的测量从广告触点开始，AI 的影响发生在广告触点之前。品牌需要一个独立的 AI 来源测量层——比如 CitationGraph——与 MMP 协同工作，补上这段结构性空白。
FAQ
Q1: MMP 不是也在往 Web 端扩展吗？AppsFlyer 的 Web Performance Measurement 呢？
A: 对。AppsFlyer 2026 年推出了 Web Performance Measurement，试图在 Web 端提供独立的归因层。但它的核心仍然围绕"广告触点 → 转化"设计——Web 端的 AI 爬虫活动、AI 答案引用、零点击影响不在它的数据模型中。Web Performance Measurement 解决的是"广告驱动的 Web 转化归因"，不是"AI 驱动的品牌发现测量"。
Q2: GA4 不是能看到 AI 来源吗？
A: GA4 能看到一部分——有 referrer 的人类点击。但它有三个致命盲区：① AI 爬虫不执行 JS，GA4 一条记录都没有；② referrer 被剥离的 AI 访问无法识别；③ 跨端 Web→App 旅程断裂。我们在 CitationGraph 上的数据显示，GA4 大约只看到 AI 实际触达的 10-15%。
Q3: 为什么不用 post-purchase survey 代替技术归因？
A: Post-purchase survey 是有价值的补充信号，但有三个限制：① 回忆偏差——用户可能记不住三天前的 AI 推荐；② 响应率通常 < 5%——样本太小无法做渠道级预算决策；③ 无法回答完整的归因细节。技术归因和 survey 应该并用，不能互相替代。