人工智能正重塑消费者的产品发现方式，这一转变可能为商家带来新的归因盲区。
越来越多消费者在研究产品时，不再从搜索引擎或电商平台入手，而是向AI助手提出对话式查询。与传统搜索结果中多个品牌争夺注意力不同，AI生成的答案可能仅呈现一个或少数几个品牌。
印度数据分析公司LatentView快消品与酒店业务负责人Kaushik Boruah指出：“可发现性已从10个链接缩减为一个答案。”
Perplexity等生成式AI平台不仅能推荐产品，还可直接提供购买渠道。
发现环节前移
在线产品发现历来涉及多平台协同，购物者常在谷歌、亚马逊或社交媒体间切换搜索。如今，对话式AI工具已成为该生态的重要组成部分。
Boruah表示，当消费者请AI助手推荐舒适服装或无香型肥皂时，AI会提供选项并解释理由。待消费者抵达卖家网站时，往往已做出购买决策。
这意味着产品发现过程已前移至商家无法控制且难以精准衡量的系统中。
归因盲区
假设消费者向AI助手寻求推荐后，转至Google搜索品牌并在Amazon完成购买。此时，Amazon会将销售归因于搜索流量还是直接流量？品牌营销发挥了何种作用？谁又能察觉AI才是最初的引导因素？
Boruah认为，这种缺失即构成“归因盲区”。
缺乏衡量手段令营销人员陷入困境：尽管知晓消费者发现路径已变化或新增AI渠道，但在ROI不明确的情况下，难以将预算转向AI渠道。
许多企业虽意识到这一趋势但仍持谨慎态度，“他们知道必须投入，却不知何时以及如何投入。”Boruah坦言。因此，营销团队仍优先选择结果可衡量的渠道，即便早期AI互动已在影响购买决策。
从某种角度看，这种AI盲区与第三方Cookie终结引发的归因担忧类似。两者均降低了对客户旅程的可见性，并将测量方式转向建模。但不幸的是，AI的归因盲区可能更难解决。
测量方法探索
鉴于直接归因存在局限，企业正尝试其他衡量AI影响的方法：
一是增量测试，即在部分区域或受众中展示活动，通过受控实验对比产生的销售提升来估算渠道真实贡献；二是营销组合建模，通过分析广告支出、定价和销售趋势等大型数据集，评估不同营销活动对收入的影响。
此外，部分营销人员还通过调查和品牌提升研究了解购物者使用AI助手的情况。分析平台也可能发挥更大作用，随着AI发现行为增长，供应商正探索将AI推荐指标、聚合行为模式等新信号纳入归因模型。
正如一直有部分购物者在分析中没有可见来源一样，AI对购物的诸多影响目前仍然不可见。