一份覆盖55个零售站点的研究给了两个放在一起看才完整的数：AI推荐流量的转化率有13.8%，相当好看；可把转化量摊开，Google自然搜索贡献的转化仍高出27倍。一个比率好看，一个体量大，单看哪个都会误判。这组数据来自Adobe Analytics对美国零售网站流量的追踪，2025年7月的数据显示，来自生成式AI来源（ChatGPT、Perplexity等）的流量同比增长470%，转化率约为自然搜索流量的两倍以上，但绝对量在整体访问中仍只占个位数百分比。13.8%和27倍不是矛盾的两个数，是同一个渠道在“质量”和“体量”两条轴上的坐标，缺一条轴，图就画不出来。
转化率高，不等于量大
一份覆盖55个零售站点的研究给了两个放在一起看才完整的数：AI推荐流量的转化率有13.8%，相当好看；可把转化量摊开，Google自然搜索贡献的转化仍高出27倍。一个比率好看，一个体量大，单看哪个都会误判。这组数据来自Adobe Analytics对美国零售网站流量的追踪，2025年7月的数据显示，来自生成式AI来源（ChatGPT、Perplexity等）的流量同比增长470%，转化率约为自然搜索流量的两倍以上，但绝对量在整体访问中仍只占个位数百分比。13.8%和27倍不是矛盾的两个数，是同一个渠道在“质量”和“体量”两条轴上的坐标，缺一条轴，图就画不出来。
小渠道怎么投才算明白
对现在的AI推荐流量，合理的定位是试验田。商品信息按AI能读的结构整理好，让渠道抓得到；预算给小额，盯涨势而不是绝对量；隔一段时间重看一次，量级翻上来了再加码。自然搜索那边照常维护，那是眼下还在出量的田。
“按AI能读的结构整理好”这句话需要拆成可执行的动作。生成式AI在抓取和推荐商品时，依赖的是结构化数据和自然语言描述的结合：商品标题里的核心属性是否明确、参数表是否完整、详情页里的问答有没有覆盖买家实际会问的问题、评价里被反复提到的使用场景有没有被页面吸收。AI推荐不是一个人在看页面，是一个模型在判断“这个商品能不能回答那个买家的提问”。 一个详情页只写了“高品质材料、精湛工艺、适合日常使用”，模型无法从中提取出“这个杯子能不能放进微波炉”的答案，这个商品就不会出现在对应问题的推荐结果里。反过来，一个参数表里逐项标明了容量、材质、耐温范围、是否可机洗的商品，被AI匹配到具体问题的概率会显著上升。
预算的“小额”和“盯涨势”也需要一个可操作的尺度。Adobe的数据显示AI来源流量的基数在2025年7月同比增长470%，但绝对量在整体访问中仍只占个位数百分比。这意味着对一个中等规模的零售站点，AI渠道的日转化量可能只有个位数到几十单，用日级数据去判断涨跌会被噪声淹没。更合理的观察周期是周或双周：看连续三到四周的转化量是否在抬升、转化率是否稳定在两位数、被AI引用的商品页面是否在增加。如果连续一个月的周转化量从20单抬到40单、转化率维持在12%以上，这才是“加码”的信号；如果转化量在20到25单之间波动、转化率在8%到15%之间跳动，说明样本还太小，继续观察比调整预算更有意义。
“商品页答不上来的问题，代理一样答不上来”这句话指向的是AI渠道对页面质量的依赖比传统搜索更深。传统搜索的买家在搜索结果页看到的是一个标题、一张图、一个价格，点击之后在站内可以继续用导航和筛选去找答案；AI推荐的买家是在一个对话界面里被“推荐”了一个商品，他对这个商品的预期是由AI的回答塑造的。如果AI说“这款适合小户型”，而商品页上找不到任何关于尺寸和使用场景的说明，买家的预期和页面之间就出现了断裂。AI渠道的高转化率，一部分来自买家意图明确，另一部分来自AI在推荐时已经替商品做了一轮“解释”，而这轮解释的素材来源，仍然是商品页本身的信息密度。 页面上的信息越厚，AI能用来匹配和解释的素材越多，推荐进来的买家与页面的匹配度也越高。
还有一个角度值得想：AI推荐流量的买家，问题问得细，成交之前往往把参数、价格、评价都过了一轮。这类访客对商品页的依赖其实更深，页面上答不上来的问题，代理一样答不上来。做AI渠道的准备，说到底还是把商品信息做厚。转化率高这件事本身也在提醒，能进到这个渠道里的买家质量不差，别因为它眼下量小就不当回事。样本数据给的是方向感，每家店铺的真实结构，还得拿自己的后台数算。
自己的后台数怎么算，有一个可以参照的框架。第一步是把“AI推荐”作为一个独立的来源标签在分析工具里识别出来，而不是把它混在“referral”或“direct”里。ChatGPT、Perplexity、Gemini、Copilot各自的引荐来源标识不同，需要在GA4或店铺后台的自定义渠道分组里逐一列出，否则这部分流量会被归到“其他”里，看不见也分析不了。第二步是看这批访客的落地页分布：如果集中落在少数几个商品页上，说明这几个页面的信息结构恰好匹配了AI的抓取和匹配逻辑，可以把它们的结构复制到同类商品上；如果落地页分散且跳出率高，说明页面信息不足以承接AI推荐带来的明确意图。第三步是看这批访客的站内行为路径：页面浏览数少、停留时间短、转化率高，是“查完就走”的典型特征，这类流量对应的运营重点不是站内推荐和关联销售，是页面首屏的信息完整度和结算流程的顺畅度。
还有一句要交代：这组数出自55个网站的样本，覆盖的站点类型没有细拆，别家拿到手未必是同一个比例。比率这种东西，样本一换就变，看趋势比看绝对值靠谱。别让一个比率替你做决定。Adobe的样本覆盖的是美国零售网站，品类结构、客单价分布和站点规模都没有在公开数据里细分。一个客单价20美元的快消站点和一个客单价200美元的耐用品站点，AI推荐流量的转化率不可能落在同一个数值上——前者的决策链短、复购快，后者的决策链长、比价重，AI在其中的介入深度完全不同。趋势的方向——AI流量在增长、转化率高于自然搜索、绝对量仍小——在多数零售品类里是共通的；具体的比率数值，只有用自己店铺的渠道标签跑一遍，才知道落在哪个区间。