NIQ 和 Google 达成合作，把商品数据接进 Google 的智能体购物生态，给 Shopping Graph 补充商品信息与本地库存数据。这个图谱现在装着超 600 亿条商品信息，是 AI 购物助手认东西的底册。合作在 2026 年 10 月 29 日公布，NIQ 同时指定 Google Cloud 作为其主要 AI 和云服务提供商，并计划在全球员工中部署企业级 Gemini。但这场合作对卖家真正的分量，不在“600 亿又多了多少条”，在 NIQ 补进来的数据种类和颗粒度，恰好对应了 AI 购物助手从“能搜到”到“能替人做决定”之间那段最难的跨越。
600 亿条里，你的商品占几条
AI 购物助手替买家挑东西时，读的是图谱里的字段：规格全不全、有没有货、门店里能不能买到。NIQ 加入之后，数据的颗粒度会变细，商品属性的完整度从加分项变成了及格线。同样一件商品，参数字段填满的和只有一张主图的，在 AI 眼里是两种东西：一种能被推荐，一种根本读不懂。
这个判断有一个比“填满字段”更具体的技术背景。Google 在 2026 年已经把 Merchant Center 的商品数据同时喂给七个界面——AI Mode、Gemini 购物、Google Lens 虚拟试穿、Business Agent、品牌主页、免费列表和购物广告。同一个 Feed，七个出口。购物广告时代，Feed 的核心是标题、价格、GTIN、品牌这几项，匹配逻辑是关键词和标题的相似度。AI Mode 和 Gemini 购物走的不是这条路径：买家问的是“适合湿滑路面的平价越野跑鞋”，AI 需要把防水等级、鞋重、 terrain 兼容性和价格当作四个独立的结构化字段去比对，而不是在一段标题文本里找关键词。Google 为此在 Merchant Center 里新增了一类字段，叫“conversational attributes”，专门用来承载 AI 在自然语言对话中检索产品所需的结构化信息。卖家侧有一个可操作的基准线：一个商品在 Feed 里的结构化属性少于 15 个，在 AI Mode 里除了最基础的品类查询之外，大概率是不可见的。15 个不是 Google 公布的官方门槛，是行业根据当前 AI Mode 检索行为反推出来的观察值，但它指向的方向和 Google 官方“product data quality determines whether they exist in AI commerce at all”的措辞是一致的。
NIQ 接入之后，这个“及格线”会从“卖家自己填了多少”变成“卖家填的加上 NIQ 能对上多少”。NIQ 的 Product Intelligence 覆盖超过 2.5 亿种商品，它的数据来源不是卖家的自述，是零售端的实际销售和货架信息。当 AI 手里同时有一份卖家提交的 Feed 和一份 NIQ 的零售端产品数据时，两边的字段能不能对齐，就变成了商品能不能被可信地推荐的前提。 一个卖家在 Feed 里把材质写成“优质面料”，NIQ 的零售数据里对应的是具体的纤维成分和克重，AI 读到的是两套不一致的描述；一个卖家在 Feed 里填了准确的 GTIN 和规格，NIQ 的数据能在这个 GTIN 上做交叉验证，商品在 AI 眼里的可信度就不是卖家单方面声明的级别。
卖家要做的仍是那件朴素的事，把 Feed 里能填的字段一项项填满：规格、材质、适用场景、库存状态、可售门店。数据的完整度决定了商品在 AI 推荐通道里的可见度，这个规则不会因为平台换了几轮就变。具体到补什么，Google 新增的 conversational attributes 里有几类字段的权重值得优先放：intended use（预期用途）、best for（最适合的场景）、season（季节适用性）、compatible with（兼容型号）。这几类字段是买家在 AI 对话里最常用来缩小范围的维度，也是传统 Feed 里最容易留空的部分。一个卖手机壳的链接，如果只填了型号和颜色，没有填“compatible with”里具体的机型列表和“best for”里对应的使用场景（防摔、磁吸、轻薄），AI 在回答“有没有适合 iPhone 17 Pro 的磁吸防摔壳”时，这个链接能提供的匹配信号就只剩品牌和品类两个维度。
本地库存是新变量
这次合作特意点了本地库存数据。AI 助手不光回答有什么，还会回答哪里现在有货。做线上线下一盘货的商家，门店库存数据的准确度直接进了推荐的渠道，库存不同步，线上显示有货门店没货，AI 的推荐反而变成差体验。
本地库存在 Google 的体系里不是主 Feed 的附属字段，是一条独立的 Feed 路径。Local Inventory Ads 和 AI Mode 里的本地库存展示，依赖的是一个单独的 local product inventory feed，通过 store_code 属性把每一个物理门店和它对应的 SKU 价格、库存绑定起来，门店级的商品 ID 通常写成“SKU-123-STORE”这样的格式，和主 Feed 里的产品 ID 形成一对多的映射。主 Feed 管的是“这个商品存不存在”，local inventory feed 管的是“这个商品此时此刻在哪个货架上”。 NIQ 的 Store Intelligence 覆盖 90 个国家的零售门店位置和销售追踪，它接入 Shopping Graph 之后，AI 做本地可用性判断时手里的参照系从“卖家自己报的门店库存”扩展到了“零售端实际监测到的门店动销和货架状态”。一个卖家如果 local inventory feed 的更新频率是每天一次，而 NIQ 的零售数据反映的是更实时的动销信号，两者之间的时间差在 AI 眼里就是一个可信度折扣：系统会更倾向于相信它自己交叉验证过的那一侧。
库存和价格是 AI 最敏感的两项，错了不只是少被推荐，还会给买家留下体验差的记录。AI Mode 在 2026 年 4 月已经确认可以帮买家找到附近门店里有货的具体商品，这条路径上的每一次“线上说有、到店没有”，都会变成一次负向的体验信号。智能体购物的推荐权重不是只看“这个商品被点击了多少次”，也看“被推荐之后实际成交和到店取货的成功率”。 库存数据的实时性在这个机制下不是“最好能准”，是“不准就会被系统降权”。
补字段这件事可以排个优先级：先补影响推荐判断的关键字段，规格、库存、价格；再补提升信任的辅助字段，材质、认证、售后条款。库存和价格是 AI 最敏感的两项，错了不只是少被推荐，还会给买家留下体验差的记录。每周固定半小时核对一遍，比一次性补齐更靠得住。
合作的三层结构里，卖家只直接参与第一层
NIQ 与 Google 的这场合作在官方描述里涵盖三个领域：企业级规模与速度（NIQ 内部部署 Google Cloud 和 Gemini）、商业创新（用 NIQ 的 Commerce Intelligence 补充 Shopping Graph）、以及成果衡量与 ROI（NIQ Cadence 整合 Google 的 Meridian 营销组合模型框架）。对卖家而言，这三层的可参与程度完全不同。
第一层是数据供给，卖家有直接的操作入口。Feed 里填什么、填多细、库存更新多快，这些动作落在 Merchant Center 和 local inventory feed 里，是卖家自己能控制的。NIQ 的数据进来之后，Feed 的完整度和准确度不再是“做得好加分”，而是“对不上就被交叉验证筛掉”。这一层的竞争在数据质量上，不在投放预算上。
第二层是测量闭环，卖家不直接操作，但它会改变 AI 购物路径上的归因逻辑。NIQ Cadence 整合 Meridian 之后，品牌方可以把 NIQ 的真实零售购买数据喂进 Meridian 模型，用 Meridian GeoX 做基于地理位置的投放实验，从而看清“推荐了什么、买了什么、什么真正推动了增长”这条完整链路。对卖家的含义是间接的：当平台和测量工具能把 AI 推荐与线下实际购买串起来时，那些在 Feed 里数据完整、本地库存准确的商品，在 AI 推荐路径上的“可归因增量”会更清晰地被识别出来，而数据模糊的商品在测量体系里会变成噪声，不会得到额外的预算倾斜。
第三层是基础设施，NIQ 用 Google Cloud 和 Gemini 加速自己的零售智能产品开发，和卖家没有直接的操作关系，但它决定了 NIQ 的数据以多快的速度、多细的颗粒度流入 Shopping Graph。这一层跑得越快，前面两层对卖家的数据要求就越紧。
门店端也要对齐：线上改价了门店没改，库存同步慢半拍，AI 读到的就是错的数据。线上线下一起管货的商家要把它当日常功课来做，不能靠季度大扫除。数据新鲜，推荐才新鲜。本地库存 Feed 的更新频率，在 NIQ 的数据交叉验证面前，是一个比“有没有填”更硬的指标。 一个每天更新一次的本地库存文件，和一个实时同步的系统，在 AI 判断“现在去这家店能不能买到”时的可信度不在同一个档位上。
给卖家的三个动作，顺序比内容更重要
第一，先做一次 Feed 属性深度审计，再谈优化。 把每个 SKU 在 Merchant Center 里的结构化属性数量数一遍。低于 15 个的，先补 conversational attributes 里那四类高权重字段（intended use、best for、season、compatible with），而不是回头去改标题里的关键词。AI 检索不读标题的修辞，读的是字段之间的逻辑关系。
第二，本地库存 Feed 的更新频率需要先核到“小时级”的门槛上。 如果现在的更新节奏是每天一次或更慢，在 NIQ 的零售端数据交叉验证面前，这份本地库存文件的参考价值会被打折扣。Google 的本地库存路径要求的是“现在有没有”，不是“今天早上有没有”。做线上线下一盘货的商家，需要把门店 POS 或库存系统和 local inventory feed 的同步周期压到小时级，而不是每天批量刷新。
第三，把“数据核对”从一次性项目变成周度固定动作。 每周固定半小时，核三样：关键字段有没有因为上新或改版被清空、库存和价格有没有和实际不一致、GTIN 和 NIQ 一侧的零售数据能不能对上。AI 购物的推荐权重是在持续的数据新鲜度里累积的，不是在一次性的字段填满里兑现的。 功课做在平时，权重攒在暗处。