一、三种信号的边界必须先定义，再谈归因
归因混乱通常不是工具的问题，而是「AI 来源」这个口径从来没被定义过。同一句「AI 帮我找到的」在团队内部可能指三件完全不同的事，它们的可信度、影响面和后续动作都不一样。
三个口径在报表里必须分列。把提及率、引用率、推荐出现率合并成一个「AI 曝光」数字，是后续所有归因争议的起点。
- AI 提及：答案正文里出现了品牌名，但没有任何指向你站点的引用，也没有在推荐语境中出现。它是最低强度的信号，只能作为曝光口径，不能作为流量口径。
- AI 引用：答案把某个具体 URL 列为事实来源。这是唯一一种可以在分析工具里被直接观测到的信号，判据是「引用了哪个页面」。
- AI 推荐：答案在给出选择建议时把你的产品放在候选里，且带有推荐语气或排序位置。它与前两者的区别在于它已经进入了决策语境，强度最高，但也最难被自动化判定。
二、来源标记：只有被观测到的路径才配得上被标记
需要被标记的只有真实可归因的路径。可归因意味着：这次访问能够被技术手段识别出与某个 AI 平台或某个 AI 场景的关系。判据是「这次访问有没有留下可识别的痕迹」，而不是「访问者说他从 AI 来的」。
- 落地页参数：为目标页面生成带场景参数的链接，参数应能区分平台、问题类别与落地内容，而不是只有一个 utm_source=ai
- 会话级标记：在转化流程中保留首次与末次触点的场景标记，避免只有末次被记录
- 离线询问记录：当销售或客服听到「AI 推荐的」，应主动问一句是从哪个平台、哪个上下文看到的，并作为独立字段记录，而不是并入来源字段
- 未标记的访问不进入 AI 归因分母，这是纪律要求而非技术限制
三、转化归因口径：把「谁贡献的」写清楚
AI 来源的转化路径通常不是一次性的：用户可能先在 AI 里看到品牌，几周后通过搜索直接访问官网。如果只记录末次访问，AI 的作用会被完全抹掉；如果把所有访问都算在 AI 上，又会高估它的贡献。可落地的口径是分场景分别计算，而不是合并成一个数字。
指标定义与口径需要逐项写清，避免团队对同一个数字有不同理解，具体条目可对照指标口径说明。
与之配套的问题是「AI 有没有提到我们」，这属于可见度而非转化问题，两者的问题集与判定标准不同，测量记录方式见测量方法论。
- 直接转化：带 AI 场景参数进入并完成转化，按末次触点计入 AI 归因
- 辅助转化：无参数进入，但在归因窗口内此前存在带参数的 AI 会话，按辅助触点单独记录，不并入直接转化
- 自述转化：销售侧记录到的「AI 推荐的」，进入自述字段，与技术归因分开统计
- 窗口口径：窗口长度需要事先约定并保持一致，中途调整会让历史数据失去可比性
四、无法归因的部分怎么办：承认它，而不是摊到别的渠道
AI 来源的访问里有一部分本来就无法被识别——用户在对话中提到品牌，然后手动输入网址或直接搜索品牌词，这类访问在技术上与普通直接访问没有区别。处理这类数据的态度决定了归因体系是否可信。
建议的处理方式是保留一条独立的「不可归因」或「未知」类别，并且明确它的规模随时间变化，而不是把它按渠道比例摊派到各个来源上。摊派会让每个渠道的数值都失真，且失真方向不可控。
- 报表中保留未知类别，不做比例摊派
- 定期对照品牌词的直接搜索量与整体访问量，粗略判断不可归因部分的量级
- 把自述数据作为侧面参照，但明确说明它是抽样而非全量
五、避免把归因做成自我安慰
归因体系最常见的失效方式不是算错，而是口径被反复放宽直到能支持想要的结论。防止这一点的方法是把口径写下来并在时间上冻结。
- 信号定义、参数规则、归因窗口在周期开始前确定，周期内不修改
- 每个周期输出原始数值而不是只给趋势结论
- 当某个渠道的数值出现大幅变化时，先排查口径是否被动过
- AI 引用的可观测性本身依赖记录，可复用的测量记录方式见测量方法论
归因的价值不在于把功劳分配清楚，而在于知道下一步该把资源放在哪一条路径上。 资料核对日期：2026-10-20。本文记录的是羽谱GEO的内容运营方法和可复核边界，不代表搜索或 AI 平台一定会收录、引用或推荐。