
无论用户是用 Google 搜索、去 Amazon,还是询问 AI 助手,如今 AI 都会给出包含商品的回答,而大多数电商品牌并不知道怎样才能成为那个被推荐的商品。AI 选择率这个指标,反映的是您的商品有多常被选中。计算方法是:统计在多少个购物场景中,AI 购物智能体将您的商品作为最终选项,再除以测试的全部场景数,最后乘以 100。
我认为,这是整个智能体购物讨论里最能真实反映情况的指标,主要因为它很难伪造。被提及很廉价。一个商品可以在每次回答里都被点名,却仍然在最后一步丢掉这笔销售,有点像每场婚礼都被邀请,却从来不是结婚的那个人。选择发生在智能体不再列举、而开始做出取舍的那一刻。
TL;DR
- AI 选择率是指在已测试的购物场景中,AI 智能体将您的商品选为最终选项的百分比。
- 开始衡量前,先定义什么算作一次选择:最佳选项、短名单胜出、加入购物车、开始结账,还是完成下单。
- 按模型分别报告,并标注日期。单一的综合分数会掩盖不同助手彼此结论不一致这一事实。
- 每周之间的小幅波动通常只是噪声。在相信变化之前,先用相同提示重复多次测试。
- 最能迅速影响结果的因素,是智能体读取的数据:商品数据源、商品目录,以及商品页面上的结构化数据。
AI 选择率衡量的是什么
AI 购物智能体不会浏览您的首页。它会读取您的商品数据源、商品目录,以及商品页面上的结构化数据,把找到的信息与其他卖家的商品进行比较,然后给出一个商品,或者一份带有首选项的短名单。选择率统计的,就是那个首选项有多常是您的商品。
公式很简单:
选择率 = 您的商品被选中的场景数 / 分析的总场景数 × 100
一个场景就是一次购物请求,例如“适合敏感肌、价格低于 $40 的维生素 C 精华”,或者“送到得州的两瓶指定单一麦芽威士忌”。您为自己的商品编写一组这样的场景,运行测试,并记录结果。
下面用一个虚构示例说明计算方式。您针对一款商品测试 40 个场景,其中 AI 购物智能体在 8 个场景中选择了它,那么这款商品的选择率就是 20%。如果最接近的竞品在 18 个场景中被选中,它的选择率就是 45%,其余场景则被其他卖家或无人选中。您真正需要优化的,就是这个差距。
注意,这个数字并不代表流量,也不代表订单。它衡量的是 AI 购物智能体的决策,而这个环节正好发生在流量或订单之前。
先定义什么算“被选择”
大多数团队都会在这里变得含糊,而从这一刻开始,这个指标也就失去了意义。“被选择”至少可能代表五种不同情况:
- AI 购物智能体将您的商品列为最佳选项。
- AI 购物智能体在候选商品信息中选择了您的商品。
- AI 购物智能体将您的商品加入购物车。
- AI 购物智能体开始结账。
- AI 购物智能体代表消费者完成购买。
这些都是同一转化漏斗中的不同阶段,因此得出的选择率会有很大差异。第一种定义最宽松,最后一种最严格,而且目前只有少数平台支持。在美国,Google AI Mode 和 Gemini 已通过 Google 的开放式智能体结账标准 UCP 支持在 AI 回复中直接购买。ChatGPT 则会将消费者引导至商家自己的结账页,因此对于 ChatGPT 来说,更现实的最终事件是 AI 购物智能体选择了您的商品,并且消费者点击进入商店。
建议只选定一种定义,写清楚,并且不要在季度中途更改。如果这个月统计的是“被列为最佳选项”,下个月改成“加入购物车”,您很可能会把下滑误判成增长,或者反过来。
如何计算和跟踪
您不需要数据科学团队,需要的是严谨执行。下面是我会采用的步骤。
- 选择商品。 先从最重要的 10 款商品开始,可以按利润率或销量来选。
- 编写场景。 针对每款商品,按照消费者真实的表达方式编写购物请求。包括价格限制、使用场景、配送地点和商品变体。在运行之前先固定场景列表,避免事后悄悄删掉表现不好的提示词。
- 指定竞品。 AI 购物智能体是在多个选项之间做选择,因此每个场景都需要加入竞品。请使用消费者真实会对比购买的商品。
- 在每个模型上多次运行每个场景。 单次运行无法证明任何问题,因为同一个提示词下一次可能会得到完全不同的结果。
- 记录模型、模型版本和日期 并附在每条结果旁边。模型更新可能会在一夜之间彻底改变结果。
- 按模型、按商品分别计算选择率。 然后如果需要,再汇总成整体商品组合视图。
- 修复数据后,再重新运行相同场景。 确保比较条件一致。
手动操作适合少量商品,但很快就会变得难以维护。在 ecentic 中,这一流程是自动完成的:系统连接 Shopify、WooCommerce 或商品数据源,让 ChatGPT、Claude 和 Gemini 将每款商品与指定竞品进行比较,并展示您的商品为什么会输。需要说明的是:这些是模拟消费者,而不是真实消费者,因此模拟中更高的选择率只能说明 AI 购物智能体如何理解您的数据,并不代表订单预测。
选择率、提及率、引流和转化的区别
团队经常把这些概念混在一起,因此下面并列说明它们的区别。
| 指标 | 统计内容 | 距离购买有多近 |
|---|---|---|
| 提及率 | 品牌或商品在回答中被提到的频率 | 很远。被提及不等于被选择 |
| 推荐率 | 被作为优质选项推荐的频率 | 更接近,但一个列表里可能同时有五个“赢家” |
| 选择率 | 在多个选项中被最终选中的频率 | 很接近。这才是真正的决策 |
| AI 引荐访问 | 来自 AI 助手的访问 | 发生在决策之后,前提是消费者点击了 |
| 转化 | 这些访问带来的订单 | 最终结果 |
一款商品可能在大量回答中出现,但仍然会在最后一步落选。原因通常并不复杂:价格更高、配送更慢、缺少某个变体、退货政策较弱、评价较少,或者商品数据不完整、未更新。品牌在传统搜索中排名不错,但依然可能在 AI 决策中被排除在外,这正是 电商中的 AI 应用案例 在描述搜索与 AI 回答逐渐重叠时提到的差距。
还有一个区别需要强调。模拟中的“被选择”并不等于销售。AI 引荐访问是真实流量,模拟选择是测试,而营收则是独立指标。请分别统计。如果想深入了解如何衡量智能体流量,我在 电商 AI 分析指南.
为什么必须按模型分别统计,而不是只看一个总分
不同 AI 助手之间不会得出相同结果,同一个助手在不同版本之间也可能不一致。2025 年的一项学术研究 What Is Your AI Agent Buying?》让多个智能体面对同一组商品。在健身手表类别中,Claude Sonnet 4 有 45% 的时间选择某款 Fitbit,而 GPT-4.1 和 Gemini 2.5 Flash 的选择率大约只有 25%。随后在 Claude Opus 4.5 中,这个比例跃升至 77%,而在 GPT-5.1 中又降至 6%。

请再读一遍。同样的商品、同样的货架,只因为提问的模型不同,赢家就可能完全不同。如果把这些数字简单平均,得到的结果无法代表任何真实消费者。
我们的模拟也显示出同样的分化。截至 2026 年 10 月,我们已经运行了 36,797 次模拟购买。在同一商品目录中,ChatGPT 选择商品的频率约为 Claude 或 Gemini 的 3 倍,分别是 51.6% 和约 18.5%。我不会假装每次都知道原因。我认为其中一部分原因在于,不同模型对价格、品牌名称和数据完整性的权重不同。真正重要的是:请为每个 AI 助手分别统计,并记录日期。
这也会改变您的后续动作。如果您在一个模型中落败、在另一个模型中胜出,那么得到的就是明确诊断,而不是一句模糊的“AI 不喜欢我们”。
什么会影响选择率
AI 购物智能体只能理解数据告诉它的内容。因此,影响最大的因素往往最不起眼。
商品数据问题。 如果标题只写“30ml 精华液”,智能体就没有可用来匹配敏感肌需求的信息。只适合放在海报上、却无法帮助作出购买决定的描述,也有同样的问题。在一次匿名审查中,一家年销售额约 7000 万欧元的烈酒电商平台,其 9,699 个商品中有 88% 的商品存在智能体读取的数据问题。当智能体被问到应去哪里购买该平台销售的两瓶酒时,平台在 20 次回答中被提及的次数为 0。商品目录很好,在智能体的货架上却看不见。
结构化数据。 这是商品页面中的机器可读层,包括价格、库存、品牌、标识符、配送和退货信息。AI 购物智能体依赖这些数据,因为它们明确且无歧义。字段缺失或信息冲突时,很容易输给竞品。
竞品比较。 AI 购物智能体很少单独评估您的商品,它会将其与其他商品放在一起比较。如果竞品商品信息中写明了使用场景、材质和退货政策,而您的没有,那么竞品就会胜出。这也是为什么我们会让模型将每款商品与指定竞品进行比较,并用通俗语言解释结果。
位置和排序。 关于智能体选择的研究发现,模型可能会受到商品在列表中位置的影响。如果您进行测试,请随机打乱选项顺序,否则测到的将是页面布局,而不是商品本身。
结账流程本身。 选择并不会在“选中”时结束。在另一次匿名检测中,一家瑞典护肤品牌的智能体结账在 6 个国家中有 0 个进入支付环节,因为配送设置要求填写电话号码。智能体无法凭空生成号码,因此订单中断。如果您的目标是真正卖出商品,而不仅仅是“被选择”,那么结账路径也是商品数据的一部分。
如果想了解这些智能体背后的工作机制, AI 购物智能体如何推荐商品 详细介绍了它们会读取哪些内容以及读取顺序。关于商品信息优化,可以参考 AI 商品信息优化.

如何解读选择率变化
您的选择率从 20% 提升到 25%。这是值得庆祝,还是只是噪声?通常来说,在证明之前,大概率只是噪声。
有三个习惯会很有帮助。第一,保证足够样本量:如果每个场景只运行一次,几个百分点的波动和抛硬币没有区别。请在每个模型上进行多次独立测试。第二,不只看变化是否“显著”,还要看变化幅度以及可能的波动范围。变化很小、误差却很大时,说明不了任何问题。第三,每次比较都绑定模型版本。如果供应商在两次测试之间更新了模型,您比较的可能已经不是同一个“消费者”。
如果您确实做了修改,比如重写了 20 个标题,那么请在相同模型上重新运行同一组固定场景,并且只比较修改过的商品。如果改动过的商品发生变化,而未改动商品没有变化,那么您就得到了真实信号。这已经是商家能够做到的最接近对照实验的方法。
我们的看法
我认为,未来几年内,选择率会成为电商报告中的标准指标。而且大多数品牌第一次真正接触它时,体验可能并不愉快:它们会发现自己的分数几乎接近零。
我们打造 ecentic 的核心理念只有一个:智能体根本不会看您的首页。它读取的是商品 feed、商品目录和结构化数据;在美国的 Google AI Mode 和 Gemini 中,它甚至还能通过 UCP 代表消费者完成结账。因此,真正需要优化的是商店本身,而不是只会报告问题却不解决问题的仪表盘。
这也是为什么我们的流程最终一定落到行动。我们让 ChatGPT、Claude 和 Gemini 将每款商品与指定竞品进行比较,展示您的商品为什么会输;当您点击 Apply 时,ecentic 会重写标题、描述和结构化数据,并发布到您的商店。在 Shopify 上,我们会将修复同步到 Google Merchant Center,并跟踪来自 AI 助手的访问。在 WooCommerce 上,免费的 ecentic 插件允许智能体通过 UCP 搜索商品、将商品加入购物车并完成结账。真正完成结账,是普通 feed 工具做不到的部分。
我也会坦率说明限制。我们仍处于早期阶段,目前正在进行试点。首个客户 DUA Flavours 在 2026 年 4 月到 7 月期间,来自 AI 助手的访问和直接流量增长了 12%。这是访问量数据,不是销售数据,我更愿意明确说清,而不是让人误读。
OpenAI 有 ACP,Google 有 UCP,Amazon 则构建了自己的封闭体系。不管最终格局如何演变,真正能被智能体购买的,一定是那些商品数据完整、清晰的商店。
Xhurian Shaba
查看您的选择率
想尽快了解自己的现状,直接运行检测即可。ecentic 帮助网店在 AI 智能体购物时获得销售:通过优化这些店铺的商品数据源和商品目录,让 AI 购物智能体选择它们的商品,并且确实能够完成购买。让 AI 购物时,也为你的店铺带来成交。
免费检测覆盖您最重要的 10 款商品,无需绑定银行卡。如果想修复检测发现的问题,可以查看 ecentic 定价页面:Compete 每月 $14.90,支持最多 100 款商品;Scale 每月 $44.90,支持最多 1,000 款商品,并提供一键修复;Dominate 每月 $149,额外支持 Google Merchant Center 同步和智能体结账设置。此外还有按使用付费方案,按 AI 归因订单的 3% 收费,每月最高不超过 $500。

如果想在注册前了解整个流程, ecentic 的工作原理 会一步步演示如何进行模拟、诊断和优化。
常见问题
什么样的 AI 选择率算好?
不存在可信的通用基准,因为选择率取决于您的品类、竞品、编写的场景以及测试所用模型。更有价值的目标是:在每个 AI 助手中,超过那个您最常输给的指定竞品,并且在修复数据后看到自己的数值提升。对于任何所谓的“行业平均值”,都应保持警惕。
AI 选择率与 AI 可见性有什么区别?
可见性通常意味着您的品牌或商品被提及或列出。选择则意味着 AI 购物智能体在多个选项中真正选中了您的商品。一个品牌可能经常被提到,但仍然会输掉最终选择,因此选择率离购买决策更近。
应该多久检查一次 AI 选择率?
每次做出改动后都应该检查,并且保证不同轮测试使用完全相同的场景。模型会更新,因此请为每条结果记录日期和模型版本。如果您这边没有任何变化,却出现周与周之间的波动,大多数情况下只是噪声。
更高的选择率是否意味着更多销售?
不一定。模拟中的“被选择”只是测试 AI 购物智能体如何理解您的数据,并不等于销售。它是一个很强的前置指标,但订单还取决于价格、配送、结账流程,以及消费者是否最终完成购买。请分别衡量 AI 引荐访问和订单。