1. MMP 解决了什么问题
2016–2024 年，MMP 建立了独立第三方归因裁决的行业共识。
AppsFlyer、Adjust、Branch、Singular 解决了移动广告的根本问题：一个用户安装了 App，是哪个广告、哪个渠道、哪个创意带来的？
- Web 端：cookies + click ID，相对简单。
- 移动端：跨设备、跨渠道、概率匹配、IDFA 衰退、SKAN 框架——极其复杂。
MMP 用了近十年构建归因基础设施。
到 2026 年：
- AppsFlyer 覆盖 12,000+ 广告合作伙伴，处理数十亿次安装归因。
- Adjust 被 AppLovin 以 10 亿美元收购后强化了游戏和应用商店优化。
- Branch 的深度链接技术成为跨端跳转的事实标准。
MMP 的核心价值没有过时。 App Install 归因仍然需要独立第三方裁决。
但一个结构性变化正在发生：获客的上游正在被 AI 重写。
2. AI 重写了什么
2.1 传统获客路径（2024以前）
广告 → 点击 → 落地页 → App Store → 安装 → 应用内事件
MMP 从“广告”开始，到“应用内事件”结束，整条链路在 MMP 视野内。
2.2 新的 AI 驱动路径（2025–2026）
AI 回答/引用 → 品牌认知 → 自主搜索 → 落地页 → App Store → 安装
用户问 ChatGPT “best trading platform for derivatives”，AI 推荐了某个品牌。三天后，用户在 Google 搜索该品牌名，点击广告安装 App。
MMP 看到的是：Google Brand Search 驱动的 Install。
MMP 看不到的是：为什么用户搜索这个品牌名——因为三天前 ChatGPT 推荐了它。
这不是 MMP 的 bug，而是 MMP 的结构性边界。 MMP 的测量从广告触点开始，但 AI 的影响发生在广告触点之前。
3. 盲区有多大
基于我们服务数百个客户站点的真实数据，盲区远超多数预期。
维度一：AI 爬虫请求 vs 人类访问
- 典型站点原始请求中，超过 90% 来自 AI 爬虫和 bot。
- 这些请求决定 AI 是否理解产品、是否推荐你——但 GA4 看不到（爬虫不执行 JS），MMP 更看不到。
维度二：Referrer 剥离率
- ChatGPT 的 referrer 行为跨版本不一致。
- 部分 AI 平台使用
noreferrer策略。 - 移动端 WebView 内跳转 referrer 常被剥离。
- 数据显示：30–60% 的 AI 来源点击在到达网站时已丢失来源标记。
维度三：跨端断链
用户路径：AI 平台 → 品牌官网（Web）→ App Store 下载 App
-> 跨端跳转时 AI 来源信息丢失。
-> MMP 将其记为“自然安装”——AI 的贡献被归零。
维度四：零点击引用
- 2026 年约 60% 的 AI 搜索以零点击结束。
- AI 直接在回答中展示完整信息，用户获得品牌认知但无任何可追踪点击。
- 基于点击的归因系统完全无法测量
4. 这对效果营销意味着什么
影响一：AI 渠道被系统性低估
- 当 AI 驱动的用户被归因到 “Brand Search”“Direct” 或 “Organic” 时，AI 的真实贡献被隐藏。
- 投入越多 GEO（Generative Engine Optimization），Brand Search ROAS 看起来越高——但功劳被错误地记在 Google Ads 头上。
影响二：预算分配偏差
- 如果 AI 贡献被归入 Brand Search，预算模型会高估 Brand Search 效率、低估 AI/GEO 效率。
- 长期结果：AI/GEO 投入被削减（“看不到产出”），Brand Search 预算被追加（“ROAS 高”）——但 Brand Search 的高 ROAS 恰因 AI 在上游输送了高意向用户。
影响三：无法回答 CFO 的问题
“GEO 现在可能跟 SEO 领域的相关性更强。没有办法做到非常好的归因，如果有投入的话，不知道该如何计算产出。”
——某效果营销负责人
MMP 和 GA4 均没有“AI 渠道”视图，导致 GEO 的产出被分散到 Brand Search、Direct、Organic 等渠道，难以量化。
5. 为什么 MMP 不会自己解决
不是它们不聪明，而是三个结构原因：
原因一：架构定位
- MMP 核心围绕 “广告触点 → App Install → 应用内事件”。
- 将 AI 推荐塞入归因模型等于重写整个数据架构。
原因二：商业模型
- MMP 收入来自广告主和广告网络。
- AppsFlyer 有 12,000+ 广告合作伙伴，AI 来源归因不直接服务其生态。
- AI 归因服务的是品牌自身的有机渠道理解。
原因三：技术栈差异
- 检测 AI 流量需要不同技术栈：AI 爬虫行为识别、服务器端请求分析、AI 答案引文监控。
- 这些不在 MMP 核心竞争力内。AppsFlyer 的工程资源应投入 SKAN 5.0 适配和隐私增强归因，而不是 AI 流量检测。
六、出路：AI Measurement Partner
市场不需要另一个MMP，而是需要一个AI测量伙伴，专门负责：把AI来源的信号“翻译”成MMP能消费的格式。
能力层 |
做什么 |
MMP状态 |
AI答案可见度 |
监控AI平台（ChatGPT、Perplexity）上的品牌引用率和SOV。 |
完全盲区 |
AI爬虫活动 |
识别AI爬虫并进行服务器端分析。 |
完全盲区 |
AI来源到站 |
识别并标记AI来源的Refferrer。 |
GA4部分覆盖，MMP不覆盖 |
Web-to-App信号桥 |
将AI来源信号传递给MMP，使其自动识别为独立渠道。 |
可消费（需上游提供） |
因果验证 |
通过Geo Lift / Holdout等方法，验证AI渠道的增量性影响。 |
完全盲区 |
核心原则: 不碰App Install归因。我们做的是“测量AI发现”，MMP做的是“测量转化结果”。
七、FAQ
Q1: MMP 不是也在往 Web 端扩展吗？AppsFlyer 的 Web Performance Measurement 呢？
A: 对。AppsFlyer 2026 年推出了 Web Performance Measurement，试图在 Web 端提供独立的归因层。但它的核心仍然围绕"广告触点 → 转化"设计——Web 端的 AI 爬虫活动、AI 答案引用、零点击影响不在它的数据模型中。Web Performance Measurement 解决的是"广告驱动的 Web 转化归因"，不是"AI 驱动的品牌发现测量"。
Q2: GA4 不是能看到 AI 来源吗？
A: GA4 能看到一部分——有 referrer 的人类点击。但它有三个致命盲区：① AI 爬虫不执行 JS，GA4 一条记录都没有；② referrer 被剥离的 AI 访问无法识别；③ 跨端 Web→App 旅程断裂。我们在 CitationGraph 上的数据显示，GA4 大约只看到 AI 实际触达的 10-15%。
Q3: 为什么不用 post-purchase survey 代替技术归因？
A: Post-purchase survey 是有价值的补充信号，但有三个限制：① 回忆偏差——用户可能记不住三天前的 AI 推荐；② 响应率通常 < 5%——样本太小无法做渠道级预算决策；③ 无法回答完整的归因细节。技术归因和 survey 应该并用，不能互相替代。
关于我们: 重力科技（Global Gravity）- AI驱动的生成式引擎优化服务商，我们帮助企业在阿里云等领先云平台上，构建并实施高效的AI搜索优化策略，实现品牌的持续增长。
