AI可见性与Agentic Commerce正在合流

简介: AI正从流量入口升级为商业决策参与者:GEO需转向可信、可验证内容;AI已深度介入比价、推荐与购买;Sponsored Agents与Agent-to-Agent广告兴起,营销核心正从争夺用户注意力转向赢得AI的理解、推荐与交易权。(239字)

最近几条关于 GEO、AI Marketing 和 Agentic Commerce 的新闻放在一起看,我认为已经出现了一个很清晰的方向:AI 正从“新的流量入口”,逐渐变成商业决策链中的参与者。

其中一个很重要的信号,是平台开始打击专门“做给 AI 看”的内容。Time + Mobian 尝试为 AI crawler 制作专门页面,并投放只针对 AI agent 的内容,Perplexity 随后明确将这种“人看到 A、机器人看到 B”的方式视为 cloaking,并阻止其影响搜索结果。

这对 GEO 的意义很直接:未来并不是内容越多越好,更不是通过大量针对模型优化的页面,甚至内容投毒,就能长期影响 AI 的答案。随着平台治理加强,真正有效的 AI Visibility 更可能建立在公开、可信、可验证、机器可理解的信息之上。

与此同时,AI 对消费决策的介入已经到了一个很值得关注的规模。Reuters 披露,美国已有 41% 的消费者使用生成式 AI 辅助购物;Adobe 数据显示,AI referral 用户的 revenue per visit 比传统渠道高 41%;Ulta 表示,来自 Gemini 和 ChatGPT 的用户购买意图约为普通来源的两倍;Shopify 也表示,其 AI 驱动的流量和订单同比约增长 3 倍。

这说明 AI 已经不只是“帮助用户搜索”,而是在进入比较、筛选、推荐和购买决策。

我尤其关注另外两个变化。

一个是 Sponsored Agents。如果品牌未来拥有自己的商业 Agent,那么广告就不再只是一个展示位,而可能变成一个可以解释产品、回答问题、参与推荐甚至推动交易的智能体。

另一个是 agent-to-agent advertising。Gravity 正在探索的模式,是让商品目录、价格、优惠和品牌信息直接进入 Agent 之间的交互,由购物 Agent、品牌 Agent 或其他商业 Agent 完成信息交换和部分决策。

这其实印证了一个更大的趋势:

营销正在从争夺人的注意力,逐渐走向争夺 AI 的理解、推荐和决策权。

过去是:

SEO → Website → Conversion

现在越来越可能变成:

AI Discovery / GEO → Recommendation → Agent → Action → Transaction

如果这个方向继续发展,AI Visibility 的终点就不只是“让 AI 提到你的品牌”,而是让品牌能够被 Agent 发现、理解、信任、调用,并进入最终交易链路。

目录
相关文章
|
2月前
|
人工智能 安全 搜索推荐
从决策权经济到A2A市场:Agentic Commerce还缺什么
本文探讨Agentic Commerce从“AI帮买”迈向“A2A市场”的深层变革,提出决策权经济(DAE)核心命题:关键不在AI能否购物,而在人类如何安全、可控地委托经济决策权。剖析身份授权、责任归属、互操作性等五大结构性瓶颈,并指出中国正加速构建Agent商业基础设施。(239字)
200 3
|
1月前
|
数据采集 人工智能 自然语言处理
生成式引擎优化(GEO):当品牌开始争夺AI答案里的位置
过去二十年争搜索排名,如今用户直接向AI提问获取答案。生成式引擎优化(GEO)应运而生:通过权威引用、真实数据与专家引语提升内容在AI答案中的可见度(实测+30%–40%),而关键词堆砌反致-10%。GEO非SEO升级,而是适配RAG机制、以“可信信源”为目标的新范式。
|
1月前
|
人工智能 自然语言处理 搜索推荐
从被搜到,到被“说出来”:一篇讲透GEO的深度科普
本文深度解析GEO(生成式引擎优化)——AI时代新营销范式。面对60%搜索“零点击”、25%流量转向AI工具的趋势,GEO不再追求网页排名,而是让AI在生成答案时主动引用你、信任你。它聚焦内容可信度、结构化数据与多源权威建设,本质是从“被搜到”升级为“被正确说出”。
|
2月前
|
人工智能 安全 API
OpenAI Dots 与 Decisions API:Agentic AI 正从行动边界扩张走向 Decision Authority 迁移
2026年OpenAI DevDay发布Dots(常驻式AI代理,具自主执行与审批机制)和Decisions API(面向机器工作流的决策接口),标志着AI正从能力扩展迈向决策权迁移——判断与行动深度耦合,人类角色转向定义决策边界而非逐项干预。(239字)
282 0
|
3月前
|
人工智能 开发框架 Java
如何入门学习 Agent 开发?
本文分享Agent开发实战经验:强调甄别一手资讯、聚焦Context本质而非框架、坚持实操落地、重视效果评测与自我迭代,助新手避开玄学误区,从真实场景出发高效入门。(238字)
192 5
|
3月前
|
数据采集 监控 供应链
1688 商品详情驱动的选品、竞品分析与采购实战指南
1688是“中国制造”的数字入口,汇聚60万源头工厂。本文详解如何通过API接口实现数据化选品:解析批发价阶梯、库存、供应商资质等核心字段;构建四层选品漏斗;以图搜款溯源跨境爆款;建立采购评分卡与动态监控模型,助力高效决策。(239字)
|
3月前
|
人工智能 测试技术 开发工具
新版Qoder CN AI编程智能体详解:RepoWiki、Quest2.0与专家团实战教程
在AI辅助开发持续迭代的当下,AI编程工具已经跳出简单代码片段生成的范畴,逐步进化为具备任务规划、多文件修改、自测修复、知识沉淀的编程智能体体系。新版Qoder CN作为面向完整软件研发链路的AI编程智能体平台,完成底层架构与核心能力的大规模升级,不再局限单文件代码补全,面向真实工程级项目打造完整Agent工作流,覆盖需求梳理、方案设计、编码实现、单元测试、缺陷修复、项目文档沉淀全流程。产品形态十分丰富,包含独立Qoder CN IDE、JetBrains系列插件、VSCode扩展组件、Qoder‑CLI命令行工具,同时兼容对接百炼平台Coding Plan、Token Plan订阅计费方案,
1033 1
|
3月前
|
人工智能 算法 API
【第二部分:大模型应用开发基础】9. RAG 是什么,它与 Agent 有什么关系?——从知识库问答到 Agentic RAG
RAG 通过文档解析、切分、Embedding、混合检索、Rerank 与引用机制,让大模型在回答问题时能够按需获取企业知识,而不是依赖训练数据“记住一切”。文章进一步介绍 RAG 如何从固定的检索增强生成流程演进到 Agentic RAG:由 Agent 判断是否需要检索、如何规划 Query、证据是否充分,并在必要时继续改写和多轮检索。同时梳理 RAG、Memory、Tool 与 Agent 的边界,强调知识库问答系统并不等同于 Agent,RAG 只是 Agent 获取外部知识的一种能力。
467 2
|
3月前
|
存储 关系型数据库 MySQL
大模型推理成本优化实战:vLLM 与 KV Cache 调优指南
大模型落地后,真正制约成本的常非模型本身,而是每生成1个Token的开销。长上下文与高并发下,KV Cache迅速吞噬显存,成为性能瓶颈。vLLM通过PagedAttention、Continuous Batching、Prefix Caching等系统性优化,显著提升GPU利用率与吞吐,降低单位Token成本。
574 0
大模型推理成本优化实战:vLLM 与 KV Cache 调优指南
|
3月前
|
人工智能 JavaScript API
#Codex接入DeepSeek-V4-Flash完整实操指南:搭配qwen3-vl-flash补齐图像识别两套落地方案
在AI编程工具快速普及的当下,Codex作为终端与桌面端一体化代码智能体,凭借读写本地文件、执行终端命令、多步骤代码重构、工具调用等能力,成为大量开发者日常开发的核心辅助工具。但原生Codex依赖官方模型订阅,长期使用成本较高,不少开发者开始寻找性价比更高的第三方推理基座,DeepSeek-V4-Flash凭借原生适配Codex所需的Responses API、百万级上下文窗口、低廉的Token计费标准、完善的Agent工具调用能力,成为替换原生模型的最优选择之一。
477 2