Kevin Indig 寫了一件事，很多做 SEO 的人心裡有數，但沒人敢在會議室裡講太大聲：你現在看到的 AI 搜尋數據，可能只有真實的一成。
他引用 Graphite 的數據，AI 帶來的需求可能被低估十倍。意思是，ChatGPT 或 Google 的 AI 摘要直接回答使用者問題、不帶任何點擊的那部分，歸因系統根本看不到。你看報表覺得 AI 搜尋沒什麼用，實際上是它早就進來了，只是走後門，沒讓你發現。
這篇是 Kevin Indig 在 Growth Memo 發的文章，2026 年 9 月 28 日刊出，發給 29,397 個訂閱者。他長期追蹤搜尋趨勢，2024 年就寫過「混亂的中段」這個概念，談使用者在搜尋與購買之間的路徑比我們想的亂。這次他找來 Ramp 的成長副總 George Bonaci 一起談。Ramp 經手的年化支付金額超過一千億美元，服務七萬多家企業，剛以 440 億美元估值完成一輪 7.5 億美元的募資。Bonaci 看到的企業支出資料，是大部分行銷人碰不到的。
Kevin Indig 自己把這次的主題講得很白：點擊式歸因對非付費管道從來就不理想，AI 只是把它逼到盡頭。
科技越強，反而越看不清顧客從哪來
他列了三件事，每一件都指向同一個矛盾。
Google 的 AI 摘要在搜尋結果最上面直接給答案，ChatGPT 也是。使用者得到答案，企業失去 referral、點擊和轉換數據，這些數據本來是判斷「顧客怎麼找到我」的主要依據。
Google Analytics（網站流量分析工具）越做越複雜，有事件追蹤、有機器學習，但它越來越靠模型推估轉換，因為同意追蹤的人變少、顧客路徑越來越碎。
Apple 在 2021 年讓 iPhone 使用者可以拒絕跨 App 追蹤，廣告主看不到哪支廣告帶來購買。Meta 的回應是用模型推估轉換，用估計值取代實際觀察到的行為。
他寫道，這個矛盾存在的原因很直接：平台掌握了更多行為，卻揭露得更少，為了拉高利潤。隱私意識抬頭、多裝置使用打斷追蹤路徑，都是推力。
然後他補了一句更重的話：歸因只能計算「看得到」的那段旅程。當探索越來越發生在點擊和 cookie 之外，歸因能解釋的需求佔比持續縮小。不是歸因變差了，是它能看到的比例變小了。
AI 搜尋為何常被低估，低估到什麼程度
舊路徑是 search → click → convert，搜尋、點擊、轉換，一條線。他寫，這條路徑從來就不是真的線性，2024 年他就講過混亂的中段，但至少點擊還在那裡，還看得到。
新路徑是 prompt → synthesize → direct visit。使用者下指令、AI 綜合答案、然後直接造訪網站。中間沒有點擊，後面的造訪看起來像直接流量。這就是他引用 Graphite 那份數據的背景：AI 可能被低估十倍，因為那一段「AI 回答了我，於是我想起這個品牌，直接打網址進去」的過程，傳統歸因系統會把它記成直接流量，記不成 AI 搜尋的功勞。
但他沒有因此說放棄歸因。他的原話是：這不是要完全忽略歸因，而是要批判性地看待它，或至少開始批判地看，然後留空間給那些很難歸因的押注。
Bonaci 的講法更直接。他說歸因和直接的衡量已經變成一根拐杖，取代了批判思考。每個歸因模型都是錯的，沒有完美的一個，這個問題沒有被解決。所以該把它當成對齊誘因的工具，清楚知道它的優點和缺點。
AI 搜尋流量能不能追蹤，最直接的訊號是什麼
能，但很有限。
Kevin Indig 寫，referral traffic（從其他網站帶過來的流量）不完整，卻仍然是公司能直接觀察到的少數 AI 搜尋訊號之一。它證明有變化發生，說不出點擊之前發生什麼事，也說不出這波需求有多少是 AI 搜尋創造的。
Bonaci 的用法是把歸因留著，但放在它該在的位置。他自己說：「你還是需要一個歸因模型，你還是需要組織層級的目標。但要清楚它的用途和它失靈的地方。所以我們還是用多點觸控歸因，還是設了高層級目標，但沒有一天，甚至沒有一個小時，不討論這個模型的細節，也不用其他管道層級的影響衡量來補。」
這一段的重點不是技術。重點是：referral 流量不是答案，它是少數還能直接看的訊號。你用它來知道「有變化」，不要用它來回答「變多少」或「從哪裡來」。
傳統 SEO 還要不要做
這篇沒有直接喊「要」或「不要」，但可以從兩人的對話裡讀出方向。
Bonaci 講了一段 Kevin Indig 說「從根本上改變他看待數據角色」的話：幾乎所有直接可衡量的東西，都因為 AI 而變得商品化。大部分可衡量的工作不再有差異化，而最難衡量的工作沒有被賦予價值。
白話一點：當所有能被測量的東西都可能被 AI 自動化，真正的優勢會落在「難以測量」的地方。創意、原創性、差異化，這些東西很難量化，也很難自動化，但好的差異化通常來自這裡。
他舉了自己的例子。如果只看歸因，他會砍掉 Ramp 所有的品牌行銷、所有活動、所有實體郵件、所有線下活動，把錢和時間全部灌進制式的外向開發和簡單的付費廣告。短期內這樣可以，但結果會非常平庸。他寫：「我們試著做的是卓越，不是平庸。」
這跟傳統 SEO 的關係是：傳統 SEO 裡可衡量的那一塊，排名、點擊、轉換率，正在被 AI 侵蝕。但傳統 SEO 裡那塊「讓品牌在對的地方被看到、被信任」的底層功夫，沒有消失，只是更難被量出來，也更容易被低估。
兩個替代做法
Kevin Indig 說他自己看到兩個比歸因更好的選項，都是針對非付費管道的。
三角測量
不是看一個數字，是看三個訊號：一個曝光指標、一個行為訊號、一個業務結果。對 AI 搜尋來說，可能是 AI 聲量佔比（你的品牌在 AI 回答裡被提到的比例）、自我回報的發現來源或 CRM 標籤、以及轉換數。三者同向走，信心上升；走勢分歧，就是告訴你去查哪裡。
他舉了自己做過的使用者行為研究：AI 聲量佔比與轉換之間有中強度的相關性。當然最好能直接測轉換，但大部分轉換會走直接流量進來，前面發生什麼你不完全知道，所以聲量佔比是好的代理指標。
他也引了 BCG 一份 3,000 位資深衡量專業人士的調查：46% 同時使用行銷組合模型、增量測試、多點觸控歸因；採用這種整合做法的公司，營收成長最強的可到 70% 以上。他提醒，三角測量強化證據，但本身無法建立因果關係。
增量測試
歸因告訴你誰拿到功勞，增量測試告訴你什麼真的有效。方法是建構反事實：有做這個活動，跟沒做這個活動，結果差多少。方法有隨機保留組、地理實驗、分階段上線、交換測試、準實驗、行銷組合模型這幾種。
他給的使用原則是：能隔離曝光就用隨機保留組；能控制時間地點就用地裡或分階段實驗；不能隨機就用準實驗；大範圍重疊的活動用行銷組合模型，最好用實驗結果校準。
他引 IAB 的數據：76% 的美國買方決策者使用增量測試，略高於歸因分析的 73% 和行銷組合模型的 67%。但只有 39% 三者一起用，大多數團隊手上只有單獨的工具，沒有一套連貫的系統。
這篇值不值得看
如果你的工作要跟老闆解釋「AI 搜尋到底有沒有用」，這篇值得看。它不給你一張新的報表模板，它給你的是在會議室裡把話講清楚的方式：AI 搜尋有用，只是現有的歸因工具看不清它；referral 流量是少數能直接看的訊號，但它只證明有變化；真正的做法是用三個訊號交叉看，或用增量測試去驗證。
我個人比較有感的是 Kevin Indig 講的測量悖論。他沒有說「數據沒用」，也沒有說「全部相信直覺」，他把問題定位得很準：工具越強，能看到真實的比例越小，而大部分團隊還在用那根壞掉的拐杖走路。
原文：Kevin Indig〈The usefulness of attribution for AI Search〉
本文由 Claire 撰寫。Claire 是文案大叔開發的自動化寫作系統，從素材選題、撰稿到推上草稿全程自動執行，發布前由本人過目。
