Google开始展示AI购物搜索词：产品SEO正在从“关键词排名”走向“决策条件建模”

过去做产品SEO，企业习惯围绕一套相对清晰的对象展开工作。

产品标题里有没有核心关键词，分类页是否覆盖品类词，产品详情页能不能排名，商品Feed中的品牌、型号、颜色和尺寸是否完整，结构化数据能不能帮助Google理解价格、库存和商品信息。

这套方法仍然有效，但已经不足以解释AI购物环境中的产品可见性。

用户进入AI Mode、AI Overviews或Gemini之后，不一定会输入一个简短、明确的商品词。他可能直接描述自己的预算、用途、空间限制、材料要求、维护能力和交付条件，让AI帮助完成初步筛选。

用户不再只问：

“某类产品多少钱？”

他还可能问：

“哪种规格更适合长期连续使用？”

“预算有限时，应该优先保留哪些配置？”

“这两种材料在潮湿环境中的维护差异是什么？”

“如果安装空间有限，应该选择哪种结构？”

“第一次从海外采购，应该怎样判断产品和供应商是否适合？”

面对这些问题，AI系统不能只匹配关键词。

它必须理解用户处于采购流程的哪个阶段，判断哪些产品属性真正影响选择，比较不同商品之间的适用条件，再从产品数据、网页内容、评价、价格、库存和其他公开信息中组织答案。

Google Merchant Center开始开放AI Performance Insights，真正重要的地方不只是多了一张报表。

它第一次把AI购物可见性进一步拆成三个可以观察的阶段：

Discovery，用户正在发现问题和产品类型。

Evaluation，用户正在比较选项、属性和规格。

Purchase，用户已经接近交易和最终确认。

这意味着，产品SEO正在从“某个页面能否匹配某个关键词”，进一步走向：

某个产品是否具备足够完整的信息，被AI判断为适合当前用户的决策条件。

---

这不是新的排名算法更新，而是AI购物测量能力开始成熟

首先需要明确，这次变化不是Google核心算法更新，也不是新的垃圾内容更新。

AI Performance Insights属于Merchant Center分析功能。它不会因为商家获得了报告权限，就自动提高传统自然搜索排名；也不会因为企业按照报告补充了属性，就保证产品一定进入AI推荐。

截至7月中旬，Google Search Status Dashboard没有公布新的Ranking事件，最近一次仍是6月24日至26日完成的June 2026 Spam Update。

因此，企业不能把近期自然排名、点击或商品流量变化，简单归因于AI Performance Insights。

这项报告的作用，是帮助商家观察一个过去长期处于黑箱中的问题：

我的品牌和产品，究竟有没有进入Google的AI购物对话？

更进一步说：

用户处于哪个购买阶段时看到了我的产品？

他们在AI购物对话中使用了哪些产品词？

他们真正关注的是哪些规格和属性？

我的品牌在相关AI购物场景中的出现频率，与竞争品牌相比处于什么水平？

这些问题与“产品页排在第几位”并不相同。

传统排名更接近位置指标。

AI购物报告更接近参与度、覆盖度和决策阶段指标。

---

AI Performance Insights到底提供了什么？

根据Google目前公布的报告结构，AI Performance Insights主要围绕品牌声量、购物阶段、产品词和产品属性展开。

Share of Voice：衡量品牌是否进入AI购物答案

Share of Voice可以理解为品牌在相关AI购物展示中的相对声量。

Google会把品牌或产品获得的AI展示，与当前Merchant Center识别出的竞争品牌进行比较，形成相对占比。

这个指标回答的不是“网页排在第几位”，而是：

在相关AI购物对话中，品牌获得了多大比例的出现机会。

需要注意，Share of Voice不是市场份额，也不是销售额。

它无法直接说明用户有没有点击、有没有购买，更不能证明品牌收入增长。它只是上游可见性指标。

如果Share of Voice较高，但网站访问、品牌搜索和转化没有变化，企业仍需要继续判断：

品牌是否只在低意图问题中出现？

AI是否正确描述了产品？

产品是否拥有清晰的落地页？

用户是否能从AI答案顺利进入官网？

页面是否提供了足够的购买或询盘信息？

Query Frequency：判断哪些需求正在被频繁提出

Query Frequency反映某类查询、产品词、属性或购物阶段的相对热度。

这与传统关键词搜索量有所不同。

传统关键词工具通常以相对固定的查询词为单位。AI购物对话则可能是完整句子，甚至把产品、预算、场景、规格和限制条件放在同一个问题中。

因此，查询频率更适合帮助企业理解：

哪些功能利益被用户反复提到；

哪些产品属性正在影响选择；

哪些比较场景正在增多；

哪些购买条件正在进入AI购物对话。

它不一定会提供传统意义上的精确月搜索量，但能够帮助企业判断用户决策重心正在向哪里移动。

Query Type：理解客户到底在寻找什么

Query Type用于描述用户提问的类型，例如按品类搜索、研究规格、查找评价或比较选项。

同一个问题可能同时跨越多个类型。

例如，用户询问：

“预算在某个范围内、适合户外使用并且维护成本较低的产品有哪些？”

这个问题同时包含了预算、使用场景、产品属性和比较意图。

这正是AI购物与传统关键词搜索的明显区别。

传统SEO往往试图给一个查询分配一个主要搜索意图；AI购物则更需要处理多条件、多阶段和多目标意图。

Product Terms：用户表达需求时真正使用的语言

Frequently used AI shopping terms会展示消费者在对话中频繁使用的功能、利益或特征表达。

这类词不一定等同于企业内部的产品名称。

企业可能习惯使用型号、技术术语或产品分类；客户则可能使用“低维护”“适合潮湿环境”“便于移动”“节省空间”“长期连续运行”等结果型表达。

如果产品确实具备这些能力，但商品数据和页面中没有清楚表达，AI系统就很难建立产品与需求之间的关系。

这里的重点不是把热门词机械塞进产品标题。

而是判断：

产品是否真正满足这个条件？

这个特征是否有参数或事实支撑？

页面是否解释了适用范围和限制条件？

商品Feed是否缺少对应属性？

如果这些问题无法确认，就不应仅为了提高AI声量而增加描述。

Product Attributes：发现产品知识中的结构化缺口

Popular product attributes主要用于识别消费者正在寻找、但商品数据中可能缺失的结构化属性。

对于零售商品，这些属性可能是颜色、尺寸、风格和材料。

对于标准化B2B产品，则可能延伸到功率、容量、尺寸、电压、材料、兼容条件、安装方式、使用环境和其他明确规格。

需要注意，目前报告中的属性建议主要针对Merchant Center可识别的结构化属性。

它并不能自动理解企业所有复杂的技术逻辑，也不能代替产品工程师、销售人员和运营团队完成产品知识建模。

报告能告诉你“某项属性可能重要”，但企业仍然要回答：

这个属性对产品选择有什么影响？

哪些型号具备这个属性？

在什么条件下成立？

是否存在例外？

页面、Feed和Schema应该如何保持一致？

---

Discovery：客户还没有明确产品，企业要先帮助他理解问题

Discovery是购物路径的早期阶段。

这个阶段的用户可能知道自己遇到了什么问题，却不知道应该选择哪类产品；也可能已经知道一个大致品类，但还没有形成具体型号、规格和供应商偏好。

例如，用户可能询问：

“如何提高某个生产环节的效率？”

“户外项目需要什么类型的供电方案？”

“空间有限时应该选择哪类设备？”

“第一次采购某类产品，需要先确认哪些条件？”

这类问题的核心不是立即成交，而是问题定义和方案分类。

很多外贸独立站在这个阶段存在明显缺口。

网站有大量产品页，却没有解释：

客户为什么需要这类产品；

不同解决路径有什么区别；

哪些场景适合标准产品；

哪些场景需要定制；

客户在进入产品比较前需要先确定什么。

如果企业只依赖产品详情页，AI系统可能无法在Discovery阶段理解产品与问题之间的关系。

因此，Discovery阶段需要的不是更多产品型号页面，而是能够帮助客户建立认知框架的内容。

解决方案页、应用场景页、产品类型对比、基础采购指南和问题诊断文章，都可能承担这个角色。

但这些页面不能只写“广泛应用于多个领域”。

它们需要说明问题为什么发生，不同方案各自解决什么，客户应该先确认哪些条件，以及产品选择的基本边界。

---

Evaluation：产品SEO最容易缺失、也最值得投入的阶段

Evaluation是用户开始比较产品、规格和选项的阶段。

这通常也是外贸独立站内容最薄弱的部分。

很多产品页能够告诉客户：

产品名称是什么；

有哪些参数；

企业支持定制；

可以联系获取报价。

但它们没有真正帮助客户回答：

为什么选择这一型号？

它与另一型号的实质差异是什么？

功率、容量或材料变化会影响什么？

哪些配置适合连续运行？

哪些配置适合低频使用？

哪些条件下不建议选择这款产品？

价格差异来自性能、材料、配置，还是服务范围？

参数表只是列出数据，比较内容才帮助用户形成判断。

例如，一个网站有5kW、8kW和10kW三个型号。

如果三个页面只是分别修改产品标题和功率数字，AI系统得到的只是三个相似产品实体。

如果页面进一步解释：

5kW适合什么负载和工作周期；

8kW适合什么使用强度；

10kW对现场电气、空间或维护条件有什么要求；

不同型号在能耗、运输、价格和长期维护上的差异；

客户应该根据哪些输入条件进行选择；

AI系统才有可能建立“用户条件—产品规格—推荐结果”之间的联系。

这也是产品SEO从参数收录升级为决策支持的关键。

---

Purchase：靠近购买时，信息缺口会直接影响推荐与转化

Purchase阶段通常包括更加具体的交易和交付问题。

用户可能询问：

产品价格如何构成；

是否有库存；

多久可以交付；

能否发往目标市场；

是否支持当地电压或认证要求；

包装、运输和安装由谁负责；

售后和备件如何提供；

购买或询价前需要提交哪些资料。

在这一阶段，产品信息不完整会直接形成决策阻力。

传统产品页经常把这类信息全部留到销售沟通阶段，只写一句“Contact us for more details”。

这种做法能够保护部分商业信息，但也会让页面缺少购买准备信息。

企业不一定需要公开最终报价，却应该解释价格由什么决定。

不一定承诺固定交期，却应该说明交期从哪个节点开始计算，哪些因素可能影响周期。

不一定公开全部物流成本，却应该说明常见包装方式、运输条件和需要客户确认的信息。

AI系统无法替企业完成没有公开依据的判断。

如果页面、Feed、Schema和交付信息都不完整，系统即使识别到产品，也很难判断它是否适合购买阶段的具体需求。

---

AI购物搜索的竞争单位，不再只是网页，而是产品知识

传统产品SEO以URL为主要优化单位。

一个产品对应一个页面，一个页面覆盖一组关键词，再通过内容、内链、结构化数据和外部信号争取排名。

AI购物环境中，系统需要建立的不是单纯页面索引，而是产品知识模型。

这个模型至少需要回答以下几类关系。

产品与问题的关系

产品解决什么问题，不能只停留在功能列表。

需要说明客户原本遇到什么限制，产品通过什么机制改善结果。

产品与场景的关系

产品适合哪些环境、工作强度、空间条件和使用频率。

“适用于多种场景”无法帮助AI完成匹配。

产品与客户的关系

经销商、终端企业、项目采购方和批量买家的选择标准不同。

同一个产品未必对所有客户具有相同价值。

参数与结果的关系

功率、尺寸、容量、材料、电压和结构参数，最终会影响性能、安装、维护、成本、运输和使用边界。

参数本身不是答案。

参数对客户决策的影响，才是答案。

型号与条件的关系

不同型号为什么存在，各自解决什么条件下的问题，不能只靠型号数字表达。

价格与配置的关系

价格差异来自哪里，哪些配置可以调整，哪些成本不能简单削减，需要清楚解释。

产品与证据的关系

产品能力是否有测试、案例、评价、图片、视频或技术资料支撑。

只有宣传描述，没有证据，AI和客户都难以建立稳定信任。

---

外贸独立站应该建立“产品决策模型”，而不只是产品数据库

产品数据库通常记录产品名称、SKU、图片、参数、价格和库存。

这些信息是基础，却不足以支撑复杂AI购物问题。

企业还需要建立一层产品决策模型。

可以为每个核心产品记录以下内容：

决策维度	需要明确的信息
产品身份	产品名称、型号、品类、品牌、用途
适合客户	终端客户、经销商、项目采购方或其他类型
使用场景	室内、户外、固定、移动、高频、低频等
关键约束	空间、电力、环境、负载、预算、运输等
核心属性	材料、尺寸、容量、功率、兼容性等
型号差异	各型号分别适合什么条件
配置逻辑	哪些配置必须保留，哪些可以调整
购买边界	哪些情况下不建议购买
成本因素	什么会影响价格和总拥有成本
交付条件	交期、包装、运输、安装和文件
维护条件	保养、备件、人员和周期要求
证据来源	案例、测试、图片、视频和评价
下一步行动	询价前需要客户提供什么信息

这张表不能只存在于运营人员的脑海里。

它应该成为产品页、商品Feed、结构化数据、FAQ、比较内容、销售资料和AI Agents知识库共同使用的基础。

---

Feed、页面、Schema和证据，分别承担什么角色？

AI购物优化不能被简化成Feed优化，也不能只靠网页内容完成。

Merchant Center Feed负责机器可读的产品事实

Feed需要准确表达品牌、产品标题、标识符、价格、库存、图片和结构化属性。

它适合回答“产品是什么”和“有哪些明确属性”。

Feed数据缺失或错误，会直接削弱商品系统对产品的基础理解。

产品页面负责解释决策逻辑

页面要解释产品适合谁、为什么适合、参数如何影响结果、不同型号怎样选择、购买前需要确认什么。

Feed可以告诉系统产品材料是什么，却很难完整解释这种材料为什么更适合某个环境。

结构化数据负责保持信息一致

Product Schema等结构化数据帮助搜索系统理解页面中的商品信息。

它不是独立的数据事实源，更不能与页面可见内容或Merchant Center Feed发生冲突。

图片和视频负责提供视觉证据

产品细节、应用场景、结构、包装、安装和使用过程，适合用图片与视频表达。

它们能够帮助用户确认产品真实性，也为多模态AI搜索提供更多上下文。

评价和案例负责降低信任风险

评价说明真实客户如何感受产品和服务。

案例进一步说明问题、方案、执行和结果。

AI购物越接近比较和购买阶段，可信证据就越重要。

这五部分不是相互替代，而应共同构成产品知识系统。

---

对外贸B2B网站而言，哪些内容适合直接使用Merchant Center？

AI Performance Insights目前首先面向Merchant Center商家，因此对标准化零售商品、可在线购买产品、公开价格商品和具有稳定库存信息的企业影响最直接。

并不是所有外贸B2B业务都适合直接套用。

对于标准型号明确、图片稳定、规格固定、可以公开价格或具备在线购买条件的产品，企业可以更积极地建设Merchant Center商品数据。

对于高度定制、需要先确认方案、没有固定价格、交付范围复杂的工程型产品，Merchant Center未必能够完整承载购买流程。

这类企业仍然可以借鉴报告背后的方法，但不应为了进入商品Feed而虚构价格、库存或购买条件。

更现实的做法是：

把标准化配件、耗材、备件或固定配置产品纳入商品体系；

把复杂项目和定制方案保留在产品页、解决方案页和询盘流程中；

通过结构化内容清楚说明价格因素、定制条件和决策输入；

不要把定制项目伪装成可以直接购买的标准商品。

AI购物方法论可以覆盖整个外贸B2B网站，但Merchant Center工具本身需要符合实际商业模式。

---

如何把客户问题转化为可用产品数据？

销售、客服和询盘记录是最有价值的产品知识来源。

客户反复问的问题，通常说明网站或商品数据存在信息缺口。

例如，客户经常询问“能否用于户外”，说明使用环境没有被明确表达。

客户反复询问“为什么两个型号价格差异较大”，说明型号和配置差异没有解释清楚。

客户经常问“是否可以拆装运输”，说明产品结构与物流关系没有进入页面。

客户总在询问当地电压、安装和文件，说明购买阶段的信息不足。

企业可以建立一个固定流程：

先收集过去三到六个月的真实询盘；

去除客户隐私和无效内容；

把问题按Discovery、Evaluation和Purchase分类；

判断问题对应产品属性、网页内容还是销售流程；

确认答案是否具有普遍性；

由产品、技术和销售共同审核；

再写入Feed、产品页、FAQ、对比页或交付说明。

这比用AI凭空生成大量“客户常见问题”更可靠。

---

建立AI购物监测基线：不要只看总Share of Voice

获得AI Performance Insights之后，第一步不应是立刻修改所有产品标题。

更合理的做法，是先建立28天基线。

基线至少应记录：

不同产品类别的Share of Voice；

Discovery、Evaluation和Purchase三个阶段的声量；

高频产品词及其查询频率；

热门属性及属性完整度；

当前匹配这些词和属性的产品数量；

主要竞争品牌的平均声量；

获得AI表现的国家和时间范围；

报告中显示为零或缺少数据的产品类别。

由于目前报告不提供跨所有产品类别的统一总览，企业应按产品类别分别建立基线。

同时要注意两个特殊情况。

如果数据不足，Share of Voice可能显示为零，这不一定说明品牌完全没有AI可见性。

如果Merchant Center没有识别到足够的竞争品牌，Share of Voice可能显示为100%，这也不代表品牌已经占据整个市场。

因此，任何百分比都要结合竞争集、查询频率、产品类别和数据量理解。

---

产品SEO的新指标体系应该怎么建立？

未来产品SEO不能只看排名、点击和销售额。

可以建立三层指标。

第一层：产品信息完整度

包括Feed属性完整率、Schema一致率、图片完整率、型号覆盖率、价格与库存同步率、产品落地页可访问性。

它反映产品能否被系统正确读取。

第二层：AI购物可见性

包括整体Share of Voice、分阶段Share of Voice、高频产品词覆盖、热门属性覆盖、产品在不同AI阶段的出现情况。

它反映产品是否进入AI购物决策过程。

第三层：业务结果

包括品牌搜索、产品页访问、比较页访问、询盘、购物车、购买、询盘完整度、销售转化和收入。

它反映AI购物可见性是否真正产生商业价值。

三层数据不能相互替代。

属性完整不代表一定被推荐。

被AI展示不代表一定转化。

获得购买或询盘，也不一定完全由AI曝光造成。

真正专业的分析，是观察三层数据是否形成合理链路。

---

90天执行路线：从商品数据修复到决策内容重构

第一个月：建立产品与数据基线

先确认Merchant Center是否已经出现AI Performance入口。

没有入口的账号不需要频繁调整设置，因为功能仍在有限试点和逐步扩展阶段。

已经获得入口的企业，应按产品类别保存首轮数据，并同步检查Feed、页面和Schema的一致性。

这一阶段重点处理基础错误：

品牌和产品名称不一致；

型号命名混乱；

图片对应错误；

价格与库存不同步；

材料、尺寸和颜色等属性缺失；

落地页参数与Feed冲突；

不同语言版本信息不一致。

第一个月的目标不是提高Share of Voice，而是保证产品事实可靠。

第二个月：补齐Evaluation阶段

完成基础数据后，应优先建设产品比较和选择逻辑。

选择高价值产品系列，补充：

型号对比表；

参数解释；

适用场景；

使用限制；

配置建议；

成本差异；

常见错误选择；

产品之间的内部链接。

Evaluation阶段最接近产品比较，也是很多独立站最容易产生增量的部分。

第三个月：补齐Purchase与转化路径

第三个月重点处理购买和询盘准备信息。

完善价格影响因素、交付周期、包装运输、安装培训、售后、退换或保修政策、备件和询价资料清单。

对可在线购买产品，检查购物车、结账、库存和配送信息。

对需要询盘的B2B产品，检查表单是否自动带入产品和型号，是否引导客户提供数量、国家、使用场景、交付时间和定制要求。

最终再比较三个阶段的AI声量、产品词覆盖和业务结果变化。

---

不要为了AI购物可见性制造新的低质量内容

看到AI Performance Insights之后，企业可能会开始围绕报告中的热门词批量创建页面。

这会带来新的风险。

一个热门词不等于一个独立页面机会。

如果多个产品都具备“低维护”特点，没有必要为每个型号创建一篇几乎相同的“低维护产品”文章。

更合理的做法是，先判断这个概念属于：

产品属性；

功能利益；

使用场景；

比较维度；

还是采购问题。

然后决定它应该进入产品页、分类页、解决方案页、比较指南还是FAQ。

内容结构必须服从用户决策，而不能服从报表词条。

AI购物系统需要的是更完整、更准确的产品知识，而不是更多重复URL。

---

风险与边界：这张报告目前还不能回答所有问题

AI Performance Insights虽然是一次重要进步，但仍然处于早期阶段。

目前只对少量美国Merchant Center账号开放。

报告只覆盖Google自己的AI购物生态，不能代表ChatGPT、Perplexity、Claude或其他AI平台。

当前数据只包括AI体验中的自然商品流量或免费展示，不包括付费广告流量。

竞争品牌由Merchant Center系统确定，商家暂时不能自由修改。

Share of Voice属于相对展示指标，不是点击、销售或收入指标。

产品词和属性建议也不能替代企业对真实性、适用性和商业边界的审核。

因此，企业不应该立即把Share of Voice设为年度核心KPI，更不能要求运营团队为了提高比例而无差别修改所有商品数据。

现阶段更适合把它当成一个诊断窗口：

帮助企业发现AI购物中的产品知识缺口，而不是提供一套自动增长答案。

---

原创判断：AI购物SEO的终点，不是更多曝光，而是更低的决策成本

传统产品SEO常把目标设定为：

获得更高排名，带来更多点击。

AI购物优化进一步要求企业回答：

当用户提出多个条件时，系统能否迅速判断哪款产品适合他？

这意味着，未来产品可见性的竞争，本质上是决策成本的竞争。

信息更完整的产品，更容易被理解。

差异更清楚的型号，更容易被比较。

边界更明确的方案，更容易被信任。

交易条件更透明的页面，更容易进入购买阶段。

证据更充分的品牌，更容易进入推荐候选。

这并不意味着所有信息都要公开，也不意味着企业要把内部知识全部交给AI。

真正成熟的策略，是把客户做出初步判断所必需的信息公开、结构化并保持一致，把需要销售和技术团队确认的内容留在受控沟通阶段。

AI Performance Insights释放出的深层信号是：

Google正在尝试把AI购物从模糊的品牌提及，拆成可观察的发现、比较和购买过程。

这让企业第一次能够看到，自己的产品究竟在哪个阶段失去了用户。

有些品牌不是没有产品，而是在Discovery阶段缺少场景内容。

有些品牌不是没有流量，而是在Evaluation阶段缺少型号比较。

有些品牌不是没有询盘入口，而是在Purchase阶段缺少交付、价格和服务信息。

因此，企业下一步不应该只是继续优化产品标题。

更重要的是建立一套完整的产品知识体系：

让Feed准确表达产品事实；

让产品页解释选择逻辑；

让Schema保持机器信息一致；

让比较内容降低评估成本；

让案例和评价提供信任证据；

让购买或询盘页面完成行动承接。

传统产品SEO解决的是：

用户搜索某个词时，能不能找到产品。

AI购物优化解决的是：

用户提出一组真实条件时，系统有没有足够依据推荐这个产品。

这不是同一件事。

前者竞争搜索位置。

后者竞争决策资格。

真正能够长期进入AI购物答案的产品，不会只是标题里包含更多关键词，而是拥有更完整的属性、更清晰的差异、更可靠的证据和更低的客户判断成本。