IAB AI 歸因藍圖追蹤購買影響力
IAB 於 11 月 12 日發布其 AI 歸因藍圖,將 AI 對購買決策的影響,與其完成購買的角色分開處理。IAB AI 歸因藍圖回應一個日益突出的報告難題:已記錄的銷售未必能揭示誰塑造了買家的選擇。這項核心區分對廣告商、出版商及購物平台均具重要影響。聲稱在購買中扮演角色,只是取得被評估的資格,並不代表會自動獲得歸功。
歸因是為商業成果分配功勞的過程,本已難以捕捉結帳前發生的一切。AI 增加了一個新場景,讓購物者可在造訪商戶前比較產品並作出選擇。因此,銷售仍然可見,但決策中重要的一環可能從記錄中消失。
眼前壓力落在那些出售該歷程解釋的機構身上。代理商需要可辯護的報告,出版商需要證明自身貢獻,而 AI 平台則面對提高透明度的要求。連同 Visa 與 Mastercard 的商務基礎設施,IAB 的提案處理的是另一個問題:當機器協助人們購物時,誰應獲得認可?
IAB AI 歸因藍圖先區分角色,再分配功勞
這套新框架會先整理彼此競爭的主張,再決定這些主張應獲多少功勞。
根據 IAB 的歸因藍圖公告,該框架檢視購買意圖、決策過程及交易完成情況。它將轉換(即已記錄的商業成果,例如購買)分類為人類主導、AI 輔助或 AI 執行。這些路徑將決定是否符合提出決策或貢獻主張的資格。
這些分類相當重要,因為相同的結帳結果可來自截然不同的歷程。買家可能已作出明確選擇、尋求比較替代選項的協助,或直接委託他人完成購買。僅憑交易記錄,無法可靠地區分這些情況。
試想一位更換熟悉家居產品的購物者。購物者指定確切商品,並要求助理下單。助理完成了有用的工作,但這項行動並不能證明它改變了購物者的偏好。
再考慮另一個情況:有人詢問助理哪件產品最適合某項特定需要。助理比較替代選項,並推薦一個不熟悉的品牌。若購物者跟隨該建議,影響力問題便有別於重新訂購的例子,即使結帳畫面完全相同。
這些例子說明的是分析上的區分,而非記錄 IAB 實驗的結果。它們亦顯示,像「AI 購買」這樣籠統的標籤為何未能回答重要問題。它可以描述營運上的參與,卻無法說明說服作用。
框架的公開摘要列出決策主張及貢獻主張,但不會將其中任何一種自動轉為功勞分配。實際而言,參與只是展開證據討論,並不代表討論必然對參與者有利。
這條界線保護分析免受一種誘人的捷徑影響。若平台接觸到購買流程,觀察者可能會假設它應獲得部分銷售功勞。然而,接觸一宗交易與改變其結果,是兩個不同命題。
這項發布是一個自願性行業框架,並非施加報告義務的監管規定。其發布也不代表商戶、代理商或平台已普遍實施該框架。評估服務的買家應區分已發布的提案與實際運作的衡量系統。
對希望透過實際事件理解 IAB 歸因的讀者而言,這正是關鍵改變。這個行業組織引入了一套共同結構,用以評估參與程度。證實並衡量該參與程度的艱鉅工作仍在前方。
實際影響是機構可提出的問題有所轉變。它們不再只能接受未經區分的 AI 銷售總額,而可追問系統實際執行了甚麼角色。這個較聚焦的問題,為比較不同主張提供更有用的起點。
廣告商面對的是預算問題,而不只是報告缺口
對一宗銷售的不完整解釋,可能會演變成對下一筆營銷投資去向的錯誤判斷。
這個時機反映了藍圖發布前已有記錄的憂慮。IAB 的9 月展望更新指出,45% 的買家認為,比較 AI 驅動與傳統歷程是其首要衡量挑戰。藍圖公告亦引用該項較早前研究,指 44% 受訪者以品牌搜尋及直接流量作為未被追蹤的 AI 影響力代理指標。
這些數字描述的是買家報告的做法及憂慮,並非證明新框架改善衡量成效。它們不是 11 月新實驗的結果。這個區分很重要,因為對不確定性的診斷不應變成證明所提補救方法已有效的證據。
代理指標是在無法直接觀察目標行為時所使用的間接訊號。某個品牌的搜尋量上升,可能與 AI 推薦一致;但也可能反映廣告、宣傳、回頭客或其他活動。
當間接訊號獲得超出其證據所支持的確信解讀時,預算風險便會浮現。接近結帳時可見的渠道,看來可能要為在其他地方創造的需求負責。反過來,AI 平台亦可能聲稱影響了客戶原本已具備的需求。
這兩種錯誤都不需要令銷售消失。訂單可在商戶記錄中正確顯示,但附帶的解釋仍然不完整。這使問題比遺失交易更難被察覺。
對代理商而言,商業壓力很直接。客戶期望報告有助決定下一步資助甚麼項目。若代理商無法分辨已觀察到的行為與推斷出的影響力,其建議便更難辯護。
對品牌而言,挑戰跨越部門界線。商務團隊可能看到已完成的訂單,營銷團隊則看到活動互動;AI 產品團隊可能看到對話,而這兩組人都無法有把握地將其連繫至購買。
共同詞彙可以改善這些對話,而不會消除根本缺口。團隊可以對一次互動的價值有分歧,同時同意現有證據是甚麼。這比比較建基於不相容假設的總額更有成效。
因此,IAB AI 商務影響不只是新增一個儀表板分類。它挑戰了報告信心與支出信心之間的關係。衡量標籤應傳達機構知道多少,而不只是它希望將功勞歸於何處。
雙方的商業誘因都值得留意。傳統渠道會在可見流量獲得歸功時受益,而 AI 平台則會在原本不可見的影響力變得可衡量時受益。可信的方法必須容許審視兩種主張。
因此,對公告最恰當的解讀是審慎但有用。IAB 提供了一種方式,用以整理對商務活動存在爭議的解釋。這是否能改善預算決策,取決於機構為這些解釋帶來甚麼證據。
完成結帳並不能證明誰改變了選擇
付款執行與購買影響力回答的是不同商業問題,即使由同一個 AI 助理處理兩者亦然。
這場辯論的核心,與另一項讓代理在交易期間可被識別及信任的工作並存。AI 代理是為達成用戶目標而採取行動的軟件。在商務環境中,這些行動可包括搜尋、選擇產品或發起付款。
Visa 的Trusted Agent Protocol描述基於簽署的驗證,即透過數碼簽署核實身分的方法。Mastercard 9 月的公告則描述代理信任服務,旨在協助機構識別代理,並為授權決定提供資訊。
這些舉措提供相關行業背景,而非 IAB 歸因提案的競爭版本。Visa 與 Mastercard 描述的是支援代理活動周邊信任的方法。確認由誰發起一項行動,本身並不能解釋誰說服了客戶。
商戶可能有強而有力的證據,證明獲授權的代理下了訂單。這些證據支持有關執行的說法,但未必能證明客戶在開啟助理前是否已選定該品牌。
反過來,這個區分同樣成立。客戶可能接受助理的推薦,並手動完成結帳。沒有自動付款,並不能證明助理沒有影響力。
一項假設性的辦公室採購可具體呈現這種對比。買家要求助理根據要求比較設備,然後透過現有採購帳戶訂購推薦商品。助理從不處理付款,但其推薦對理解決策仍然相關。
稍微改變情境,解讀便會不同。買家已經選定設備,並要求助理提交已獲批准的訂單。此時,已完成的交易較少反映說服作用,儘管助理執行了更多營運工作。
IAB AI 歸因藍圖的價值正在於,這些歷程不應被歸納為同一項商業主張。自動化描述系統做了甚麼;影響力則需要說明該活動如何與買家的選擇相關。
對 AI 開發者而言,這帶來產品設計上的考量。為完成任務而優化的記錄,可能會遺漏用戶原有指示與系統推薦之間的區別。事後重建這個區別可能相當困難。
對企業買家而言,含意關乎評估。一款為員工節省時間的產品可以很有價值,卻未必證明它創造了額外需求。將效率與說服力視為不同效益,能帶來更準確的商業評估。
這也是誇大說法變得昂貴的地方。若每一筆已執行訂單都成為產生需求的證據,日常的委託工作便可能誇大平台表面上的營銷價值。若只計算結帳活動,有用的推薦系統則可能從解釋中消失。
可信的衡量討論會為兩種結果留下空間。助理可以作出有意義的貢獻,而不必主導整個決策;它也可以提供有價值的服務,而不改變客戶原本打算購買的東西。
出版商需要的不只是出現在 AI 答案中
在推薦中獲得曝光屬於相關證據,但不會自動證明其對某一宗銷售有貢獻。
11 月的發布,承接 IAB 在 8 月推出的 AI 可見度框架,該框架探討品牌和出版商如何在 AI 探索中呈現。早前的工作區分了方向性衡量與適合作出具影響力決策的證據。Microsoft Clarity 的 Ihab Rizk 在公告中支持其共通衡量用語。
可見度與成果之間的區別,有助解釋為何這次新發布是獨立的一步。品牌可以經常在回答中出現,卻沒有證據將這些曝光與購買連結起來。出版商可以獲得引用,卻不知道讀者是否據此採取行動。
對出版商而言,這形成尤其棘手的證據處境。他們的內容或許有助在助理的回答中說明產品的優勢或限制,但他們對其後的選擇或交易可能幾乎毫無可見度。
一個具說明性的產品比較展示了這個問題。助理在回答購物者的問題時參考了一篇詳盡評測。購物者閱讀助理的綜合說明後完成購買,卻沒有造訪該評測頁面。
在這個情境下,出版商網站的流量無法捕捉所有可能的貢獻。但反過來的結論同樣需要審慎。單純擷取或引用某個頁面,並不能證明該頁面改變了購買決定。
引用可以證明某個來源出現在回答中,但不能獨立證明助理對該來源賦予了多少權重,也不會揭示買家原本已知甚麼。
這正是申索程序比一概承諾給予出版商歸功更重要的原因。出版商需要一種方式描述並支持其角色;買家則需要一種方式評估該角色,而非將每一次提及視為同等。
因此,IAB AI 商業影響部分是在就證據進行協商。平台能觀察到內容生產者無法觀察的互動;出版商可以說明資訊的來源和實質內容,卻未必能看見其下游用途。
這種不對稱令共同詞彙具有價值,但亦限制了單靠詞彙所能達成的效果。就貢獻的含義取得共識,並不會創造評估所需記錄的存取權。合作仍是實務上的依賴條件。
知識工作者評估 AI 輔助研究時,也面對類似的區別。有用的回答與可追溯其來源的記錄,服務的是不同目的。一個可搜尋知識庫處理的是問題中來源組織的一面,而不是證明商業影響力。
對決定應觀察甚麼的出版商來說,重要發展是內容使用與貢獻證據之間建立更強的聯繫。單靠更多引用未能解決商業問題;更完善地記錄被引用內容如何與決策相關,會令討論更進一步。
同樣的審慎亦適用於衡量可見度的品牌。在助理回應中獲得正面呈現,是一項可觀察的結果。將這種呈現視為一宗銷售,仍需要另一層證據。
平台證據仍是框架最棘手的依賴條件
共同的申索結構無法獨立驗證外部觀察者無法檢視的互動。
該藍圖的公開框架摘要明確包括關於可用證據及衡量缺口的指引。IAB 的發布承認,相關記錄可能缺失,或由 AI 平台持有。它要求平台改善推薦披露及流量標記。
這項承認避免公告支持超出證據所容許的更強結論。發布定義並不能建立 AI 購物的完整圖像,也不能顯示外部衡量服務供應商可以獨立重現每一項平台申索。
因此,質疑的理據內嵌於實際問題之中。平台可以採用共同術語,同時仍控制其他人獲得哪些支持記錄。可比較的標籤未必會帶來可比較的存取權。
設想一個假設平台報告,其助理影響了商戶的訂單。商戶可以在自己的系統確認購買。若沒有足夠的連接證據,它仍無法判斷助理是否改變了選擇,抑或只是伴隨其中。
同一挑戰亦適用於重疊的申索。助理、搜尋服務和出版商都可能各自描述一次相關互動。計算這些互動次數,並不能解決它們如何與同一結果相關。
重複計算,即把同一結果計算多於一次,可能令個別報告看來具說服力,但其合併解讀卻變得難以置信。共同的申索程序應令這種衝突更容易識別,但不會自動決定正確的分配方式。
私隱為證據討論增添另一項限制。購物對話可包含個人喜好、敏感處境,或與最終購買無關的資訊。不應假設更佳驗證必然需要毫無限制地分享完整對話。
這是可信實施所需的分析要求,而非聲稱 IAB 已解決每一個披露問題。各機構仍需要確立哪些證據屬必要,亦需要說明哪些部分仍無法觀察。
歸因與增量之間還有進一步區別;增量是指某項活動相對於其不存在時所帶來的額外結果。已記錄的互動可以支持影響力申索,卻不能證明若非如此該宗銷售本會消失。兩者是不同的解釋標準。
例如,一項推薦可能強化品牌偏好,而非創造品牌偏好。這次互動可以是真實而且相關的,但其存在本身不能證明它帶來了多少額外業務。
希望了解 IAB 歸因解釋的讀者,應緊記這項區別。評估申索的框架,不會自動成為證明因果關係的方法。將這些工作視為可互換,會重現公告所處理的信心問題。
有用的結果是更精確地理解不確定性。一份區分直接觀察、平台主張和未解決缺口的報告,能為買家提供更有意義的資訊。沒有這些區別的漂亮總數,可能掩蓋同樣舊有的模糊之處。
採用情況將在披露、報告和測試結果中呈現
下一項進展證據應來自實際營運做法,而非一再公布框架本身。
未來數月,首個應關注的訊號是平台披露。有用的變化會說明推薦贊助情況、識別支持來源,並一致地區分由 AI 產生的活動。這些變化會令外部評估更可行,但不會證明每一項影響力申索。
平台聲明其支持透明度,提供的證據會較弱。更有意義的發展,是買家或衡量合作夥伴實際可以使用的文件。具體記錄和清晰限制,比支持性措辭更重要。
第二個訊號是區分購買路徑並識別證據質素的報告。採用共同分類的品牌和代理商,亦應說明哪些分類建基於直接觀察。估算應繼續與獨立核實的發現有所區分。
這會強化 IAB AI 歸因藍圖正在改變商業實務的理據。重新命名儀表板分類所提供的支持較少。買家需要了解分類是否改變了可評估的內容,而非只是改變呈現方式。
第三個訊號,是在承認其他解釋的同時,透過測試將已分類互動與商業成果連繫起來。增量測試有助評估一項活動是否產生額外結果。它所處理的問題,與助理是否參與用戶旅程並不相同。
可信的測試會令其比較方式和限制易於理解。有利的結果只會支持關於受測情境的較狹窄結論,並不能證明所有 AI 輔助購物都值得獲得相同的歸功分配。
這些訊號亦揭示誰正在適應。平台會展示更高可觀察性,代理商會展示更清晰的報告,而品牌會展示更有紀律的評估。當證據將內容使用與有支持的貢獻申索連繫起來時,出版商最能受惠。
相反的模式會削弱這次發布的實際意義。若術語普及,但記錄仍不可取得,業界改善的將是詞彙多於衡量。這仍是可能結果,而非已確立的定論。
對企業買家而言,眼前的含義是檢視服務供應商的申索實際涵蓋甚麼。任務完成、推薦影響力和額外銷售,各自可以支持不同結論。要求查看相關證據,有助令這些結論保持相稱。
IAB AI 歸因藍圖為這些對話提供起點。它的成功取決於各機構是否公開足夠資訊,讓其他人可以質疑其詮釋。當買家可以質疑一項申索,而毋須完全依賴其作者時,框架便更有用。
在將 AI 銷售數字視為調動行銷預算的理由前,先檢視該數字代表甚麼。它描述的是已觀察到的交易、一次推薦,還是影響力估算?詢問哪些部分來自平台,哪些部分已由其他方核實。將這些證據與你需要解答的商業問題比較。一個能有效完成訂單的系統,單憑這一點已可能值得投資;一個聲稱能創造需求的系統,則需要支持這項額外申索。隨着各項實施措施出現,請留意令這些區別更容易看見的披露和測試結果。哪一家服務供應商會把其對購買影響力的解釋說得足夠清晰,讓買家能夠提出質疑?



