为什么投流越多越亏？投流能买到可见性，买不到 AI 的采纳

花几千上万投流后，才发现承接不住、转化不了，全打了水漂。

做电商已经不像以前，找个货源、发个图文、剪个视频就能赚钱。这几年，每个做淘系、做拼多多、做抖音小店的人都在适应同一件事：免费流量在消失，付费流量越烧越贵。

但”付费”本身不是问题——问题是钱花了，曝光上去了，订单却没见着。这时大多数人会追问：是不是产品不够好？是不是定价太高？是不是文案不够吸引？

这些追问都合理，但都绕过了一个更本质的问题：投流到底把你的内容送到了哪里？

电商人自己说得已经很清楚了：

“推广的流量基本是平台里比较垃圾的流量。”

“平台不会把优质流量卖给你。”

“搜索流量，然后一件不转化，那就不正常了。”

以及最常见的那种循环：

“烧钱-没转化-继续烧。”

这些话指向同一件事：钱砸下去，曝光是有了，曝光之后的事情失控了。把”失控”归因到运营能力、承接页面、客服话术——这些因素都对，不过都是在 投流 → 展示 → 点击 → 购买 这条传统链路内部找答案。

而在 2024 年之后，这条链路外面多了一段新的结构。

你的潜在客户买东西之前，已经不只是在站内搜一搜了。他们会打开豆包问”xx 和 xx 哪个值得买”；会打开 Kimi 问”有没有更便宜的替代品”；会打开 Qwen 问”这类产品买哪家靠谱”。AI 的回答里会提到一些店铺、一些品牌、一些具体产品——被提到的内容，就进入了潜在客户的视野；没被提到的，就跟这次对话无关，即便你的投流曾经让他在别处看见过你。

这段”AI 在回答里提到你”的机会，投流买不到。 它不是流量位，不是搜索位，不是推荐位；它是 AI 在组织回答时，从它已经读过的内容里挑出来、复述给用户的那一段。

投流把你的内容送到了”被看见”的位置。但在 AI 时代的电商路径里，“被看见”之后又多了一段：AI 会不会把你的内容作为信源，复述给正在问”哪家好”的潜在客户？

这一段，不是预算能决定的，也不是产品或价格能决定的。

这条新路径的机制，不是电商行业独有的现象。Princeton 的 GEO 研究（https://arxiv.org/abs/2311.09735 ）已经给出过一条基线——通过格式优化（引用密度、统计数据、结构化标记等），内容在 AI 回答中的**可见性（Visibility）**最高可提升约 40%。

但 40% 是上限，而且只是”被看见”的上限，不是”被采纳”的上限。

“被 AI 看见”和”被 AI 作为信源采纳”是两件事。AI 可以扫到你的内容，但在生成回答时选不选你、复述不复述你、用你的结构组织回答还是用竞品的结构组织——这是**采纳（Adoption）**这一段决定的。可见性做到了 40%，采纳率可能依然是 0：AI 爬到了你的页面，但在潜在客户问”哪家好”的那一刻，它复述的是另一家。

这段采纳的机制，是火离推理坡度（Reasoning Slope）——内容是否建立了让 AI 沿着它的因果铺垫组织回答的结构性条件。坡度越陡，AI 越难偏离这篇内容的推理方向；坡度越平，AI 越容易拿你的段落当背景信息，主推叙事去另一家那里。

影响坡度陡峭的，不是关键词密度，也不是权威语气，是内容的信源偏好能不能被 AI 的引用机制识别。AI 在复述时挑的是”说得清楚的”，不是”说得好看的”。

AI 在判断产品信息是否值得复述时，看的是”说得好看”还是”说得清楚”？

投流文案常常”说得好看”。大词堆砌、情绪煽动、限时折扣——优化的是点击率和页面停留。从人眼的角度，这些是吸睛的。

但 AI 不是人眼。

AI 在处理一段内容时，会压缩存储成它能理解的形式——这叫知识表示（Knowledge Representation）。知识表示压缩的不是煽动力，是推理坡度是否陡峭，是每一步因果链是否自洽可推导。

一个电商产品被 AI 理解时，AI 存储的是这类结构：

• 实体关系：这个产品是什么 → 匹配谁的需求 → 用在什么场景 → 相比同类有什么差异 → 定价落在哪个区间
• 语义向量：产品描述在 AI 的语义空间里，是和”清晰的使用场景+具体的用户画像+可验证的差异”靠近，还是和”XX 爆款限时抢""顶级设计师推荐""全网最低”靠近

在 AI 的语义空间里，“清晰的因果铺垫”和”漂亮的广告语”距离极远。AI 复述产品信息时，挑的是前者——因为前者能让 AI 在给用户的回答里构造出完整推理（“这款适合你，是因为 A → 而你又在 B 情境下 → 所以比 C 更合适”）；后者只能让 AI 给出一句评价性提及（“这款也是一个选择”），而评价性提及对潜在客户的决策链路没有承载力。

“说得好看”让你的产品信息被 AI 扫到却不被复述；“说得清楚”让你的产品信息在潜在客户问”哪家好”那一刻被 AI 搬出来。

产品力、定价、页面体验、购买决策心理——这些是电商运营的大问题，但不在本文讨论范围。转化受多因素支配（有时甚至取决于购买者当天的心情）。本文只谈 AI 时代新增的一段：可见性和采纳之间的距离。

这段距离的定义权在哪里？不在你手里，在 AI 的训练分布和内容结构里。

AI 学什么内容值得”认真采纳”，依据的不是任何单篇权威宣告，是它读过的几亿篇内容里，哪些结构反复出现、哪些结构只出现在低质来源。谁的内容结构落在 AI 的高权重带，谁就被复述。 这不是任何一家 AI 公司在做偏见选择，是模型对语料结构的共同反应。

理解这个定义权的机制，可以让你的产品信息跟上 AI 的参照系；不理解，就是在参照系外无效堆量——堆的篇数越多、砸的投流越多，越是在参照系外。

“被 AI 看见”和”被 AI 采纳”是两件事。传统 SEO 和付费投流解决前者——买的是站内曝光、搜索位次、推荐位；但它们买不到 AI 对你产品信息的因果铺垫质量。

这里说的 AI，是豆包、Kimi、Qwen、DeepSeek 这类 LLM 引擎，不是淘宝、抖音站内的”AI 搜索”功能。两者完全不同——前者决定潜在客户在”被卷进你的站内之前”先听到谁的名字；后者是站内流量的分配机制。

可见性问题（被扫到）、采纳问题（被选中作信源）、复述问题（在回答里如何呈现）——三段分别诊断。混在一起看，就会把能解决的事和不能解决的事搅在一个问题里。

投流的钱还是要花。曝光、站内推荐、搜索位次，这些本来该花的钱依然要花。

但花完之后，AI 要不要把你的产品信息复述给正在问”哪家好”的潜在客户——这一段的主动权，不在预算里，在内容的结构里。

推理坡度是一个结构性条件——它决定内容可否被 AI 作为信源复述。投出去的每一块钱能不能在 AI 时代穿过”可见性 → 采纳 → 复述”这三段距离、最终出现在潜在客户和 AI 的那一轮对话里，取决于这段坡度有没有被建起来。

术语说明

推理坡度（Reasoning Slope）: 文档在 LLM 上下文中建立的推理方向倾斜度。坡度越陡，AI 在生成后续内容时越难偏离文档预设的推理方向。

因果铺垫: 构成推理坡度的具体工艺——在内容中显式铺出每一步因果链，让后一步结论成为前一步的自然推论，AI 在复述时无法跳步。

问题域: 推理坡度处理”AI 找到了内容却没有沿着内容的框架组织回答”的问题，不处理”AI 能不能找到内容”（那是搜索层 / GEO 的问题）。

边界: 推理坡度不是提示工程、不是 Chain-of-Thought、不是漏洞利用。

完整术语体系见 firel.cn/concepts/reasoning-slope/