对话式货架来了：品牌必须重写被AI推荐的资格

01 资料与背景

unBoxed 2026发布了什么

2026年9月30日，亚马逊广告在旧金山举行的unBoxed 2026发布会被系统整理为十一条要点。会上，亚马逊广告高级副总裁Paul Kotas表示，公司希望借助AI提供更好的广告与效果，并让整个过程尽可能简单。第一天围绕产品、工具与背后的智能，第二天以Reimagine系列转向视角讨论，探讨变革性技术与人的原创思考相遇时会发生什么。

具体发布包括：Branded Conversations让品牌在Alexa for Shopping的购物对话中提供差异化信息；Sponsored Services首次把闭环延伸到本地服务提供者，Yelp为家居与本地服务的锚定伙伴；Amazon Ads Agent把原DSP与广告控制台合并为统一购买入口，并推出对话式AI体验的扩展封闭测试；Full-Funnel Campaigns由AI处理渠道组合、创意、受众与优化；DVA+把展示、视频与音频合并为一个目标、一份预算、一个广告活动；生成式AI创意工具嵌入对话体验；近千项指标可通过自然语言调取；Amazon Ads MCP Server（Lite）与AMC Expert Tool面向智能体使用。会上还给出测试期的若干效果数字，并邀请Martha Stewart与Chaunté Lowe分享人的判断与真实故事。

02 GSP 分析

从购买流量到购买被引用的资格

这轮发布真正改变的不是投放界面，而是品牌进入消费者决策的入口结构。传统搜索广告的竞争单位是关键词与竞价，品牌购买的是货架上的一个位置；而Branded Conversations所描述的场景里，消费者用一段多轮对话完成研究、比较与购买，品牌购买的是被AI在对话中引用、解释与推荐的资格。位置可以被预算买到，资格却取决于品牌是否提供了结构化、可被调用的差异化事实。

由此产生一个反直觉的取舍：品牌过去倾向于把预算集中投向转化最强的少数关键词，把品牌叙事留给站外；而在对话式入口中，缺乏清晰定位与产品知识的品牌，很可能在消费者提问阶段就被排除，后续再高的出价也买不回那一次对话。另一个常被忽略的机制是对话的累积性：多轮问答中，AI会不断根据已有信息缩小推荐范围，早期未被纳入候选集的品牌，很难在后续轮次被重新召回。这意味着品牌需要在对话开始前就完成知识供给，而非依赖中途出价干预。

一个假设示例：某家清护品牌若只投放“控油洗面奶”这类高转化词，却从未把“敏感肌适用”“入门routine搭配”“与防晒叠加顺序”等信息整理成机器可读的资产，那么当消费者询问“帮我搭一套日常流程”时，它被引用的概率将被系统性压低。这不是创意问题，而是知识供给问题。检验办法可以是定期向对话式入口提出本品类的高频问题，记录品牌是否被引用、以何种事实被引用，并据此反向补充知识库。建议品牌把“人群—场景—问题—产品事实”整理成一份可被智能体调用的品牌知识底座，并把它当作媒介资产而非市场部文案来治理。

03 GSP 分析

价值机制：闭环延伸与预算再分配

把Sponsored Services与Amazon Ads Agent放在一起看，亚马逊在做两件事：一是把闭环从商品延伸到服务履约，二是把分散的操作收敛到单一入口。服务类广告的价值机制在于补上“买了但用不起来”的断点——智能水龙头、家居安装这类交易，商品页本身无法完成转化，本地服务提供者的接入让广告可以直接完成一项任务。对品牌而言，这意味着部分品类的转化链路从“购买即结束”变成“购买即开始”，售后与安装体验反过来影响复购与评价。

统一入口的价值机制则是降低协调成本。DVA+把展示、视频与音频合并为一个目标、一份预算、一个广告活动；Full-Funnel Campaigns让AI处理渠道组合与优化。其经济含义是：原本用于跨平台对齐、比对报表、重复搭建的人力被释放，但这部分节省不会自动转为利润，而是会被重新分配到创意供给、数据治理与实验设计上。若品牌缺乏相应的承接能力，节省下来的时间可能被消耗在更细碎的日常操作中。

假设示例：一个中型消费品牌过去由两名投放人员分别管理站内搜索与站外视频，每人每周约三分之一时间用于对账与改预算。若入口统一，这部分时间理论上可释放，但如果团队没有提前定义“新客获取”与“长期回报”的优先级，节省下来的时间很可能被用于增加广告活动数量，反而放大复杂度。检验方法可以是：在统一入口上线前后各设一个季度，对比活动数量、实验数量与长期回报指标的变化；若活动数量上升而回报未改善，说明目标函数尚未明确。因此，取舍的关键是先确定目标函数，再决定让AI接管哪些决策、团队保留哪些判断。

04 GSP 分析

用户旅程被压缩成一段可被引用的对话

亚马逊在发布会上强调，购物很少由单一提示解决，研究、发现与再提问构成反复的来回。这句话的经营含义是：品牌需要覆盖的不再是旅程的某个节点，而是对话的全过程。传统漏斗模型里，认知、考虑、转化分属不同渠道与不同KPI；在对话式界面中，这三者被压缩进同一段交互，任何一环的信息缺失都会立刻终止对话。因为用户每一次追问都是一次筛选，品牌若在某个问题维度上缺席，对话就会流向愿意提供细节的竞争品牌，而这一流失在报表上往往只体现为曝光或点击的下降，很难追溯到具体的问题缺口。

因此，品牌资产需要按“消费者会问什么”来组织，而不是按内部产品线来组织。清洁、保湿、防晒的搭配问题，敏感肌与初学者的区分问题，本质上都是在问“我该买什么、按什么顺序用”。品牌若能把这些问题与自身产品事实一一对应，就有机会在多轮对话中被反复引用；反之，只提供一句口号，等于把解释权让给了平台与其他品牌。经营取舍在于：是把预算继续投向更响亮的声量，还是投入一部分去梳理那些枯燥却决定对话能否延续的细节。

GSP建议把用户旅程重画成一张问题地图：谁在什么场景下提出什么问题，品牌能给出什么可验证的答案，答案对应哪个产品事实，最后由谁审核其准确性。这张地图是连接市场部、产品部与合规部的共同文件。假设示例：某家电品牌把“安装需要什么条件”“是否适配旧管道”“多久上门”写入结构化答案后，Sponsored Services的本地服务线索才可能被有效承接；若只写“专业安装”，对话就会在细节追问处中断。检验办法可以是按问题地图逐条做对话回放，统计每条答案被引用的次数与后续追问率，把引用率低或追问率高的条目优先返工。

05 GSP 分析

组织分工：谁拥有品牌知识，谁对AI输出负责

当近千项指标可以通过自然语言调取，当创意工具可以直接生成展示与视频资产，组织面临的问题不再是“有没有工具”，而是“谁对输出负责”。AI可以生成广告，但无法决定什么值得说、什么不能说。品牌知识底座的维护、审核与更新，必须落到明确的责任人身上，否则对话式投放会把过时的卖点、错误的适配信息以更快的速度扩散。经营取舍在于，是把AI当作减少人力的理由，还是把它当作要求更高判断密度的放大器。

合理的分工不是新设一个庞大部门，而是明确三类角色的边界：产品与研发提供可验证的事实，市场部负责把事实转译为消费者语言与问题答案，合规与法务设定不可逾越的红线。投放与代理商则负责实验设计与预算分配，并对AI的建议做最终取舍。亚马逊的MCP Server与AMC Expert Tool降低了技术接入门槛，但这恰恰意味着人的审核责任更重，而不是更轻。因为工具越顺畅，错误答案进入对话的成本越低，纠错窗口也越短。

假设示例：某品牌在Full-Funnel Campaigns测试期发现新客占比上升，但复购未同步改善。若没人负责把“新客来自哪类对话场景”回传给产品与内容团队，这一信号就会被当成投放问题反复优化预算，而真正的原因可能是对话中承诺的使用体验与实际产品不符。责任人不清晰时，AI越自动，组织越容易在错误的方向上加速。检验办法是给每条品牌知识设定唯一责任人、审核日期与失效条件，并定期抽查AI输出中是否存在过期表述。

06 GSP 分析

投入结构与替代解释：效率之外还剩什么

亚马逊在发布会上给出的测试数字——长期广告回报提升67%、新客获取成本下降29%、某宠物品牌41%的销售来自新客、创意工具使用者商品覆盖提升至多71%——均来自平台方口径，属于厂商自述，不能当作独立验证的行业基准。品牌在制定预算时应把这些数字当作待检验的假设，而非可复制的承诺。经营取舍在于，是把这些数字直接写进年度目标，还是先设计一个能证伪它们的实验。

另一种解释同样成立：效果改善可能来自测试期的选择偏差，早期参与者本身规模较大、数据基础较好；也可能来自预算集中投放后的短期抬升，而非机制性改善。真正的判断标准是，当预算回到常态、测试组与对照组可比时，增量是否仍存在，以及增量是否来自品牌原本无法触达的人群。若增量消失，说明此前观察到的更多是资源倾斜效应，而非AI带来的结构性变化，继续加码只会推高边际成本。

因此，投入结构的核心问题不是“要不要用AI”，而是“省下的时间投向哪里”。如果把节省的运营时间继续投入同质化的投放竞争，回报会迅速摊薄；如果投向创意供给与品牌知识建设，才可能形成平台难以复制的差异。GSP的判断是：效率工具是入场券，不是壁垒；壁垒来自品牌比别人更早知道该说什么、更敢于坚持什么。检验办法可以设一条对照线：节省出的工时中，有多大比例被重新分配到问题地图维护与创意实验，而非简单转化为更多投放。

07 行动建议

实施顺序：先建知识底座，再放自动化

第一步是盘点与结构化。品牌应先完成一次品牌知识审计：列出消费者最常提出的二十到五十个问题，逐一确认是否有可验证的产品事实对应，标注哪些问题目前无人回答。这是所有后续动作的前置条件，缺失它，任何自动化投放都是在放大信息空洞。责任人应为品牌或市场负责人，输出是一份可被内部审核、可被外部调用的品牌问题库。

第二步是小范围对话实验。选择一条产品线，在对话式入口与搜索广告之间做对照，观察品牌信息被引用后，消费者的提问深度、加购行为与新客比例是否变化。此阶段的目标不是规模，而是发现哪类问答真正影响决策。输入是问题库与创意素材，输出是一份受控实验结论。之所以把实验置于自动化之前，是因为全漏斗工具与AI创意生成会放大既有信息结构：若知识底座本身存在缺口，自动化只会把错误答案以更多格式、更快速度铺开。

第三步才是扩大自动化范围。当品牌知识稳定、实验结论清晰后，再逐步把渠道组合、预算分配交给统一入口与AI优化。顺序不能颠倒：先放自动化再补知识，会把错误说得更快更广。对于预算与人力有限的中小品牌，可先只做第一步与第二步的简化版，把资源集中在最核心的一条产品线上，而非全面铺开。

08 行动建议

指标与实验：用可证伪的方式管理AI投放

指标设计应区分三层。第一层是过程指标：品牌信息在对话中被引用的频次、问题覆盖广度、答案准确率。这一层衡量知识底座是否有效，而不是衡量广告是否好看。第二层是效率指标：新客获取成本、渠道组合下的边际回报、创意生产周期。第三层是结果指标：新客占比、复购率、长期销售趋势。三层必须同时看，避免用效率改善掩盖品牌资产的空心化。

实验应遵循可证伪原则。设定明确的对照条件，提前声明如果增量未出现将如何调整；把平台提供的基准数字与自身对照结果分开记录；对“新客是否真正新”这一关键问题，使用独立于投放团队的验证口径。关于隐私与数据使用，具体范围与合规要求需由法务与平台协议共同确认，本文不展开。为保证结论可复现，每轮实验应固定观察窗口与归因口径，并在启用自动化前后各留一段对照期。

假设示例：某品牌在对话入口测试中看到新客占比显著上升，于是决定全面扩大投放。但若未同时监测这些新客的复购与退货，扩大的可能是一次性促销人群。稳妥做法是把实验分成两个阶段：先验证对话引用是否改变决策，再验证新增人群是否具备长期价值。只有两个问题都得到肯定答案，扩大投入才有依据。

09 行动建议

适用条件与调整判断

这套逻辑更适合三类品牌：产品信息复杂、需要解释与搭配的品类；依赖本地服务履约、购买与服务分离的品类；以及新客获取长期承压、现有投放边际回报下降的品牌。反之，如果产品决策极其简单、消费者几乎不做研究，或品牌连基本的产品事实都尚未沉淀，则对话式投放的边际价值有限，先把基础信息整理清楚比追赶新工具更重要。

判断是否需要调整的信号有三类。一是引用质量：如果品牌被引用的内容频繁出错或被忽略，说明知识底座与审核机制不到位，应暂停扩大自动化。二是人群结构：如果新客占比上升但复购与留存没有改善，说明对话吸引的是价格敏感人群，应回到价值主张与产品体验本身。三是组织负荷：如果运营团队把节省的时间全部用于增加广告活动数量，说明目标函数未被统一，应重新定义优先级再谈效率。

最后需要保留人的判断。发布会上Martha Stewart与Chaunté Lowe的分享指向同一点：技术可以把故事传得更远，但无法决定什么故事值得讲。对品牌而言，AI负责把正确的信息送到正确的人面前，而选择说什么、坚持什么、放弃什么，仍然是经营者的责任。让技术承担它擅长的事，让人守住它不可替代的判断，是这轮变化中最值得坚持的分工。