1. MMP 解决了什么问题
从2016到2024这八年，MMP其实做了一件挺重要的事——把“独立第三方归因裁决”变成了行业公认的规则。
说到底，AppsFlyer、Adjust、Branch、Singular这些平台的使命很集中：解决移动广告的一个根本问题——用户装了一个 App，到底是哪个广告、哪个渠道、哪个创意带来的？
这个问题的难度，在Web端和移动端完全不一样。Web端有cookies、有click ID，逻辑相对简单。但移动端呢？跨设备、跨渠道、概率匹配、IDFA衰退、SKAN框架——每个环节都极其复杂。
MMP用了将近十年，才把这套归因基础设施给搭起来。
到2026年，这个格局已经相当清晰了：
AppsFlyer覆盖了超过12,000个广告合作伙伴，每天处理数十亿次安装归因。Adjust被AppLovin以10亿美元收购后，在游戏和应用商店优化上又进了一步。Branch的深度链接技术几乎成了跨端跳转的事实标准。
坦白讲，MMP的核心价值没有过时。只要你还在做App Install归因，就需要一个独立的第三方来做裁决。
但问题是，一个结构性的变化正在悄悄发生——获客的上游，正在被AI重写。
2. AI 重写了什么
2.1 传统获客路径（2024以前）
过去的路径很清晰：广告 → 点击 → 落地页 → App Store → 安装 → 应用内事件。整条链路都在MMP的视野里，从“广告”开始，到“应用内事件”结束。
2.2 新的 AI 驱动路径（2025–2026）
现在不一样了。新的路径变成了这样：AI回答/引用 → 品牌认知 → 自主搜索 → 落地页 → App Store → 安装。
举个很常见的场景：用户问ChatGPT“best trading platform for derivatives”，AI推荐了某个品牌。三天后，用户在Google上搜索这个品牌名，然后点击广告、安装App。
这个时候，MMP能看到什么？它看到的是“Google Brand Search驱动的Install”——逻辑上没错。
但MMP看不到的是什么？它看不到用户为什么去搜索这个品牌名——因为三天前ChatGPT推荐了它。
这不是MMP的bug，而是MMP的结构性边界。MMP的测量从广告触点开始，但AI的影响发生在广告触点之前。
3. 盲区有多大
从服务数百个客户站点的真实数据来看，这个盲区规模远超多数人的预期。
维度一：AI爬虫请求 vs 人类访问
典型站点的原始请求中，超过90%来自AI爬虫和bot。这些请求决定了AI是否理解你的产品、是否推荐你——但GA4看不到（因为爬虫不执行JS），MMP更看不到。
维度二：Referrer剥离率
ChatGPT的referrer行为在不同版本之间并不一致。部分AI平台会使用noreferrer策略。在移动端的WebView里跳转时，referrer经常被剥离。实际数据显示：30%到60%的AI来源点击，在到达网站时已经丢失了来源标记。
维度三：跨端断链
典型的用户路径：AI平台 → 品牌官网（Web）→ App Store下载App。每一次跨端跳转，AI的来源信息就丢失一次。最终MMP把它记为“自然安装”——AI的贡献直接被归零。
维度四：零点击引用
2026年大约60%的AI搜索是以零点击结束的。AI直接在回答里展示了完整信息，用户获得了品牌认知，但没有产生任何可追踪的点击。基于点击的归因系统，对此完全无能为力。
4. 这对效果营销意味着什么
影响一：AI渠道被系统性低估
当AI驱动的用户被归因到“Brand Search”、“Direct”或“Organic”时，AI的真实贡献就被藏起来了。你投入越多GEO（生成式引擎优化），Brand Search的ROAS看起来就越高——但功劳却被错误地记在了Google Ads头上。这显然不合理。
影响二：预算分配偏差
如果AI的贡献被错误地归入Brand Search，预算模型自然会高估Brand Search的效率、低估AI/GEO的效率。长此以往会发生什么？AI/GEO的投入被削减（因为“看不到产出”），Brand Search的预算却被追加（因为“ROAS看起来高”）。但Brand Search的高ROAS，恰恰是因为AI在上游输送了高意向的用户。这是一个系统性的预算错配。
影响三：无法回答CFO的问题
某效果营销负责人的话很直白：“GEO现在可能跟SEO领域的相关性更强。没有办法做到非常好的归因，如果有投入的话，不知道该如何计算产出。”
MMP和GA4都没有“AI渠道”这个视图，导致GEO的产出被分散到Brand Search、Direct、Organic等各个渠道里，根本无法量化。
5. 为什么 MMP 不会自己解决
不是MMP不够聪明，而是三个结构性的原因决定了这件事它们做不了。
原因一：架构定位
MMP的核心架构是围绕“广告触点 → App Install → 应用内事件”来设计的。要把AI推荐塞进归因模型，基本上等于重写整个数据架构。这不是一个可以小修小补的事。
原因二：商业模型
MMP的收入来自广告主和广告网络。AppsFlyer有超过12,000个广告合作伙伴，AI来源的归因并不能直接服务这些生态。AI归因服务的其实是品牌自身的有机渠道理解，而不是广告网络的利益。
原因三：技术栈差异
检测AI流量需要完全不同的技术栈：AI爬虫行为识别、服务器端请求分析、AI答案引文监控。这些都不在MMP的核心竞争力范围内。AppsFlyer的工程资源，更应该投入在SKAN 5.0适配和隐私增强归因上，而不是在AI流量检测上。
六、出路：AI Measurement Partner
市场需要的不是另一个MMP，而是一个AI测量伙伴，专门干一件事：把AI来源的信号“翻译”成MMP能消费的格式。
能力层 |
做什么 |
MMP状态 |
AI答案可见度 |
监控AI平台（ChatGPT、Perplexity）上的品牌引用率和SOV。 |
完全盲区 |
AI爬虫活动 |
识别AI爬虫并进行服务器端分析。 |
完全盲区 |
AI来源到站 |
识别并标记AI来源的Refferrer。 |
GA4部分覆盖，MMP不覆盖 |
Web-to-App信号桥 |
将AI来源信号传递给MMP，使其自动识别为独立渠道。 |
可消费（需上游提供） |
因果验证 |
通过Geo Lift / Holdout等方法，验证AI渠道的增量性影响。 |
完全盲区 |
核心原则其实很简单：不碰App Install归因的蛋糕。我们做的是“测量AI发现”，MMP做的是“测量转化结果”。两者互补，不冲突。
七、FAQ
Q1: MMP 不是也在往 Web 端扩展吗？AppsFlyer 的 Web Performance Measurement 呢？
A: 没错。AppsFlyer在2026年确实推出了Web Performance Measurement，试图在Web端提供独立的归因层。但它的核心仍然围绕“广告触点 → 转化”来设计——Web端的AI爬虫活动、AI答案引用、零点击影响，都不在它的数据模型里。Web Performance Measurement解决的是“广告驱动的Web转化归因”，而不是“AI驱动的品牌发现测量”。这是两个完全不同的命题。
Q2: GA4 不是能看到 AI 来源吗？
A: GA4确实能看到一部分——也就是那些带有referrer的人类点击。但GA4有三个致命的盲区：第一，AI爬虫不执行JS，GA4一条记录都没有；第二，referrer被剥离的AI访问无法识别；第三，跨端Web→App的旅程断裂。我们在实际数据上的观测显示，GA4大约只能看到AI实际触达的10%到15%。这个覆盖率，说实话很难用来做预算决策。
Q3: 为什么不用 post-purchase survey 代替技术归因？
A: Post-purchase survey是有价值的补充信号，但它有三个很实际的限制。第一，回忆偏差——用户很可能记不住三天前的一次AI推荐；第二，响应率通常低于5%——样本太小，根本不够做渠道级的预算决策；第三，它无法回答完整的归因细节。技术归因和survey应该并用，但不能互相替代。
