AI购物答案86%自相矛盾：不一致是特性不是故障

把同一个购物问题问两遍 AI，得到的答案可能完全不同——这不是错觉，是被量化过的事实。

2026 年 10 月初，产品验证公司 Product.ai 发布了一项测试（Business Insider 报道，中文报道见ZAKER）：对 ChatGPT、Claude、Gemini、Perplexity 的免费和付费版本，用 220 个购物问题各跑 5 次，共收集 8,794 条回复。

结果：86% 的问题产生了可重复的事实冲突——不同回复里出现不一致的价格、型号或规格；对比类问题（「A 和 B 哪个好」）冲突率高达 97%；可核实的 913 个价格答案里，出错的那些价格偏差中位数是 300 美元。

假日购物季前发布这组数据，针对性很明显。

结论先行：AI 答案的不一致不是偶发 bug，是概率生成加实时检索的结构性产物。对做 GEO 的企业来说，这意味着「单次监测」基本没有意义，真正该盯的是另一组东西。

发布时机值得注意：这项测试赶在假日购物季之前公布，测试场景全是笔记本电脑、电视、床垫这类高客单价商品——正是 AI 代理购物叙事最热的品类。

行业正推动用户「把购买决策交给 AI」，而这组数据提醒的是相反的方向：在事实字段一致性被解决之前，端到端的 AI 代购离成熟还远。

对企业而言，这个矛盾恰好是机会——谁的事实字段先对齐，谁就先受益于 AI 推荐而不受它的错误拖累。

机制拆解：答案为什么会变

结论：答案会变有三个来源，都不是 bug：Honeyb 的 240 条实测显示同一问题首推品牌会变，SparkToro 的 2,961 个提问里两次推荐相同的概率不到 1/100。

答案不稳定有三个来源，每一个都不是bug。

第一是采样。大模型生成文本是概率过程——两个权重相近的候选表述，这次选 A、下次选 B。Honeyb 在 2026 年 7 月做过一组干净的实测（20 个购买意图问题 × 4 个引擎 × 各 3 次，240 条答案）：ChatGPT 连续两次问同一问题，首推品牌不同的概率是 35%，Gemini 达到 44%，最稳定的 Claude 也有 28%。

第二是检索变动。带联网能力的回答每次实时抓取网页，而抓到哪些页面本身就有随机性。SparkToro 基于 2,961 个志愿者提问的研究给出的数字更极端：同一个问题两次得到完全相同推荐列表的概率不到 1/100。检索池一变，短名单就变。

第三是问法。Conductor 用 14,000 次 API 调用（10 个行业、7 类购买意图）测出的结论是：预测答案一致性的最强变量不是行业、不是品牌大小，而是意图类型——购买型、对比型、科普型问题的稳定性差异，比行业间的差异大得多。怎么问，比问什么更能决定答案稳不稳。

研究	规模	核心数字
Product.ai	8,794 条回复	86% 问题有事实冲突；对比题 97%；价格错误中位数 $300
SparkToro	2,961 次提问	同一推荐列表复现概率 <1/100
Honeyb	240 条答案	首推更换率：Gemini 44% / ChatGPT 35% / Claude 28%
Conductor	14,000 次 API 调用	一致性的最强预测变量是意图类型

为什么这对 GEO 是个分层问题

结论：把答案会变直接等同于 GEO 没法做是误读，稳定性问题应当分层处理，不同层级的可建设性并不相同。

把「答案会变」直接翻译成「GEO 没法做」，是对这组数据的常见误读。正确的读法是分层：推荐名单会漂移，但支撑推荐的底层事实相对稳定。

AI 生成答案时做两件事：先从检索层拉证据，再在证据之上生成推荐。名单漂移主要发生在生成层——同样的证据池，概率采样会给出不同的排序和取舍。

但证据池里的「你」是什么样子，取决于企业自己铺出去的事实：官网的产品参数、第三方平台的营业信息、行业目录里的资质字段。

这些字段如果各处一致且可核验，无论采样怎么抖，你的品牌至少始终在「正确的候选池」里；字段如果互相矛盾，漂移会把矛盾一并放大成错误答案。

这也是三个研究合起来看才完整的原因：Product.ai 告诉你冲突有多普遍，SparkToro 和 Honeyb 告诉你漂移有多频繁，Conductor 告诉你哪类问题的漂移最大——对比类问题冲突率 97%，恰恰是最接近用户下单决策的那类问法。三个数字指向同一个行动：别赌单次答案，去修跨次稳定的部分。

反直觉的观点：单次监测是噪音，该修的是字段

结论：单次监测是噪音：答案会变，AI 每次生成时引用的事实字段才是稳定层，Product.ai 测出的 300 美元中位数偏差说明代价真实。

常见的做法是老板或市场部随口问一句 AI「XX 行业哪家强」，没看到自己品牌，回头就质问服务商。这套行为在数据面前站不住：单次提问的结果有 30%-50% 的概率下次就翻面，它测量的不是你的可见度，是采样噪声。

但这不等于「不一致无所谓」。恰恰相反——正因为答案在变，AI 每次生成时引用的事实字段（价格、规格、资质、地址）才是稳定层。

Product.ai 测出的 300 美元中位数偏差意味着：用户在错误答案上做的决策，代价是真实的。

品牌在 AI 里的描述如果本身就互相矛盾（两个平台价格对不上、规格口径不一致），等于把「变」和「错」叠加在一起——这与此前 34.7% 的 AI 引用打不开或对不上数的发现（见引用事实核对研究）指向同一个结论：企业可控的部分是字段，不是话术。

我们在服务中看到的情况也印证这个分层：客户单次问询「AI 有没有提到我」，情绪波动很大；但把固定题组按周跑批之后，趋势线其实相当平稳——哪些意图类型下出现率高、哪些平台长期缺位，都是稳定模式。单次是噪音，批次才是信号。

可执行的做法

结论：可执行的做法是四步：把一次性的随口提问换成固定问题集的持续复测，让字段层面的偏差能被稳定发现。

四步，落到动作：

步骤	动作	要点
1	建固定题组：按购买意图写 6 条左右的固定问题，锁定问法措辞	覆盖购买、对比、科普三类意图；对比类问题单列，它们冲突率最高
2	按周批次监测：同题组每问 3 次取出现率，看趋势不看单次	记录出现率区间，而非某一次的结果
3	核事实字段：把价格、规格、资质在官网、第三方平台、知识图谱三处对齐	不一致的字段优先修，它们是错误被放大的源头
4	对比类问题优先治理：被对比时缺位或描述过时，损失最大	对比场景下「被提及」与「被引用」本来就不是一回事（见推荐与引用的分离现象），先修可验证事实

其中第 3 步最容易被低估。多数团队愿意花预算「让 AI 多提自己」，却不愿花一个下午核对各平台的营业时间、价格区间和资质描述是否一致。但按 Product.ai 的口径，错误答案的中位数代价是 300 美元级的决策偏差——一个自相矛盾的品牌，被提得越多，错得越多。一致性优先于出现率，这是本篇最重要的优先级判断。

边界与不适用

结论：答案一致性结论有边界：不覆盖医疗、金融、K12 行业，不涉及删除真实差评，也不构成排名与收录效果方面的承诺。

三点边界。

第一，Product.ai 的测试用的是开发者 API 版本，Google 已声明 API 版不含消费端的购物图谱（Shopping Graph），所以具体百分比不能直接平移到消费端 App 的表现——结论是「冲突普遍存在」，系数仅供参考。

第二，样本以美国市场的购物题为主，中文场景的冲突率没有同等规模的公开测试，方向可参考、数字要保守。第三，不承诺任何监测频率与推荐结果之间的关系：批次监测改善的是你对现状的判断质量，不改变 AI 怎么推荐。

还要说清我们自己的边界：灵曦GEO 不做医疗、金融、K12 行业，不删真实差评，不承诺任何排名与收录效果。答案一致性这件事，我们能做的是把企业自己可控的事实字段与监测方法做扎实。

想看这套监测方法在实际行业里的落地，可以看灵曦GEO的服务页。