过去一年，我们团队持续跟踪 AI 商业基础设施的演变。随着 AI Agent 从"辅助工具"加速演变为"交易执行者"，一场关于商业协议标准的战争正在悄然展开——而在这场战争的喧嚣之外，我们注意到了一个几乎无人讨论的结构性盲区。
这篇文章，是我们研究结论的完整呈现。
一场没有硝烟的标准战争
过去一年，三个 AI 商业协议几乎同时浮出水面，分别由科技巨头主导推进：
UCP（Universal Commerce Protocol）——由 Google 与 Shopify 联合推动，定位为 AI 商业的**"发现层"**。当 AI Agent 帮助用户查找"200 美元以下的防水跑鞋"时，UCP 提供标准化的产品目录查询接口。
ACP（Agentic Commerce Protocol）——由 OpenAI 主导、Stripe 深度参与，定位为 AI 商业的**"执行层"**。当 AI Agent 代替用户完成加购、结账、支付时，ACP 提供安全的交易执行管道。
AP2（Agent Payments Protocol）——由 Google 提出，定位为 AI 商业的"授权层"。当 AI Agent 需要代替用户花钱时，AP2 提供密码学签名的代理授权证明。
三个协议，三个巨头阵营，从发现、执行到授权，共同构建同一个愿景：AI Agent 可以代替人类完成完整的商业交易。
听起来很完整，对吗？
我们发现了一个巨大的证据缺口
每个协议在自己的领域内是精确的：
- UCP 知道 Agent 查询了哪些产品目录、在什么条件下
- ACP 知道 Agent 发起了哪些结账、支付状态如何
- AP2 知道 Agent 的授权是否有效、花了多少钱
但它们之间，存在一个巨大的证据缺口。
我们用一个真实的 AI 商业路径来还原这个缺口：
用户问 AI："帮我找一双 200 美元以下的防水跑鞋"
步骤 |
行为 |
可观测性 |
① |
AI Agent 调用 UCP 查询多个产品目录 |
✅ UCP 可观测 |
② |
AI 综合信息，向用户推荐三个选项 |
❌ 协议不可观测 |
③ |
用户点击 AI 推荐的链接到达某商家网站 |
❌ 协议不可观测 |
④ |
用户浏览产品页面、对比尺码表 |
❌ 协议不可观测 |
⑤ |
用户决定购买，AI Agent 发起结账 |
✅ ACP 可观测 |
⑥ |
AI Agent 请求支付授权 |
✅ AP2 可观测 |
步骤②③④——从 AI 发现到 AI 结账之间的整段人类行为——推荐、到达、浏览、比较——协议完全看不见。
这不是协议的设计缺陷。协议解决的是机器之间的互操作性问题，它们本就不关心人类在网站上做了什么。
但从商业度量的角度看，这段缺口是致命的。
如果你只有 UCP 查询数据和 ACP 交易数据，你只知道"AI 查询了 100 次目录"和"AI 完成了 3 笔订单"。
你不知道：
- 多少次查询产生了用户可见的推荐？
- 多少次推荐被用户点击？
- 多少次点击产生了有意义的浏览？
- 多少次浏览最终走到了结账？
没有这些中间层的数据，你无法优化任何东西。
你不知道问题出在推荐质量（AI 推荐了错误的产品）、着陆页体验（用户到了但没有转化），还是价格竞争力（用户对比后选择了竞品）。
这个黑洞正在产生真实的商业损失
我们在与品牌 CMO 和增长负责人的交流中发现一个普遍现象：大家都听说了"AI 订单增长了 13 倍"，但几乎没有人能说清楚自己品牌的 AI 归因收入究竟是多少。
原因很简单——现有的分析工具根本看不到 AI 推荐带来的用户是否完成了购买。
这个黑洞正在产生三个具体的商业后果：
后果一：品牌无法归因 AI 收入。 你知道 AI 流量在增长，但不知道它为你赚了多少钱。AI 渠道的真实商业价值处于黑箱状态。
后果二：无法优化 AI 渠道。 传统渠道有清晰的优化杠杆：广告文案、出价策略、着陆页设计、结账流程。AI 渠道的优化杠杆还不清晰，部分原因正是你不知道漏斗在哪里泄漏。
后果三：无法做 AI vs 非 AI 的 ROI 比较。 如果你不能度量 AI 渠道每一步的效率，就无法将它与 Google Ads、Meta Ads、Email 做同等的 ROI 比较。AI 在资源争夺战中会输——不是因为它效率低，而是因为它缺乏度量基础设施。
AI 商业高速公路需要"交通监控系统"
在传统电商中，度量链路已经成熟：
Google Ads 点击 → 着陆页 → 产品页浏览 → 加购 → 结账 → 订单
每一步都有成熟的追踪工具（GA4、GTM、Shopify 分析、Facebook CAPI）。广告商可以精确知道 $1 广告费在每个漏斗环节的效率。
在 AI 商业路径中，这个链路还不存在。
协议定义了两端（发现和结账），但中间的度量层——AI 推荐了什么、用户怎么反应、网站上发生了什么——是空白的。
这就是我们团队持续研究和推动 AIAA（AI Attribution Architecture）五层框架的核心动因。
AIAA 不试图替代任何协议，它专注于填补协议之间的度量缺口：
阶段 |
框架 |
可观测内容 |
发现（查询） |
UCP |
Agent查询了什么产品、什么条件 |
推荐（应答） |
AIAA Answer层 |
AI是否提及品牌、如何描述、是否推荐 |
Agent访问（信息获取） |
AIAA Request层 |
Agent读取了哪些页面、频率和深度 |
用户到达（AI引荐） |
AIAA Visit层 |
用户从哪个AI到达、着陆在哪里、做了什么 |
商业意图行为 |
AIAA Commerce层 |
加购、比较、结账发起 |
交易（执行） |
ACP |
结账细节、支付状态 |
授权（验证） |
AP2 |
代理授权、审计链条 |
收入归因 |
AIAA Attribution层 |
这笔收入可以追溯到AI来源 |
一个简单的类比：协议是高速公路，让车可以从 A 到 B；AIAA 是高速公路上的交通监控系统，告诉你有多少车在路上、它们从哪里来、到哪里去、有多少到达了目的地。
一个值得单独说的技术细节：MCP 与度量的关系
MCP（Model Context Protocol）不是商业协议，它是 AI Agent 调用外部工具的通信标准。当 ChatGPT 通过 MCP 连接到 Shopify 后台读取产品数据时，这个 tool call 是一个可观测事件。
OpenTelemetry GenAI Semantic Conventions 已经定义了 execute_tool 和 invoke_agent 作为标准 trace span。每次 MCP tool call 都可以被记录：谁在调用、调用了什么工具、输入是什么、输出是什么、是否成功。
这意味着：当 Agentic Commerce 协议通过 MCP 执行时，AIAA 的 Request 层可以直接消费 MCP tool call 的 trace 数据。 这是 AIAA 与协议层之间最有可能实现的早期集成路径。
我们的核心判断：五个行动原则
基于以上研究，我们将核心论点提炼为五个可执行的判断：
1. 度量动作，不度量 Agent 数量。 Agent 身份不稳定、不可比，Agent 数量不等于商业价值。
2. 分层度量，不混合归因。 AI 曝光、机器请求、人类到达、商业行为和可归因收入是五个独立的事实层。把它们混成一个数字，是虚假归因。
3. 区分真增长和可见度提升。 每次追踪升级都会让 AI 指标跳升——那是观测能力的改善，不一定是 AI 真实增长。
4. 升级你的证据基础设施。 GA4 只能看到 AI 活动的冰山一角，现有工具体系需要系统性升级。
5. AIAA 是协议和商业证据之间的缺失层。 UCP/ACP/AP2 定义了管道，但不度量管道中间发生了什么。
写在最后
AI 流量正在此刻发生。度量黑洞正在此刻吞噬你的归因数据。
协议战争决定了管道怎么建。但管道建好之后，谁来度量管道里流了什么——这个问题，现在还没有答案。
我们正在努力成为那个答案的一部分。
关于作者： 重力科技 - 17年+互联网产品开发经验团队，主导研发智能投放算法 平台，AI驱动的GEO服务商。
