6 月豆包月活 5.28 亿创下新高，但换一家机构统计，同一个产品同一个月只有 3.82 亿，差出来的 1.46 亿接近 DeepSeek 一整个产品的月活。这不是谁在造假，是月活这个用了十几年的指标，在 AI 产品身上已经测不准了。本文从这份 AI 应用半年考榜单出发，拆三个失效现场：月活因为 AI 入口寄生在超级 App 里而失真、声量与留存彻底背离、连行业报道自己都在混用两把尺子算增长。再往下追一层会发现，这和我做内容识别项目时踩过的坑是同一件事，离线评测九十几分，上线掉十几个点，根因是评价标准和用户体感不一致。月活、声量、token 调用量，全都是代理指标。文章还梳理了行业在半年内换掉的三把尺子（DAU → TPD → DAA），以及 Gartner 为什么建议弱化 token 指标，最后给出三个能立刻用起来的动作和一张代理指标自查框架。

前几天刷到一份 AI 应用的半年考榜单，新京报 AI 研究院和 Xsignal 联合编的《全媒介之星》。里面有个数字很显眼，豆包 6 月月活 5.28 亿，创了历史新高。

我顺手翻了 QuestMobile 同月的 AI 原生 App 榜。同一个豆包，同一个 6 月，3.82 亿。

两个数字差 1.46 亿。

这不是谁在造假。两家机构的统计口径不一样，算不算 App 内的嵌入式入口、算不算网页端，数字就能差出这么多。但问题恰恰在这里。月活是我们用了十几年、最没有争议的那个指标，它在 AI 产品身上已经测不准了。

而这只是这份半年考暴露的第一件事。

一、三个失效现场

失效一：月活测不准

1.46 亿这个差值到底怎么来的，得看 AI 产品现在长在哪儿。

豆包连着抖音，千问连着淘宝和高德，元宝连着微信。这一代 AI 应用不是独立生长的，它们寄生在已经跑通的超级 App 里。

传统 App 的月活统计逻辑很简单，打开算一次。但当 AI 变成一个嵌在其他产品里的功能入口，你就分不清用户是专程来用 AI 的，还是刷着刷着顺手点了一下。

统计机构必须做取舍，取舍就产生分歧，分歧就变成 1.46 亿。

失效二：声量和月活开始背离

榜单里千问的声量连续三个月排第一，但月活并没有超过豆包。豆包反过来，声量不算高，月活创了新高，榜单原文用的词是低调。

这两件事第一次这么明确地分开了。

更值得看的是元宝。今年春节它是声量最高的那个，腾讯砸了大手笔做红包活动。结果 Xsignal 的数据显示，除夕当天 DAU 冲到 4054 万，到 2 月 23 日剩 768.5 万，跌了 81%，一个月回到活动前的水平。

声量能买到，留存买不到。

失效三：增长数字自己就在打架

写到这儿我本来想引一组数据，元宝月活从 2 月高点的 1.14 亿跌到 6 月的 7900 万，下滑近四成。看起来很有说服力。

翻到出处我发现不对。1.14 亿是腾讯按自身口径披露的，7900 万来自 Xsignal。 也就是说，这个下滑近四成，是拿一把尺子的分子去减另一把尺子的分母算出来的。

我不打算把这段藏起来，因为它恰好是这篇文章想说的那件事本身。一篇严肃的行业分析报道，在举例说明产品衰退的时候，自己都会混用两把尺子而不自知。

真要说元宝的问题，用同源数据更硬：2025 年 3 月它的月活是 4200 万，到 9 月回落到 3286 万。今年春节又来了一次，同一个坑踩了两遍。

二、双寡头格局，把指标失效的代价放大了

再看这份半年考的整体格局。

月活过千万的 AI 应用一共 13 款，字节和阿里旗下占了 7 款。按榜单内各应用月活简单加总，这两家合计约 10.19 亿，占 13 款总和的 74.4%。

阿里是千问加夸克双主力，配上蚂蚁阿福和 Qwen 的多入口矩阵。字节靠豆包一款打穿。其余厂商基本都只有一个核心产品在撑着，DeepSeek 月活 1.65 亿，元宝、Kimi、文心助手在千万到亿级之间。

这个格局对指标意味着什么？

当七成以上的月活集中在两家的超级 App 生态里，月活这个指标衡量的东西就变了。 它测的不再是这个 AI 产品有多好用，而是它挂靠的那个入口有多大流量。

一个日活八亿的 App 给你开一个二级入口，你的月活立刻上亿。这个数字很真实，也确实是用户点进来了，但它没有回答任何一个产品经理真正想知道的问题：这些人有没有在这儿解决掉一个问题，会不会明天还来，愿不愿意为此付钱。

三、我在小得多的尺度上，踩过同一个坑

看到这些数字打架的时候，我第一反应不是分析行业，是想起自己做过的一个内容识别项目。

离线评测的时候，准确率是九十几，那种可以拿出去汇报的水平。上线之后指标掉了十几个点。

说实话当时挺诧异的，离线跑得好好的东西，换成真实用户就崩了。（那几天一直在刷看板，心里还指望是量太小不具代表性，等全量用户上来指标就回去了）

赶紧查，最后定位到的根因不是模型问题，是评价标准和用户体感不一致。

评测集里，标注员按照既定规则做判断，模型学会了这套规则，所以准确率很高。但用户不按规则活。同一条内容，规则判定为正确的，用户觉得就是不对。这个落差没有出现在任何一个离线指标里，因为离线指标从设计的第一天起就是拿规则去对规则。

我们测的从来不是效果，是效果的一个代理。

这个代理在评测集上和真实效果高度相关，所以我们相信它。它一旦离开评测集，相关性就断了，而我们还在拿它做决策。

现在把这句话放大到亿级规模上看今天的榜单，你会发现是同一件事。

月活是代理，声量是代理，token 调用量也是代理。榜单在测的东西和用户真正得到的价值之间，隔着一道和我那个评测集一模一样的沟。区别只在于，我那次的代价是一个项目返工，这次的代价是整个行业的资源配置方向。

四、行业已经换了三把尺子，每一把都被下一把否定

有意思的是，这件事行业内部早就在动了。而且不是换了一次，是短短几个月里连着换了三次。

第一把尺子：DAU。

OpenAI 已经在把主要观测指标从 DAU 转向 TPD，也就是每日 token 消耗量。理由很直接，DAU 能告诉你有多少人打开了 ChatGPT，但它没法告诉你这些人创造了多少价值。

第二把尺子：token 调用量。

火山引擎 6 月披露，豆包日均 token 调用量 180 万亿。这个数字确实比月活更接近真实使用强度。

但它撑了没多久。Gartner 在 3 月发的研究报告里建议 AI 负责人弱化 token 指标，理由同样直接：token 反映的是成本，不是产出。100 万 token 没完成任务，不如 1 万 token 把事办了。

第三把尺子：任务完成。

李彦宏在 5 月提出 DAA，日活跃智能体，衡量的是每天有多少智能体在真实场景里完成了至少一次任务闭环。Gartner 那份报告的建议方向也一致，用解决方案能力、决策有效性、成本可预测性、可量化的业务结果来评估。

三把尺子，半年时间，每一把都被下一把否定掉。

这说明的不是指标在稳步进步。说明的是这个行业到现在还没长出属于自己的度量衡，只能一边跑一边试。 我们今天看到的所

有榜单、所有排名、所有增长曲线，用的都还是移动互联网时代那套尺子，或者是刚打磨到一半的新尺子。

五、所以我们现在该看什么

这个问题目前没有标准答案，但有几个动作可以立刻用起来。

第一，看到任何 AI 产品数据，先问三句话。

谁统计的、算了哪些入口、这个数字对应什么用户行为。这三句话能过滤掉大部分失真信息。文章开头那 1.46 亿的差值，问完第一句和第二句就清楚了。

第二，在自己的产品里，把代理指标和真实价值分开写。

具体做法是列两栏。左栏是你现在汇报用的指标，右栏是你认为的真实价值。然后逐条问自己，这个代理指标在什么条件下会和真实价值脱钩。

我那个内容识别项目的答案是，当用户的判断标准和标注规则不一致时脱钩。今天豆包月活的答案是，当嵌入式入口的流量归属无法拆分时脱钩。

能提前写出脱钩条件的团队，比只盯着数字涨没涨的团队，早半年发现问题。

第三，给关键指标配一个反向验证。

月活涨的时候看留存曲线，调用量涨的时候看任务完成率，声量涨的时候看次日回访。任何一个指标单独看都会骗人，两个方向相反的指标同时看，才能看出真相。

元宝的问题在除夕当天其实就能看出来，只要有人把 DAU 和次日留存放在同一张图上。

这半年的 AI 应用数据看下来，我的结论不是谁赢了谁输了。

是所有人手里的尺子都不太准，而我们还在拿这些尺子做很重要的决定。

融资看月活，立项看排名，绩效看增长。这些数字每一个都是真的，每一个又都不完全是它看起来的那个意思。

那个内容识别项目后来我们重做了评测集，把真实用户的反馈按分布抽样进去，指标降了一大截，但从那以后线上线下的差距就没再超过五个点。这件事花了额外的三周。

行业现在要做的大概是同一件事，只是要花的时间不止三周。