想要在 AI 搜索中获得曝光，品牌必须理解当前的 AI 信息源权重逻辑。本文由 MKTYun 基于 Goodie AI 发布的 5860 万条 AI 引用研究数据进行分析与中文解读。我们发现大模型最爱引用的网站不再是传统新闻媒体，而是具备“高结构化、真实口碑、快速迭代”特征的百科平台（如 Wikipedia）、UGC 社区（如 Reddit）及专业评测网站（如 TechRadar）。品牌要被 ChatGPT 高频引用，核心策略是：优化内容结构化颗粒度、利用社交媒体作为引用资产、输出高价值原创研究数据，并积极参与评测生态。

一、核心发现：大模型最爱引用的网站特征与 AI 信息源权重演变

• Wikipedia 引用份额增至3.4%的深层原因
  从上一期的2.2%攀升至3.4%，Wikipedia 不仅守住了“通用知识底座”的位置，还进一步扩大了对 AI 答案的“锚定力”。原因不止是体量与覆盖面，更关键在于其内容形态与 LLM 的“可引用性”高度匹配：条目稳定更新、段落结构清晰、实体关系明确、出处规范，这些都降低了模型抽取与对齐的成本。同时，AI 查询结构正从“即时资讯”向“背景信息＋决策支持”迁移，推动模型优先抓取可复用、可交叉验证的百科型知识节点。结果是，Wikipedia 成为 AI 生成中“默认的事实支撑层”。
• 新闻媒体失势：8大主流媒体跌出 Top 20
  路透社、美联社、CNN、纽约时报、CNBC、彭博、福克斯新闻、卫报整体跌出前20，仅少数新闻媒体保留位置且排名下滑。这并非新闻价值下降，而是“可引用价值”被更贴近决策场景的平台和评测内容挤出：当 AI 用户意图更偏产品比较、功能选型、口碑佐证时，模型更倾向抓取评测、榜单、UGC 讨论与品牌自建资料，而非“时点性”很强的新闻稿件。新闻仍重要，但在 AI 答案的“可引用结构”里，重心明显左移。
• 游戏和评测网站的崛起信号
  PC Gamer、GamesRadar、Tom‘s Hardware、Tom’s Guide 等评测与攻略型域名大幅上升。这类内容具备三大特征：标准化结构（优缺点、参数对比、评分维度）、更新迭代快（版本、固件、季更）、强口碑关联（实测、社区共识）。当 AI 需要在“规格-体验-购买”三段式问题中迅速给出可执行结论，这些网站成为天然抓手。其崛起提示品牌：围绕“决策型信息单元”的内容布局，正在成为 AI 引用份额的核心战场。

二、最新 AI 引用排行榜 Top 10解读（附数据图表）

为便于理解，以下以整体 Top 10为样本，梳理域名形态与引用份额的关系（基于2025年10月至2026年3月期间的5860万条 AI 引用观察）：

• 引用份额与品牌可见度的关系
  “引用份额”并非简单的流量映射。它更像“AI 世界的品牌可见度指数”：域名被 AI 答案调用的频率越高，用户越可能在“首次接触阶段”看到你，从而触发“品牌即来源”的心智锚定。与 SEO 不同，AI 引用份额更强调“内容是否可被引用”，而非“页面是否能获得点击”。这意味着：
• 结构化与可抽取性＞总页面数；
• 领域话语权＞通用热度；
• 跨平台一致性＞单平台爆款。
  同样0.3%的份额，出现在“购买建议”位置与“扩展阅读”位置，影响截然不同。品牌应同时关注“提及份额”与“曝光位置质量”。
• 为什么 Reddit／LinkedIn 成为 AI“信任源”
  Reddit 代表“真实使用场景”的横截面，它收集了大量不同层次用户的实测反馈、踩坑记录与优化方案，能帮助模型在“信息充分性”上胜出；LinkedIn 则提供“专业身份背书”的垂直信号——作者资历、行业角色、机构关联，帮助模型在“可信度评估”上做出判别。二者共同构成 AI 理解“社区共识与专业共识”的双支点。对品牌而言，在这两类平台构建“可被引用”的内容资产，比单纯扩大社媒触达更具边际收益。

三、行业差异：不同领域的 AI 引用冠军

B2B SaaS：TechRadar 的8.86%引用份额意味着什么

• 决策标准的“外部化”。TechRadar 在 CRM 与销售软件子类目拿下8.86%的引用份额，显示 B2B 采购链条正把“评测平台”的方法论视为一等参考标准。LLM 在生成“选型建议”时，优先调用拥有“评分维度、功能矩阵、适配场景、优缺点对比”的页面。
• 品牌可直接参与评测闭环。LaGrowthMachine 以4.2%进入前列、Monday.com 的2.4%亦进入 Top 10，呈现“品牌自建内容＋第三方评测”的双轮驱动。可见，企业若能提供透明参数、明确边界与真实案例，既能在自有域名上被引用，也可在第三方评测中获得稳定露出。
• 策略启示：
• 把产品手册“评测化”——用对比表、适配场景、模板库打通“从功能到落地”的链路；
• 面向评测媒体提供规范化资料包（截图、参数表、性能基准、客户案例），提升被纳入榜单与对比页的概率；
• 用结构化数据标注（如 FAQ、Feature 列表、Schema 化）降低 LLM 抽取难度。

金融科技：NerdWallet 凭什么领跑

• NerdWallet 以3.9%位列零售银行与个人理财的引用首位，核心在于“可决策的标准化内容”：信用卡、贷款、理财产品拥有明确费率、权益、门槛与适用人群，适合生成器自动抽取并拼装“对比—结论”输出。
• 媒体与品牌共存：GF Magazine（2.9%）、Forbes 等提供宏观评论与市场解读，Wise 以1.5%进入前十，说明在有足够信息透明度与用户口碑积累的前提下，品牌自有域名也能成为可信引用点。
• 策略启示：
• 输出“动态更新”的费率／权益对比页，标注更新时间与数据来源；
• 发布“方法论型”科普（如 APR 计算、风险提示），让模型引用时具备“可溯源逻辑”；
• 强化第三方背书与合规声明，降低 LLM 对商业偏向的惩罚权重。

美妆个护：Kaja Beauty 的突围

• 在护肤美妆中，Wikipedia 以4.4%居首，Kaja Beauty 以4.2%紧随其后，属于“品牌直冲第二”的罕见案例。这表明品牌如果在“成分—功效—适用人群—真实测评—社媒内容”上建立起结构化、可验证的资料库，完全可能在垂直品类与社交生态内形成强引用势能。
• Alibaba 以3.9%体现“商品目录与规格事实”的权重；Instagram 与 YouTube 共同抬高“视觉化评测与教程”的引用频次。
• 策略启示：
• 打通“成分表—临床数据—功效说明—使用方法”四段式资料，并提供高清图谱与短视频教程；
• 构建社媒“系列化测评矩阵”，统一话术范式与标签，提升跨平台一致性；
• 与风格媒体（Vogue、BoF）建立常态化合作，获得“风格权威”与“成分事实”的双重背书。

四、品牌行动指南：企业内容如何被 ChatGPT 引用？

1）锚定大模型最爱引用的网站（74%可被营销干预）

了解了 AI 引用排行榜后，品牌最关心的问题莫过于：我的内容如何被 ChatGPT 引用？研究显示，约74%的高影响力域名可通过营销活动直接或间接影响。想要提升自己网站的 AI 信息源权重，请优先关注以下大模型最爱引用的网站类型：社交 UGC 平台（YouTube、Reddit、LinkedIn、Instagram、X）、评测／榜单媒体（TechRadar、Tom‘s Guide、PC Gamer、GamesRadar）、商业媒体（Forbes、Finance Yahoo），以及大型电商与企业官网。优先级制定方法：

• 以品类为维度，找出该品类 Top 20域名中的“可影响”清单；
• 评估每个域名的“抽取友好度”（结构化程度、更新频率、权威背书、UGC 浓度）；
• 明确“内容投放—评测纳入—社群口碑—品牌官网资料化”的分工矩阵。

2）结构化内容优化技巧（符合 AEO 引擎抓取逻辑）

要让大模型轻松读取并提升 AI 信息源权重，必须降低 LLM 解析成本：

• 信息块颗粒化：将“规格参数、适配人群、使用步骤、价格区间、常见问题、对比维度”拆分为可独立抽取的段落或表格；
• 统一命名与标记：保持标题层级、列表格式、表格字段一致，降低 LLM 解析成本；
• 时间与版本意识：突出更新时间、版本号、验证方式（如“数据更新：2026-03-15，来源：自有测评／第三方实验”）；
• FAQ 与决策树：在页面中嵌入问答格式（Q&A），例如“如果你是 X 人群→选择 A/B”的指导逻辑，这能直接匹配用户向 ChatGPT 提问的句式，大幅提升 AI 信息源权重，增加被 ChatGPT 引用的概率。

3）原创数据／研究的重要性

• 原创数据是“可引用性的稀缺供给”。在媒体与 UGC 饱和的背景下，能提供“首发数据、方法学透明、样本定义清晰”的品牌研究，更容易获得 AI 的“二次引用”与“跨平台搬运”；
• 组合打法：季度行业观察＋年度白皮书＋专题深挖（如不同价位带的转化效率差异），形成稳定引用来源；
• 数据可托管：在自有域名外，向高影响媒体、评测平台提供“可嵌入图表／可下载 CSV”的版本，扩散引用触点。

4）社交媒体作为“引用资产”的战略价值

• 社交内容不只为“曝光”，更是“训练 AI 的素材”。平台上连续、规范的话术体系与稳定的实证内容（测评、案例、教程）可以加速模型对品牌认知；
• Reddit／LinkedIn 优先：在 Reddit 维护官方 AMA 与专题讨论；在 LinkedIn 建立专家矩阵、长文档与行业观点合集；
• YouTube 与 Instagram 成对运营：YouTube 沉淀长视频教程与实测，Instagram 承接短视频与图文摘要，保持跨平台的一致标签与标题结构，提升引用的可追踪性。

五、实战案例：品牌如何借力 AI 引用生态

• 案例一：B2B SaaS“评测化资料+对比位露出”
  背景：一家 CRM 初创品牌面向中小团队。
  动作：
  1）在官网搭建“功能对比中心”，对标主流竞品，提供10项功能评分、适配行业、部署难度、TCO 估算表；
  2）向 TechRadar/Tom‘s Guide 投递结构化资料包（高清图、参数表、典型客户案例）；
  3）在 LinkedIn 产出“销售团队上手路径”“集成生态清单”等长文；Reddit 发起“实施踩坑答疑”帖并持续运营；
  4）季度发布“CRM 集成使用报告”（样本、口径、图表公开）。
  预期：在评测媒体与职业社交双平台形成稳定引用入口，带动品牌域名被 AI 调用的概率上升，并在“对比—结论”位获得更多“指名推荐”。
• 案例二：金融科技“费率透明+方法学科普”
  背景：跨境支付品牌寻求在“费用透明”议题上建立优势。
  动作：
  1）官网上线“实时费率与费用明细”仪表盘，标注更新时间与汇率来源；
  2）发布“跨境支付成本拆解方法”系列文章，提供公式示例与场景化案例；
  3）在 NerdWallet/Forbes 等媒体投稿“透明度对比”专题；
  4）在 LinkedIn 聚合行业从业者评论，沉淀专家看法。
  预期：在“方法学＋事实数据”双维度上构建高可引用内容，提高在 AI 生成的“费用对比/选择建议”中的出现频次。
• 案例三：美妆个护“成分事实库+社媒测评矩阵”
  背景：新锐彩妆品牌希望在成分安全与妆效上建立权威。
  动作：
  1）自建“成分—功效—适用肤质—临床摘要”的成分事实库；
  2）在 YouTube 推出“成分科普＋上脸效果”系列；Instagram 联动“步骤卡片化”短视频；
  3）与时尚媒体共创“趋势+成分”专题；
  4）开放高分辨产品图、质地视频、全色号试色表，供评测媒体引用。
  预期：在 Wikipedia/社交 UGC/评测媒体形成三角形引用格局，增加 AI 在“购买建议/成分解释/彩妆教程”场景对品牌的调用。
• 快速落地清单（适用于多数行业）：
• 第一周：完成品类 Top 20“可影响域名清单”与内容缺口评估；
• 第2-4周：重构3-5个核心落地页（对比页、FAQ 页、方法学页、数据页），完成 Schema 与结构化表格；
• 第5-8周：对接2-3家评测/榜单媒体与2个 UGC 主阵地（如 Reddit+LinkedIn），投放标准化资料包；
• 第9-12周：发布一次可验证的原创数据或小型白皮书，并进行跨平台二次分发；
• 持续：监测“提及份额/引用份额/曝光位质量”，用季度周期做内容微调。
  —

六、常见问题解答（FAQ）：关于如何被 ChatGPT 引用的关键疑问

Q1：传统 SEO 和现在的 AI 搜索优化（AIO/GEO）有什么区别？
A：传统 SEO 为了获得点击率，而 AIO/GEO 是为了让内容“结构化”从而被大模型理解并引用。前者看重外链和关键词密度，后者看重 AI 信息源权重和原创信息的不可替代性。如何被 ChatGPT 引用的关键在于：提供结构化、可验证、高价值的原创信息，而非单纯追求流量。
Q2：为什么品牌官网很难进入 AI 引用排行榜前列？
A：因为大模型最爱引用的网站多为 UGC 社区和独立评测媒体，大模型更倾向于交叉验证和第三方客观评价。品牌需要将产品手册转化为客观的“评测化资料”并分发至这些大模型最爱引用的网站，才能提升 AI 信息源权重。
Q3：中小企业预算有限，如何低成本被 ChatGPT 引用？
A：优先布局 Reddit 和 LinkedIn 这两个 AI 信息源权重高且可免费运营的平台。在 Reddit 参与垂直社区讨论、在 LinkedIn 发布专业长文，同时优化官网 FAQ 页面结构，是最具性价比的被 ChatGPT 引用路径。
Q4：社交媒体内容真的能影响 AI 引用吗？
A：是的。根据 AI 引用排行榜数据，YouTube、Reddit、LinkedIn、Instagram、X 均位列 Top 20。大模型最爱引用的网站中，社交媒体占据重要位置。规范、连续、实证化的社媒内容本身就是“训练 AI 的素材”，能直接提升品牌的 AI 信息源权重。
Q5：评测网站对 B2B 品牌也重要吗？
A：非常重要。以 TechRadar 为例，在 B2B SaaS 领域拿下8.86%的引用份额。大模型最爱引用的网站中，评测类域名正成为 AI 给出“选型建议”的核心依据。B2B 品牌应主动提供结构化资料包，争取进入评测媒体的对比榜单。

结语与领取方式

AI 引用份额已成为“品牌可见度”的新战场。谁能在大模型最爱引用的网站（评测平台、UGC 社区）与自有域名上构建可抽取、可验证、可复用的内容资产，谁就更容易被 AI“选中”，也就更懂得如何被 ChatGPT 引用。
想看完整 Top 50引用域名清单与31个行业细分榜单，请扫码添加好友，回复“AI 引用表格”，即可获取"MKTYun 基于 Goodie 数据的AI 引用排行榜 Excel 表格版 和 Goodie原始报告下载链接" 以及可落地的建议。

本文作者：

Akers
MKTYun｜享优增长研习社 合伙人
MKTYun（享优增长研习社）是 AI 增长架构师的聚集地，是专注于 AI 时代营销增长方法论的独立研究媒体与实战智库。
长期研究 GEO/AEO、AI 营销员工、AI 内容增长系统、AI 销售转化等前沿方向，提供趋势洞察、工具实测、案例拆解与增长模型

我见过营销人员把每一个合成查询都当作需要瞄准的新关键词，为那些永远不会带来实质性可见性的变体创建单独的页面。我见过工具把 fan-out 追踪包装成“终极解决方案”，却从不解释如何实际使用这些数据。我还见过代理机构为优化那些每次模型运行时都会变化的查询而收取高昂费用。

现实是：query fan-out 代表着自语义搜索引入以来，搜索系统检索和排名内容方式最重大的转变。但它不是为了追逐单个查询，而是为了理解 AI 系统如何思考、它们在寻找什么，以及如何构建能够持续出现在数千条概率性检索路径中的内容。

本指南将详细解析 query fan-out 的工作原理、如何自己获取数据，以及（最重要的）如何在不掉入超长尾陷阱的前提下战略性使用它——这个陷阱已经在整个行业消耗着优化预算。

什么是 Query Fan-Out?

Query fan-out 是 AI 搜索系统将单个用户查询扩展为多个子查询的过程，并行执行这些子查询以收集全面信息，然后综合成最终响应。

当你问 ChatGPT：“什么是适合远程团队的最佳项目管理工具？”时，它不仅仅是搜索那个确切的短语。在幕后，它会生成并执行 5-15 个相关查询：

“2025 年最佳项目管理软件”

“适合小团队的项目管理工具”

"Asana vs Monday.com 对比"

“远程工作协作软件”

“项目管理工具功能对比”

等等……

每个查询都会从不同的来源检索信息。然后模型从所有结果中选择最相关的段落（注意：这里段落非常重要），将它们综合成一个连贯的答案，并引用它认为对每个具体主张最权威的来源。

这种做法不仅限于 ChatGPT。Google 的 AI 概览和 AI 模式也使用同样的方法。Perplexity、Gemini 和 Microsoft Copilot 也是如此。Query fan-out 现在已成为 AI 搜索系统将其响应基于网络数据的标准架构。

为什么 Query Fan-Out 改变了一切

从单查询检索到多查询检索的转变从根本上打破了传统 SEO 的假设。

你的可见性不再由你在主关键词上的排名决定。它取决于你是否拥有模型生成的任何子查询的最佳段落（以及该段落是否被选中用于最终综合）。

这产生了几个关键影响：

1. 排名第一并不能保证可见性

你可能在“最佳 CRM 软件”上排名第一，但如果 AI 生成关于“带邮件自动化的 CRM”或“适合中小企业的 HubSpot vs Salesforce 对比”的子查询，而你的内容没有涉及这些角度，你在 AI 答案中就是不可见的。

2. 段落级选择胜过页面级权威

AI 系统将内容分块成语义段落并独立评估每个段落。来自较小站点的单个段落如果更好地回答了特定子查询，就能战胜你的 5000 字综合指南。

3. 主题覆盖成为优化单元

你不再是为关键词优化。你是在为主题集群优化，这些集群要处理用户问题可能产生的完整子查询。

4. 归因变成概率性的

传统分析显示哪些关键词带来了流量。AI 搜索创建了一个概率性可见性模型，你的内容可能为你没有追踪的几十个合成查询而被检索，引用率即使对于相同的提示也会在月复一月间变化 40-60%。

技术机制：Query Fan-Out 实际如何工作

Query fan-out 位于更广泛的检索增强生成（RAG）管道内。理解这个架构对于知道优化真正重要的地方至关重要。

步骤 1：查询分析

当用户提交提示时，系统分析：

查询的复杂性和范围

所需的领域（医疗、法律、技术等）

用户意图（信息性、导航性、交易性）

置信度分数（模型对其训练数据回答此问题的信心）

对于 Google 的 Gemini 模型，这个置信度分数阈值可以通过 dynamic_retrieval_config 配置 dynamicThreshold 参数。设置为 0.7，模型只在置信度低于 70% 时才进行搜索。

步骤 2：合成查询生成

如果触发了 fan-out，LLM 会生成多个子查询。Google 的专利列出了八种不同的查询类型：

系统使用结构化提示来生成这些变体，指令如：“为此搜索意图生成对比查询”或“用户可能有什么隐含问题？”

步骤 3：并行检索

所有合成查询在多个数据源上同时执行：

对于 ChatGPT，这通过 Bing 发生。对于 Google AI 模式，是它自己的基础设施。关键洞察：并行执行至关重要。如果查询按顺序运行，响应时间将爆炸。并行运行 15 个查询所需的时间大致与运行 1 个相同。

步骤 4：分块与嵌入

检索到的文档被处理：

分块：分割成语义段落（通常 200-500 个 token）

嵌入：转换为向量表示

密集检索：相似性搜索以找到最相关的块

分块策略各不相同。一些系统使用固定大小窗口。其他使用递归拆分或布局感知解析。目标：创建可以独立评估的语义连贯段落。

步骤 5：过滤与排名

这就是选择发生的地方。系统应用多个过滤器：

互惠排名融合（RRF）

在多个子查询中出现的段落获得提升。如果一个块在“项目管理软件”和“团队协作工具”中都排在前 10 名，它的得分高于只为一个排名的内容。

成对排名

LLM 头对头比较段落。“哪个更好地回答这个问题：段落 A 还是段落 B？”这在多对之间发生以构建排名列表。

接地置信度

对于候选答案中的每个主张，模型评分可用段落支持它的程度。低置信度主张可能触发额外查询或被完全删除。

新鲜度评分

对于时间敏感查询，较新内容获得优先。研究显示 AI 系统引用的内容比传统搜索结果新鲜 25.7%。

步骤 6：综合与引用

模型生成最终响应，将从选定段落中编织的信息整合在一起。并非所有检索到的来源都会被引用；只有那些直接支持答案中具体主张的才会。

关键区别：Google 倾向于用多个来源对应单个事实。OpenAI 通常将一个事实映射到一个 URL。这影响优化策略。

获取 Query Fan-Out 数据

对于从业者来说，变革性的时刻是我们发现实际上可以看到 AI 系统生成的合成查询。以下是主要方法：

方法 1：Chrome 开发者工具（ChatGPT）

ChatGPT 在其网络流量中暴露 fan-out 查询。以下是如何访问它们：

打开 ChatGPT 并开始一个会触发网络搜索的对话

打开 Chrome 开发者工具：右键 → 检查（或 Ctrl+Shift+I / Cmd+Option+I）

转到 Network 标签页

提交你的提示，需要网络搜索

过滤请求：在 Network 面板中，输入 URL 中的对话 ID

找到响应：查找 fetch/XHR 请求，点击一个

转到 Response 标签页

搜索查询：按 Ctrl+F 并搜索 search_model_queries

你会找到这样的 JSON：

这些就是 ChatGPT 在生成你的答案之前发送给 Bing 的实际查询。

重要提示：

现在有几个 Chrome 扩展可以自动化这个提取过程。

方法 2:Gemini Grounding API

Google 通过 Gemini API 的 grounding 元数据提供对 fan-out 查询的第一方访问。

当你启用 google_search 或 google_search_retrieval 作为工具时，API 响应包括：

webSearchQueries 字段显示了 Google 为生成响应所搜索的实际查询。

设置示例：

为什么这很重要：

这是了解 Google 模型如何解构查询的最准确窗口。如果你正在优化 AI 概览或 AI 模式，这就是你需要理解的准确行为。

限制：

需要开发者设置和 API 密钥

仅显示 Google 的查询分解（不是 ChatGPT 或其他模型）

实时数据的 Token 成本更高

方法 3:Google AI Studio 中的 AI 模式“Thoughts”

Google AI Studio（前身为 MakerSuite）提供了一个“Thoughts”面板，显示 Gemini 2.5 的内部推理过程。

在 aistudio.google.com 访问：

选择 Gemini 2.5 Pro 或 Gemini 2.5 Flash

启用“Show thoughts”切换

提交你的查询

查看 Thoughts 面板

你会看到模型如何：

分解用户意图

生成子查询的逻辑

评估不同信息源

这不会给你确切的查询（这些在 API 响应中），但它显示了查询生成背后的推理——对于理解意图分解非常宝贵。

Query Fan-Out 工具全景

市场已经推出了几个专用工具。以下是每个工具的诚实评估：

Gemini Grounding API（Google）

是什么：通过 Gemini API 第一方访问 Google 的查询分解。

优势：

官方 Google 数据

显示实时 webSearchQueries

可集成到自动化管道

劣势：

需要开发者技能

仅限 Google 模型

API 成本随规模增加

最适合：有技术资源并需要权威 Google 特定数据的团队。

DEJAN 的 Queryfanout.ai & Query Fan-Out Generator

是什么：最早的专用工具之一，由 AI SEO 先驱 Dan Petrovic 开发。基于 Google 的专利架构生成查询变体。

优势：

免费使用

基于实际专利文档

快速生成大量变体

劣势：

预测性（不是实际的 ChatGPT/Gemini 查询）

没有实时数据

可能生成不现实的查询

最适合：差距分析和发现内容集群中的盲点。

Goodie 的 Query Fanouts（平台功能）

是什么：内置于 Goodie 的 AEO 平台，此工具自动捕获来自 ChatGPT、Gemini 和其他引擎的数百万每日提示的 fan-out。

优势：

唯一追踪规模上的真实 fan-out（每天数百万）

跨多个 AI 引擎

包含竞争情报

与 AEO 工作流集成

输出：

主题级聚合

竞争对手覆盖分析

随时间的趋势追踪

劣势：

需要付费订阅

企业级定价

最适合：认真对待 AI 搜索可见性并需要系统监控和竞争情报的企业。

Qforia（由 iPullRank 的 Mike King 开发）

是什么：由 Gemini 驱动的工具，模拟 AI 概览和 AI 模式的 query fan-out。可以在 ipullrank.com/tools/qforia 访问（免费，需要付费 Gemini API 密钥）。

优势：

模拟两种 Google 格式

由知名 AI 搜索研究人员构建

显示意图分解

劣势：

需要 API 设置

模拟而非实际数据

仅限 Google

最适合：策划多格式活动并需要理解完整意图图景的内容策略师。

其他值得注意的工具：

Surfer SEO：开始整合 fan-out 分析

BrightEdge：企业平台添加 AI 搜索功能

自定义 Python 脚本：许多团队构建内部工具

超长尾陷阱：为什么你不应该追逐单个 Fan-Out

这就是大多数团队出错的地方。

你发现 ChatGPT 生成了这样的查询：

“2024 年 5 月面向小型企业的最佳 CRM”

“适合保险代理的 CRM 与自动化”

“1-10 人团队的 HubSpot 替代品”

诱惑：为每个查询创建单独的页面。

这就是超长尾陷阱，它会浪费你的整个优化预算。

原因如下：

1. Fan-Out 本质上是概率性的

对同一提示运行三次，你很可能会得到三组完全不同的查询。研究显示，只有 27% 的 fan-out 查询在相同提示的多次运行中保持一致。

Surfer 的研究还发现，66% 的 fan-out 查询在 10 次测试运行中只出现一次。

结论？你无法为一个每次模型运行时都会变化的目标优化。

2. Fan-Out 是个性化的

Google 的专利明确描述了个性化机制：

用户位置

搜索历史

设备类型

之前与结果的互动

你运行测试时生成的 fan-out 查询与实际用户生成的不同。

3. 搜索量几乎总是零

Fan-out 查询是合成的：由模型生成，不是用户输入的。大多数没有传统搜索量，因为没有人曾经搜索过那个确切的短语。

因此，在传统 SEO 工具中追逐这些是没有意义的。

4. 你在打地鼠

即使你为今天发现的每个 fan-out 构建了页面，模型明天也会生成不同的查询。你会不断为可能永远不会再次出现的新变体创建页面。

这是一场必输的游戏。

正确使用 Query Fan-Out 数据的方法

Query fan-out 数据非常有价值（当正确使用时）。目标不是瞄准单个查询，而是聚合信号并识别一致出现的主题。

框架：主题集群聚合

步骤 1：大规模收集 fan-out

不要依赖 1-2 次手动测试。生成 fan-out：

多个相关提示

不同角度（好处、功能、对比、用例）

跨时间（每天、每周）

示例：对于“项目管理软件”，运行 fan-out 分析：

“最佳项目管理软件”

“适合小团队的项目管理工具”

“项目管理软件功能对比”

"Asana vs Monday vs ClickUp"

“远程团队的项目管理”

步骤 2：识别重复主题

寻找所有 fan-out 中的模式：

哪些实体（产品、公司）反复出现？

哪些属性（定价、集成、易用性）被关注？

哪些比较（A vs B）持续出现？

哪些用例（小型企业、远程团队、营销）最常见？

使用聚类算法或手动标记按主题对 fan-out 进行分组。

步骤 3：将主题映射到内容架构

围绕这些主题而非单个查询构建你的内容结构：

支柱页面：涵盖完整主题的综合指南

集群页面：特定主题的深度探讨

支持内容：

对比文章

用例研究

功能分解

定价分析

框架：段落级优化

记住：AI 系统在段落级而非页面级选择内容。

步骤 1：识别核心意图单元

将你的主题分解为可以在 1-3 段落内回答的离散意图单元：

“项目管理软件是什么？”

“关键功能有哪些？”

“它如何使远程团队受益？”

“小型企业的定价是多少？”

“它与任务管理有何不同？”

步骤 2：创建独立段落

每个段落应该：

用清晰、可提取的格式回答问题

包含相关实体和属性

使用自然语言（不是关键词堆砌）

能够在脱离上下文的情况下独立存在

错误方法：需要阅读 5+段落才能理解任何单个要点的长段散文。

正确方法：模块化部分，带有清晰的 H2/H3 标题，每个部分独立回答问题。

步骤 3：使用结构化格式

AI 系统优先选择某些格式：

项目符号列表（用于功能、好处）

比较表格

编号步骤

简洁定义（2-3 句话）

FAQ 格式

框架：实体-属性覆盖

Fan-out 分析揭示哪些实体（产品、公司、人员、概念）和属性（功能、规格、价格、好处）对你的主题重要。

步骤 1：提取实体和属性

从所有 fan-out 中识别：

实体：

具体产品名称（HubSpot、Salesforce、Asana）

公司品牌

关键人物（CEO、专家）

相关概念（CRM、自动化、SaaS）

属性：

定价信息

集成功能

易用性指标

移动端可用性

团队规模适用性

步骤 2：构建覆盖矩阵

创建一个矩阵：

空白 = 优化机会。

步骤 3：系统性地填充

创建完成矩阵的内容。这确保无论生成哪个具体的 fan-out 查询，你都是可发现的。

在概率世界中衡量成功

传统 SEO 指标在 AI 搜索中失效。以下是应该追踪的：

1. 引用率

是什么：你的内容在 AI 答案中被引用的追踪提示的百分比。

如何追踪：

Goodie、BrightEdge 等工具

自定义监控设置

定期手动审计

2. 引用份额

是什么：相对于竞争对手，你捕获的引用百分比。

如何追踪：

行业基准报告

竞争分析工具

手动提示测试

3. 引用列表中的位置

是什么：你在 AI 答案中被引用的顺序（第一 vs 第五）。

为什么重要：早期引用获得更多可见性和信任。

4. 段落选择率

是什么：你的内容中有多少百分比被选择用于 AI 答案（vs 只是被检索）。

如何改进：

更好的段落结构

更清晰的实体标记

更全面的覆盖

5. 主题覆盖分数

是什么：你覆盖了多少百分比的相关主题和子主题。

如何追踪：

基于 fan-out 数据的差距分析

内容审计工具

手动主题映射

高级考虑

个性化影响

Fan-out 查询基于用户上下文进行个性化。这带来了一些挑战：

位置差异：本地企业的 fan-out 与全球企业不同

历史偏见：具有强烈品牌亲和力用户的 fan-out 偏向已知实体

设备差异：移动端 vs 桌面端查询可能不同

影响：测试应该使用干净的浏览器配置文件，并考虑多个用户角色。

模型演进

AI 模型不断更新。今天有效的 fan-out 模式明天可能会改变。

缓解：

建立持续监控系统

定期重新测试关键提示

构建适应性强、灵活的内容架构

内容自相蚕食

当你构建全面覆盖时，你冒着多个页面竞争相同 fan-out 的风险。

解决方案：

清晰的页面层次结构

规范标签策略

内部链接架构

定期内容审计

展望未来

Query fan-out 只是 AI 搜索系统运作的一个组成部分。随着这些系统的发展，我们看到：

更深入的推理：多跳查询扩展

代理集成：AI 系统采取行动，而不仅仅是检索

多模态检索：图像、视频、音频作为来源

实时更新：更频繁的训练数据刷新

跨引擎标准化：跨平台的统一方法

基本洞察仍然成立：AI 搜索是概率性的，不是确定性的。你的工作不是为特定查询排名。而是构建能够持续出现在模型可能采取的数千条可能检索路径中的内容。

Query fan-out 让你了解这些路径是如何生成的。明智地使用它。

关键要点

Query fan-out 是 AI 系统如何将用户问题解构为多个子查询以收集全面信息的方式。

你可以通过 Chrome 开发者工具（ChatGPT）、Gemini 的 Grounding API 以及 Qforia 和 Goodie 等专用工具获取真实的 fan-out 数据。

不要追逐单个 fan-out 查询（它们是概率性的和个性化的）。相反，聚合数据以识别主题主题。

为主题集群而非关键词优化。构建全面涵盖实体、属性和比较的内容。

以模块化、段落级的部分构建内容，可以独立选择和引用。

通过引用率、引用份额和主题覆盖来衡量成功（而不是传统排名）。

这是对现有 SEO 的补充，不是替代。强大的传统 SEO 仍然是 AI 搜索可见性的基础。

在系统层面（而不仅仅是作为关键词研究策略）理解 query fan-out 的营销人员将在未来几年主导 AI 搜索。

想了解如何运用 Query Fan-Out 的机制提升 GEO效果请与 MKTYun 增长合伙人联系。

微软于 2026 年 2 月 10 日宣布了 AI Performance 仪表板。该功能现已面向所有已验证网站开放公开预览。

该报告专门追踪引用可见性。它不衡量点击次数、排名或来自 AI 答案的流量。相反，它回答了自生成式搜索兴起以来，内容发布者一直在问的问题：我的内容真的被引用了吗？

微软产品经理 Fabrice Canel 在 X 上确认将有更多数据推出：“这只是预览版，2026 年你们会看到更多功能。”

AI Performance 仪表板展示的内容

该仪表板引入了五个专注于 AI 引用活动的核心指标：

• 总引用次数（Total Citations）：您的内容在 AI 答案中被引用的次数
• 平均被引用页面数（Average Cited Pages）：每个 AI 答案中包含的您的页面平均数量
• 基础查询（Grounding Queries）：触发您的内容被引用的搜索查询
• 被引用页面（Cited Pages）：您网站上被引用的具体页面
• 趋势数据（Trend Data）：引用次数随时间的变化情况

该报告涵盖 Microsoft Copilot、Bing 中的 AI 摘要以及部分合作伙伴集成中的引用情况，不过微软尚未明确说明具体包含哪些合作伙伴。

AI 引用数据不包含点击数据

该仪表板不包含点击数据。您可以看到您的内容正在被引用，但无法看到有多少用户实际从这些 AI 答案点击进入您的网站。

正如 Search Engine Land 报道的那样，内容发布者仍然无法判断 AI 可见性是否带来了可衡量的商业价值。

引用频率也不能表明排名、显著性，或某个页面对特定答案的贡献程度。一个页面可能只是在文中顺带被引用一次，也可能作为 AI 回复的主要来源，而数据无法区分这两种情况。

尽管如此，这比 Google Search Console（GSC）目前提供的任何 AI 专用数据都要更精细。Google 在其整体效果报告中包含 AI Overviews 和 AI Mode，但它不提供专门的报告或引用级别的 URL 计数。

如何使用 Bing 的 AI 引用指标

Bing 的这一举措开创了一个先例。这是主流搜索平台首次将 AI 引用视为一个独立的、可追踪的指标，而不是将其归入传统搜索性能数据中。

对于 SEO 从业者来说，这份报告提供了一些实用的机会：

交叉对比您的最高被引用页面与最高流量页面：它们可能并不匹配。在传统搜索中排名良好的页面，不一定是 AI 系统引用的页面。看看您被引用最多的页面有什么共同点：结构、深度、声明的支撑方式，以及最近更新的时间。这些模式告诉您 AI 系统具体看重您网站的哪些方面。

使用基础查询来发现内容缺口：基础查询报告显示 AI 用于检索您内容的短语。如果这些短语与您刻意定位的主题不匹配，您可能只是在偶然情况下被引用，而非战略性地被引用。如果您看到与您覆盖主题相关的基础查询，但特定页面未被引用，这就是需要改进页面结构、添加支撑证据或更新过时信息的信号。

对比被引用页面与已索引但未被引用的页面：如果一个页面已被索引但从不出现在引用数据中，它可能结构不够完善或权威性不足，无法被 AI 系统引用。从基础开始：清晰的标题、有证据支撑的声明，以及最新的信息。

建立基线：该报告从第一天起就包含时间序列数据。登录、导出您当前的数字，并随着时间的推移跟踪变化，这样您就可以衡量您所做的任何优化的影响。

Semrush 高级 AI 搜索优化专家 Geertrui Laleman 分析了基础查询数据，发现用于支撑 AI 回复的查询中有 39% 是对话式问题或更长的多词短语。

“虽然更长、更自然的语言查询在 AI 驱动的搜索中越来越常见，但这表明同样的模式也延续到了验证阶段，”Laleman 表示。“对于我们的内容策略来说，这意味着确保我们的页面包含对这些更长查询的清晰、直接回复，不仅是为了满足用户，更是为了作为 AI 本身的可靠参考点。”

微软将此次发布定位为迈向 GEO（生成式引擎优化）工具的早期一步，SEO 社区也普遍响应，呼吁 Google 跟进。

SEO 社区的反响

反响总体上是积极的，大多数讨论都集中在与 Google 报告的对比上。

Semrush 在线可见性总监 Leigh McKenzie 在 LinkedIn 上指出，按基础查询、页面级可见性和从第一天起的时间序列数据分解引用次数，“这让我们到目前为止从 Google 看到的任何东西都相形见绌。”

Seer Interactive 创始人兼创新副总裁 Wil Reynolds 确认了基础查询功能已上线，在 X 上发帖：“Bing 现在在 Bing 网站管理员工具中提供基础查询！！刚确认，现在我得弄明白我们从它们那里得到什么、这意味着什么以及如何使用它们。”

SEO 顾问和内容专家 Nikki Pilkington 在 LinkedIn 帖子中直白地对比了 Google：“Google Search Console：我们给用户一个新收藏夹图标和自定义引用。Bing 网站管理员工具：看我的……”

主要的反对意见是关于覆盖范围。Copilot 和 Bing 的 AI 功能服务的用户数量仅为 Google 和 ChatGPT 的一小部分，因此这些数据反映的只是 AI 搜索行为的一小部分。这是一个有效的限制，但它也是目前唯一可用的第一方 AI 引用数据。

如果你也在探索如何让你的内容在 AI 答案里被稳定引用并转化为可衡量的机会，MKTYun 提供面向海外市场的 GEO/AEO 诊断与优化服务。我们可免费为你做一次海外 GEO 现状体检，找出被引用的突破口与优先级，欢迎联系 MKTYun 获取一对一评估。

这几天，营销圈里有一个词突然被更多人看到：GEO。

原因大家都知道。3·15 晚会把“AI 投毒”这件事推到了台前，一些服务商通过批量制造内容、干扰模型抓取逻辑，让特定品牌在 AI 回答里获得更高曝光，甚至把根本不存在的产品“喂”成了推荐答案。这个事件之所以引发这么大讨论，不只是因为它猎奇，而是因为它暴露了一个更深层的事实：AI，已经开始实实在在影响品牌被看见、被理解、被推荐的方式。

一、AI 营销的本质：不只是“用 AI 做内容”

很多人理解 AI 营销，第一反应还是“用 AI 写文案、做海报、剪视频、投广告”。这些当然都算，但如果只停留在这个层面，其实还没抓到重点。

真正的变化是，用户获取信息的方式正在变化。

过去，用户会打开搜索引擎，输入关键词，自己翻十条链接、比三篇文章、看几页评论，最后做决定。那时候，营销的核心是争夺点击、争夺曝光、争夺注意力。
但现在，越来越多用户会直接问 AI：“哪个品牌更适合我？”“这个产品值不值得买？”“这个方案靠谱吗？”在这个过程中，用户并不会完整地看见所有品牌，而是先看到 AI 整理过后的答案。也就是说，品牌和用户之间，多了一个新的“解释层”——AI。

这意味着什么？

• 未来的营销，不只是“说给用户听”，还要“说到 AI 能听懂”
• 不是只追求内容有没有发出去，而是要追求品牌信息能不能被 AI 正确读取、正确理解、正确引用
• 不是只关心流量有没有进来，而是先要关心：当用户把决策交给 AI 时，AI 会怎么描述你

所以，这次围绕 GEO 的讨论，真正值得企业关注的，不是“这个词火了没有”，而是两个更现实的问题：

1. 你的品牌在 AI 里是否存在感足够清晰？
2. AI 对你的描述，是准确的，还是混乱的？

二、为什么你的营销内容 AI“读不懂”

很多企业现在最大的问题，不是不做营销，而是做了很多营销，但这些内容并不能被 AI 高质量吸收。

• 官网写得很全，但结构混乱
• 公众号更新很多，但信息分散
• 案例不少，但缺乏统一口径
• 产品优势说了很多遍，却没有形成机器容易提炼的表达
  结果就是，人能大概看明白，AI 却不一定能高置信度地总结出来。于是品牌在传统渠道里看起来很勤奋，但在 AI 世界里却可能是模糊的、片段化的，甚至是被错误理解的。

三、白帽 GEO vs 黑帽 GEO：该选哪条路

这也是为什么最近很多文章都在强调：AI 时代真正有价值的，不是“给 AI 投毒”，而是“帮 AI 解读”。

什么是“投毒”

“投毒”本质上是走捷径，靠伪造信息、堆砌内容、操纵认知去骗模型，短期也许能制造一点虚假存在感，但长期一定会反噬品牌。它伤害的不只是平台和用户信任，最后伤害的也是企业自己。品牌一旦把预算花在扭曲信息上，就很容易忽略真正该投入的东西：产品、证据、案例、客户口碑和可信内容。

什么是“帮 AI 解读”

而合规、长期主义的做法恰恰相反。
它不是“让 AI 替你编一个更好听的故事”，而是把你本来就有价值的东西，用更清晰、更标准、更可验证的方式表达出来：

• 把品牌定位说清楚
• 把产品差异点讲具体
• 把案例做成可引用的事实
• 把官网、媒体报道、行业文章、白皮书、FAQ 统一成稳定口径
• 把零散内容变成 AI 更容易抓取和理解的知识结构
  换句话说，AI 时代的营销建设，越来越像是在做一套“品牌知识系统”。
  这套系统：
• 不是只给人看，也给 AI 看
• 不是为了追一篇爆文，而是为了让品牌在更多问答场景里，持续被正确提起
• 不是今天发完就结束，而是把每一篇内容都变成未来可能被再次引用的资产

企业最容易踩的三个坑

对企业来说，现在最容易踩的坑有三个。

坑一：把 AI 当成“更快的内容工厂”

内容确实能更快生产，但如果只是把低质量信息批量放大，AI 只会帮你更快制造噪音，不会帮你建立品牌。真正有价值的不是产量，而是高质量、可验证、可复用的表达。

坑二：把 GEO 理解成“新的作弊入口”

最近的行业讨论已经很清楚了，白帽 GEO 的本质是优化品牌信息的可理解性和可信度；黑帽 GEO 则是通过伪造、污染、误导去影响模型。前者是在建设，后者是在透支。

坑三：只想做短期转化，不想做长期内容资产

但恰恰在 AI 时代，过去那些高质量的行业文章、案例复盘、研究报告、客户故事，反而更有机会被重新激活，成为被 AI 调用的可信信源。内容不再只是“发过一次就结束”，而是会以新的方式进入品牌的长期复利。

企业现在该怎么做？四步行动指南

那企业现在具体该怎么做？
我觉得至少有四件事，可以立刻开始。

第一步：先做品牌知识底稿

把“我们是谁、服务谁、解决什么问题、和别人有什么不同、有哪些证据支持”整理成统一版本。别小看这件事，很多企业内容杂乱的根源，就是内部自己都没有一份稳定、可复用的品牌表达底稿。没有底稿，再多 AI 工具也只是加速混乱。这个动作的意义，在于先把品牌信息标准化。

第二步：把重要内容做成权威内容矩阵

官网、公众号、案例文章、媒体报道、行业观点、客户证言，这些不要各写各的，而要围绕同一套核心认知去展开。AI 更容易信任一致、稳定、可交叉验证的信息源。

第三步：学会“机器可读”的表达

不要总写大而空的话。少一点“赋能、引领、重塑”，多一点具体场景、具体问题、具体结果。
比如：

• 别只说“提升效率”，而要说“把选题、初稿、分发素材和复盘流程缩短到原来的多少”
• 别只说“客户认可”，而要说“解决了什么业务问题”
  越具体，越容易被 AI 抽取成可信信息。

第四步：用 AI 提效，但别把判断也交出去

AI 当然可以帮营销团队提高效率，尤其在选题整理、提纲生成、素材拆分、多平台改写、数据初步总结这些环节上，价值非常明显。可真正决定品牌高度的，依然是人的判断：什么该说，什么不该说；什么是真实价值，什么只是流量幻觉。

总结：营销的本质变了

说到底，AI 时代并没有让营销变简单，它只是把营销的重点换了一个位置。

• 以前拼的是谁更会买流量，谁更会抢注意力
• 现在拼的是谁能更早建立一套让 AI 看得懂、记得住、愿意引用的品牌表达系统
  这背后既有工具问题，也有内容问题；既有效率问题，也有信任问题。而越往后走，信任会越重要。

所以，如果今天你问我一句：AI 时代应该怎么做营销？
我的回答是：
不是先去追最新工具，也不是先去追最热概念。
而是先把品牌真正值得被记住的东西，整理清楚、表达清楚、沉淀清楚。

• 让用户能看懂，也让 AI 能看懂
• 让内容能传播，也让内容能被引用
• 让营销不只是制造声量，而是持续积累认知
  谁先做到这一点，谁就更可能在下一轮竞争里，不只是被看见，而是被优先相信。

本文作者：郭卿

MKTYun联合创始人 | 专注研究AI时代应该如何做营销

前医疗智能助听算法公司CMO、前上市公司数字营销负责人

欢迎一起交流AI时代应该如何做营销：）

MKTYun - AI营销增长研习社欢迎大家投稿交流。

稿件一经采纳，将发布并附上作者简介。

随便走进哪家B2B销售公司，你立马就能发现商机转化过程中最大的瓶颈在哪儿：一个拿着高薪的销售线索开发代表（SDR），正对着电脑屏幕上闪烁的光标发呆。
整个行业现在陷入了一个“个性化悖论”。大家都知道，那种千篇一律的自动群发模板早就行不通了。但我们也心知肚明，如果让员工花15分钟去死磕一份财报，就为了写一封极具针对性的开发邮件，那他们每天的触达量绝对会断崖式下跌。
这种质量与数量之间的冲突，逼得各位销售老大们到处寻找更好的销售开发工具。但在不久前，市面上的技术方案只有两个“烂苹果”可选：要么是用工具更快地群发垃圾邮件，要么就是给你一堆零散的数据，最后还得靠人工去苦哈哈地解读。
将AI引入销售开发环节，终于打破了这个僵局。但要想真正获得回报，销售主管们必须在团队里推行一次彻底的行为模式转变：你的销售代表们必须停止当“写手”，转而去做“编辑”。
接下来就带你看看，那些最顶尖的外呼团队是怎么利用AI来告别“从零开始写邮件”，并大规模提升邮件相关性的。

拆解一次有效触达的要素（相关性钻石模型）

在引入自动化开发工具之前，你必须先给“好邮件”定个标准。如果你的话术只是一种说不清道不明的“感觉”，那AI智能体只会批量产出毫无感情的机器废话。
业绩最好的外呼团队会用一个三步走的框架来规范他们的触达话术，我们管它叫“相关性钻石模型”：

1. 观察发现： 关于潜在客户或他们公司的一个具体、看得见的事实（比如，“我看到你们最近的招聘启事里，非常看重CRM系统的整合。”）
2. 深层影响： 展现你的商业敏锐度，把上面的观察发现和客户的痛点连接起来（比如，“这通常意味着你们现在的技术架构导致了数据孤岛。”）
3. 低门槛的行动号召（CTA）： 抛出一个很容易回答的“是/否”问题，来试探对方的兴趣。
   如果让SDR全靠人工来做这些，大概得花上15到30分钟甚至更久。他们得去领英、公司新闻和招聘网站上到处扒资料找“观察发现”，构思“深层影响”，最后再把草稿敲出来。
   这恰恰就是AI该大显身手的地方。

AI 与人类的握手合作

外呼销售的未来，绝对不是靠完全自主的AI盲目地往外发邮件。真正的未来是**“AI与人类的握手合作”**——这套工作流由技术来扛下繁重的调研工作，而人类则负责把控品味、策略和同理心。
在现代的智能体工作区里，“编辑”工作流是这么运转的：

1. AI 负责提取信息（观察发现）

人类就不该再去手动研读财报，或者花几个小时听以前的通话录音了。现代的销售开发工具会利用AI智能体去扫描全网和你的CRM系统，精准提取出那个“观察发现”。AI只用几秒钟就能把现成的素材端到你面前——比如，最近一次财报电话会议上一段关于供应链延迟的原话。

2. 人类负责制定策略（深层影响）

这就是展现人类商业头脑的时候了。销售代表看完AI找出来的“观察发现”后，来挑选战略切入点。他们心里清楚，供应链延迟往往意味着潜在客户正在流失利润，所以他们会给AI下达指令：“把财报里的这句话，跟咱们物流路线规划的价值点结合起来。” AI甚至能从海量信号中分析并找出几个备选的“深层影响”来辅助你。

3. AI 负责生成“零号草稿”

注意，这时候销售代表依然不需要动手打字。 根据观察发现和销售代表给定的战略方向，AI会瞬间生成一封完整且高度个性化的初稿（也就是所谓的“零号草稿”）。

4. 人类负责“30秒微调”

接下来，销售代表就摇身一变成为了“主编”。他们不再需要花10分钟从零开始写，而是只花30秒微调一下语气。比如删掉一个显得机器味太重的形容词，把CTA改得委婉一点，然后点击发送。

飞轮效应：训练你的智能引擎

让销售代表转变成编辑，好处可远不止是每封邮件省下10分钟这么简单。它能创造一个不断复利的智能飞轮。
当你使用真正的AI智能体工作区时，AI会一直在暗中观察你的销售是怎么修改“零号草稿”的。如果某个销售总是删掉“协同效应”这个词，或者习惯把开头那句话缩短，AI就会记住他特定的说话风格。久而久之，生成的草稿会越来越犀利，语气越来越真实，原本需要30秒的微调，最后可能只需要10秒钟扫一眼就行了。
你可不只是在发邮件而已；你其实是在训练一个专属的智能引擎，团队每一次点击“发送”，都在让它变得更聪明。

总结：干掉那块空白屏幕

在未来十年的B2B销售大战中，赢家绝对不会是那些用AI去疯狂群发模板邮件的公司。真正的赢家，是那些懂得用AI把枯燥的调研和写草稿环节自动化，从而把人类销售代表解放出来，让他们全心全意去搞关系、处理异议和制定策略的公司。
如果你的SDR还在对着空白屏幕发呆，或者还在苦哈哈地花20分钟手写一封邮件，那你其实是在把他们的时间变成对付他们自己的武器。
赶紧用上现代的智能体工作区吧。把“相关性钻石模型”标准化。让AI去写初稿，赋予你的销售代表们权力，让他们成为掌控销售漏斗的顶级编辑和大师。

作者： Peter Mollins
原文链接： https://www.nooks.ai/blog-posts/ai-in-sales-prospecting-why-your-reps-must-become-editors-not-writers

AI 早就不是什么新东西了。现在都 2026 年了，搞不好连家里长辈都已经开始拿大模型问菜谱了。既然这样，做营销的人也该升级认知了——只停留在“我知道一点 AI”这个入门水平，已经不够用了。

所谓 AI 营销，说白了就是把机器学习、生成式 AI 和自动化工具用到营销工作里，去提升投放效率、优化人群定向、加强分析能力，以及实现更大规模的个性化。对营销人来说，AI 最大的价值就是：少干重复活，更快测创意，还能把更相关的信息更精准地送到对的人面前。现在，真的是时候用更专业的视角去看 AI 了，尤其是要搞懂那些正在重塑行业的关键趋势，比如自动化、品牌信誉、搜索变化等等。

下面我们就展开聊聊。

1. AI 自动化：让效率提升，不只是“省点时间”那么简单

先从最直接的说起。现在很多人把这个阶段叫做“agentic era”，也就是“AI 智能代理时代”。在营销场景里，这类 AI agent 可以在不需要人一直盯着的情况下，自己完成一些任务，比如预算优化、受众细分、广告活动搭建等等。它会实时分析表现数据，再按照你预设好的目标去调整投放。

像自动出价、自动定向这种事情，已经不是未来趋势，而是现在进行时。尤其是在很多营销团队都被要求“人更少、资源更少、但结果还要更好”的情况下，这一点就更重要了。

这里面的好处其实很明显。你花在琐碎事务上的时间少了，自然就能把更多精力放在策略和创意上。而且速度也会快很多。比如 LinkedIn Accelerate campaigns 这种 AI 驱动的投放工具，就能帮助你更高效地搭建并上线符合业务目标的广告活动。按照 LinkedIn 2025 年 1 月到 5 月的内部数据，用了 Accelerate 的营销人员，建 campaign 的速度最高能比传统手动流程快 8 倍。

2. AI 负责分析，人类负责判断和策略

这话你大概已经从 CEO、程序员、职业顾问那边听过无数遍了，现在 Marketing Brew 也再说一次：AI 取代不了你。

就像钉枪没有让建筑工人失业一样，AI 也不会让营销人变得没用。它更像是一种加速器，帮营销人更快推进工作、测试更多想法，把精力留给那些真正需要“人味儿”的部分。

拿分析工具来说，比如 Windsor.ai，它很擅长和 LinkedIn 打通，把你的 LinkedIn 广告数据和主页数据整合进你习惯使用的报表或分析平台里。这很有用，但它并不意味着人类的真实感和创造力可以被替代。毕竟，真正能建立受众信任的，还是人的表达、人的判断和人的创意。

在创意概念这件事上，机器现在还是比不过人的大脑。不过，它确实可以帮你把思路磨得更利。比如 AI 会议记录、摘要整理这些工具，就能帮营销人把周围那些杂音先过滤掉，让你把注意力放回真正重要的地方：这波 campaign 到底该打给谁？信息该怎么调？重点该怎么讲？

这些事情当然人也能自己做，但问题是——谁想全都自己做呢？太多重复、机械的工作，只会把你的创意肌肉磨钝。适当地让 AI 搭把手，反而能把你的精力留给那些真正能打动受众、也更像“营销工作本身”的创意思考。

3. 第三方声音，会让 AI 时代的信任更值钱

“了解你的受众，也了解你自己。”这句话放到 AI 时代，反而更对了。

因为随着 AI 搜索越来越普及，一个新趋势正在出现：品牌声誉这件事，不再只是靠花钱买曝光，也可以更有意识地去建设。如果说到“信誉信号”，那 LinkedIn 现在已经成了一个很值得重视的平台。根据 Semrush 在 2025 年 10 月的一项研究，LinkedIn 已经是大模型最常引用的第二大域名，是专家观点和职业内容的重要来源。

虽然大模型留下来的可观察信号，比传统搜索少得多，但它也在用另一种方式扩大品牌可见度。现在，通过 AI 被“看见”，已经不再主要取决于 SEO 做得多好，或者广告预算砸得多猛，而更取决于一个品牌释放出来的信誉信号够不够强——比如有没有专家背书、有没有第三方媒体报道、有没有真实可信的社交讨论。

和过去那种“谁预算大谁赢”的玩法不一样，这种靠信誉驱动的策略，其实给中小品牌也创造了机会。你不一定非得烧巨额预算，也能慢慢把可信度做起来，而且还能规模化去做。

4. 那营销人到底该怎么开始用 AI？

在“声誉搜索”越来越重要的当下，对 B2B 营销来说，个性化已经比以前更关键了。生成式 AI 的价值就在于，它能帮你把很多原本很难大规模做到的个性化内容，真正做出来。

在社交广告里，AI 个性化通常是通过行为信号、受众数据和职位角色洞察，去调整创意、文案和定向，让不同买家群体看到更贴近自己的版本。放到 B2B 里，这通常意味着：同样是一个 campaign，你会针对 CMO、需求生成负责人、采购团队，说出不同语境下他们更在意的话。

像 LinkedIn Accelerate campaigns 这种工具，就可以帮助你把受众画像做得更细。营销里的“受众定向”，本质上就是根据职位、行业、行为或者意图数据，把用户识别出来并分层。AI 在这里的作用，是通过分析互动模式和 campaign 表现，自动优化到底该让谁看到你的广告。

比如，CMO 和需求生成经理可能看到的是同一个核心信息，但呈现方式会不一样：一个更偏战略视角，一个更偏执行和效果视角。

更直接的是，你只要提供一个你要推广内容的 URL，生成式 AI 就可以自动产出产品描述和理想客户画像，然后基于这些内容去调整投放定向和创意素材。这样一来，很多原本很繁琐的步骤都可以被跳过去，campaign 既快又准，ROI 也可能非常可观。

现在市面上的 AI 工具确实很多，挑着挑着很容易选择困难。但其实也没必要把自己卡住。LinkedIn 已经整理了一些更详细的信息，帮助你判断哪些工具可以立刻上手，用来提升效率、速度、质量和个性化能力。

LinkedIn Ads 本身就支持 B2B 营销人按职位、公司规模、行业、资历和意图信号去做受众定向。而像 LinkedIn Accelerate 这样的工具，则会根据营销目标自动给出更合适的定向、创意建议和预算分配。现在，各行各业的专业人士都已经在使用这类新技术了，而 LinkedIn Accelerate 的作用，就是帮助你把它真正用到营销工作里。

本文翻译自 Marketing Brew，原文链接：https://www.marketingbrew.com/stories/linkedinads/ai-in-marketing-the-shift-from-novel-to-necessary

联系我们了解更多LinkedIn AI营销方法

这两天，GEO 在中文互联网里突然变得有点尴尬。

一边，越来越多的企业开始意识到一个现实：客户已经不再是从搜索引擎开始旅程了。他们打开豆包、DeepSeek、通义千问、Kimi，直接把问题丢给 AI，让 AI 先帮自己筛选、总结、推荐。另一边，3·15 期间关于“AI 投毒”“给 AI 洗脑”的报道冲上热搜，很多人第一次把 GEO（生成式引擎优化）和“操控推荐”画上了等号。

于是，一个尴尬的问题摆在了所有营销人面前：企业现在还该不该做 GEO？

我的判断很明确：不但该做，而且要尽快做。但前提是，你得把 GEO 做成“让 AI 愿意引用你、让用户愿意相信你、让销售团队接得住线索”的白帽内容工程，而不是“让 AI 听话”的灰产生意。这个边界，恰恰是 3·15 之后最值得所有营销人重新想清楚的一件事。

AI 正在改写品牌与客户的第一次相遇

先说为什么 GEO 必须做。

过去二十年，营销的第一战场是“网页排名”。用户搜索一个关键词，自己点开十个链接比较，企业拼的是 SEO——标题、密度、外链、收录速度。谁的页面排在前面，谁就赢在了起跑线。

但现在，这个逻辑正在崩塌。越来越多的用户直接把问题丢给 AI，让 AI 先帮自己做筛选、总结、推荐。AI 不再只是提供一个链接列表，而是直接给出一个答案。这意味着，如果你的品牌信息没有被 AI 理解、引用和转述，就算你的官网做得再漂亮、产品 PPT 再精美，也很可能会在客户真正开始决策之前，就被彻底排除在外。

这不是危言耸听。这是过去一年里，所有关注 AI 营销的人最直观的感受。品牌和客户第一次相遇的方式，已经从根本上变了。

真正的挑战，不是 AI 太笨，而是 AI 太“挑食”

问题恰恰出在这里。

很多人一听到“AI 推荐”，第一反应不是去建设可信内容，而是去寻找捷径：能不能刷上去？能不能包进前三？能不能批量投喂？能不能付费让模型优先提我？于是 GEO 在一些市场宣传里，被包装成了一种“操控 AI 答案”的能力。

3·15 曝光的，正是这条灰色链路：一些商家把大量软文投喂、虚假榜单包装、批量生成内容，当作所谓 GEO 的核心方法。新闻出来之后，很多人惊呼：原来 GEO 就是“给 AI 洗脑”？

但这件事对营销行业最大的提醒，不是“GEO 不能做了”，而是：靠污染信息源获得的短期推荐，不等于真正的 AI 营销能力。

事实上，AI 平台自身也正在快速建立起反制能力。从 2025 年下半年开始，主流 AI 搜索工具开始部署更严格的内容质量评估体系，包括多源交叉验证机制、语义指纹识别技术以及异常行为模式分析。这些技术手段能够有效识别批量生成的同质化内容、缺乏事实依据的虚假陈述以及刻意优化的软文投放。某头部 AI 平台在 2025 年底公布的数据显示，其内容过滤系统已能识别超过七成的违规优化行为，相关来源的推荐权重被大幅下调。这意味着一旦企业采用灰色手段，不仅难以获得预期的曝光效果，反而可能因为被平台识别而遭遇降权风险，最终得不偿失。

与此同时，政府层面也在加强对诚信价值的引导。2025 年 3 月，中共中央办公厅、国务院办公厅印发《关于健全社会信用体系的意见》，明确提出要坚持政府引导、市场驱动、社会共建，坚持弘扬诚信文化，构建覆盖各类主体、制度规则统一的社会信用体系。习近平总书记在多地考察时反复强调，要“加强诚实守信的价值引导，提高政府诚信、企业诚信、社会诚信水平”。这些政策信号清晰表明，诚信经营不仅是法律合规的要求，更是国家战略层面的价值取向。对企业而言，这意味着任何试图通过虚假信息操控 AI 推荐的行为，不仅面临技术层面的风险，更与国家倡导的社会价值方向背道而驰。

说到底，AI 时代真正稀缺的，不是内容数量，而是可信信息密度。AI 不怕你写得多，它怕的是你写得空、写得假、写得互相矛盾、写得经不起验证。

今天企业做营销，已经不能只追求“让用户看见我”，还要追求“让模型理解我”“让平台验证我”“让客户相信我”。这也是为什么真正专业的 GEO 实践，会反复强调信息完整、逻辑清晰、数据支撑、FAQ 结构、实体清晰这些基础动作。

换句话说，AI 时代的营销，不再只是流量游戏，而是信任工程。

企业到底该怎么用 AI 做营销？

很多人把答案想得太复杂，其实第一步并不神秘：先把 AI 当成“内容战略助手”，而不是“流量作弊工具”。

它可以帮你做什么？可以帮你把客户问题拆成主题簇，找出品牌词、产品词、场景词、对比词、决策词；可以帮你把一篇内容从“公司介绍”改写成“客户会问的问题”；可以把产品卖点重组为 FAQ、案例、参数解释、选型建议、误区澄清；也可以把一篇长文拆成官网页、问答页、短帖、分发稿和销售话术。

AI 应该被放进营销工作流，而不是孤立成一个概念热点。这才是务实的做法。

第二步，是把“内容”升级成“内容资产”。

什么叫内容资产？不是每天多发几篇水文，而是围绕客户决策链，系统性地铺设可被 AI 调用的答案。

举个例子。一个做工业设备的企业，不应该只写一篇“我们是谁”，而应该持续建设这几类内容：

• 客户刚认知问题时，会问的行业趋势与场景教育
• 客户开始筛选方案时，会问的选型标准、采购要点、对比维度
• 客户进入比较阶段时，会问的“你和同行有什么区别”“为什么你更适合某种场景”
• 客户临门一脚时，会问的案例、参数、交付周期、售后、预算

当这些内容被系统化组织后，AI 更容易理解你是谁、你卖什么、你适合谁、你为什么可信。营销从此不只是“生产文章”，而是“训练市场对你的认知”。

第三步，是把 GEO 接到转化上，而不是停在曝光上。

这是很多企业最容易犯的错：明明已经开始重视 AI 可见度了，但内部 KPI 还是只看“有没有被提到”。

被提到当然重要，但更重要的是，被提到之后发生了什么。

用户看到 AI 推荐你之后，会去哪里进一步验证？会进官网、加微信、留表单，还是直接流失？销售团队有没有准备好对应的话术和案例？官网有没有一页内容专门承接 AI 带来的“高意向、低耐心”流量？你有没有把品牌在 AI 里的高频提问，反过来喂给内容团队和客服团队？

这些问题，决定了 GEO 最终只是“看起来很先进”，还是能真正带来线索和成交。

白帽 GEO 的四个标准

所以在我看来，白帽 GEO 至少要满足四个标准：

第一，信息真实，可验证。不要编榜单，不要伪造客户，不要制造无法核实的数据。AI 最擅长的就是交叉验证，一旦被发现造假，信任就彻底归零。

第二，表达结构清晰，可引用。让 AI 能快速抽取结论、定义、步骤、参数和案例。好的内容应该有明确的观点、清晰的逻辑、可拆卸的模块。

第三，主题布局完整，可覆盖。 不要只有品牌宣传稿，还要有场景文、问答文、比较文、决策文。客户在每个决策阶段都能找到对应的内容，这才是真正的覆盖。

第四，链路闭环明确，可转化。内容发布出去后，要能回收为咨询、商机和成交，而不只是停留在“曝光截图”。每一篇内容都应该知道自己的“下一跳”是什么。

写在最后

说一千道一万，AI 时代的营销逻辑其实已经变了：

• 过去是“我想发什么，就发什么”；现在是“客户会问什么，我就组织什么”。
• 过去是“先抢流量，再谈转化”；现在是“先抢答案入口，再把答案变成线索”。
• 过去是“多写一点”；现在是“写得更像一个值得被引用的专家”。

真正适合企业的 GEO，不应该是“代发几篇软文”的服务，而应该是一整套围绕选题、写作、分发、监测、转化的内容增长系统。

回到最初那个问题：3·15 之后，企业还该不该做 GEO？

答案是：更该做了。

因为事件曝光之后，市场只会更快地把 GEO 分成两类。一类是短期投机型，卖的是“操控 AI”的幻觉；另一类是长期建设型，卖的是“成为可信答案”的能力。前者也许能制造几张好看的截图，但难以持续，更可能踩到合规、平台和信任风险；后者虽然慢一点，却能真正把品牌放进 AI 时代的新流量入口里。

未来最值钱的，不是最会骗 AI 的品牌，而是最早把自己的产品信息、行业知识、客户案例和决策理由，整理成 AI 愿意引用、用户愿意相信、销售愿意接住的那批企业。

这，才是 AI 时代营销真正该做的事。

本文仅代表作者观点，欢迎讨论与指正。

本文作者：郭卿

MKTYun联合创始人 | 专注研究AI时代应该如何做营销

前医疗智能助听算法公司CMO、前上市公司数字营销负责人

为 AI 原生设计的邮箱系统

AgentMail 的核心定位可以用一句话概括：给 AI 智能体用的 Gmail。但这绝不是简单地把现有邮箱服务包装成 API 那么简单。AgentMail 从底层架构开始，就完全围绕 AI 的自动化运行需求进行设计，解决的是 AI 智能体在邮件场景中的原生能力缺失问题。

这套系统最显著的特征是其 API 优先的“无界面”设计哲学。与为人类设计的 Gmail 或 Outlook 不同，AgentMail 的核心交互方式不是图形界面，而是完整的 API 调用体系。开发者通过一行 API 请求就能在毫秒级创建一个独立的邮箱地址，无需经历繁琐的域名验证或人工配置流程。这个邮箱拥有完整的生命周期管理能力：发送和接收邮件、管理对话线程、处理附件、添加标签、执行语义搜索，以及提取结构化数据。整个过程通过 Python、TypeScript 等多语言 SDK 实现，开发者可以在几分钟内完成接入。

更重要的是，AgentMail 支持程序化的规模化邮箱管理。企业可以动态创建、删除或管理成千上万个独立的 AI 邮箱，为每一个客户支持工单、每一次自动化测试会话，或每一个独立的 AI“数字员工”分配专属的、相互隔离的收件箱。这种能力是传统人力邮箱运营模式无法企及的。通过“Pods”功能，AgentMail 还实现了多租户隔离机制，确保不同客户、不同项目或不同 AI 之间的数据完全分离，这对于 SaaS 服务商构建多租户的 AI 应用至关重要。

在技术能力层面，AgentMail 内置了 AI 原生的内容处理能力。系统可以自动从邮件正文和附件中提取关键数据，比如 OTP 验证码、发票收据信息、客户需求文本等，并将其转换为结构化的 JSON 格式，直接供 AI 智能体调用，无需额外搭建解析模块。配合实时的 webhook 事件推送和 WebSocket 连接，AI 智能体能够即时响应新邮件、投递成功、退信、投诉等各类事件，实现真正的实时自动化处理。

值得一提的是，AgentMail 已经实现了全球超过 2000 万封邮件的交付量，其底层基于多区域冗余基础设施搭建，系统性地解决了邮件送达率、反垃圾拦截、合规邮件头配置（SPF/DKIM/DMARC）、域名信誉维护等行业痛点，保障 AI 智能体的邮件通信稳定不中断。

与传统邮件工具的本质差异

要理解 AgentMail 的独特价值，需要将其与两类传统邮件产品进行对比：一类是 SendGrid、Mailgun 这样的企业邮件发送服务，另一类是 Gmail、Outlook 这样的个人或企业邮箱系统。

SendGrid 和 Mailgun 的核心设计目标是批量发送营销邮件或系统通知，它们擅长的是单向推送能力和送达率优化。这类工具的核心单位是“campaign send”——一次性向大量收件人发送相同或模板化的邮件。然而，它们在接收能力和对话管理上极其薄弱，几乎无法支撑 AI 需要的双向、多轮、上下文连续的交互场景。当客户回复一封营销邮件时，传统工具往往只能将回复转发到某个人工监控的邮箱，而无法让 AI 智能体自动理解上下文、提取意图、并做出针对性的个性化回复。

Gmail 和 Outlook 虽然提供了完整的收发能力，但它们的设计初衷是服务于人工操作。这些系统的 API 是作为辅助功能存在的，需要复杂的 OAuth 授权流程，且有严格的频率、并发和总量限制。更关键的是，批量创建独立邮箱会触发严格的风控机制，极易导致账号被封。对于需要部署数十个甚至数百个 AI 智能体的企业来说，这种模式既不经济也不可行。

AgentMail 的差异化价值正是填补了这个空白地带。它的核心单位不是“发送”，而是“inbox / thread / reply / attachment / label / event”——完整的双向会话能力。一个销售 AI 可以通过 AgentMail 连续跟进潜在客户，处理每一封回复，判断客户意向，在必要时通知人类销售经理介入。一个客户支持 AI 可以自动分类邮件，解析附件中的问题描述，创建工单草稿交给人工审批。这种持续的、上下文感知的、闭环的交互能力，是传统邮件工具无法提供的。

从认证方式来看，AgentMail 采用简单的 API Key 认证，而非复杂的 OAuth 流程，这对于机器自动化场景更加友好。从定价模型来看，传统邮箱按“用户/座席”收费，而 AgentMail 按用量（API 调用次数、邮件数量、存储空间）计费，这种模式极大地释放了 AI 智能体规模化部署的成本潜力。AgentMail 的免费套餐提供 3 个收件箱和每月 3000 封邮件额度，开发者套餐月费 20 美元即可获得 10 个收件箱和 1 万封邮件，这对于中小团队来说是极具吸引力的起步门槛。

AI 时代的战略重要性：从通信工具到数字身份层

AgentMail 的重要性远远超越了“一个好用的邮件 API”这个层面。其创始人 Haakam Aujla 提出了一个深刻的洞察：电子邮件不仅仅是通信工具，更是互联网的身份层。这个判断揭示了 AgentMail 在 AI 时代的战略价值。

在当前的互联网生态中，电子邮箱仍然是最广泛使用的身份验证机制之一。无论是注册 SaaS 服务、接收验证码、重置密码，还是参与在线协作，邮箱地址都是不可或缺的身份凭证。当 AI 智能体需要自主地与现有互联网服务交互时，拥有一个可验证、可持续、可追溯的邮箱身份就成为了前提条件。AgentMail 最近推出的 Onboarding API 甚至允许 AI 在没有人类协助的情况下，自行发现并注册 AgentMail 账户，这展现了“AI 为 AI 服务”的未来图景。

从更宏观的视角来看，AgentMail 正在解决 AI 如何以独立身份融入人类社会现有协作网络这一根本性问题。在红杉资本提出的“服务即软件”时代，无数 AI 智能体将代表企业或个人进行商务活动、客户服务、内容协作等工作。这些智能体需要一个受信的、经过验证的、可追踪的身份体系，而 AgentMail 试图成为这个身份体系的基础设施。

这种身份层的价值在多个维度上体现出来。首先是互操作性：拥有邮箱的 AI 可以注册和使用成千上万个现有的互联网服务，无需等待每个服务都开发专门的 AI 接口。其次是信任机制：在商务场景中，一个来自认证域名的邮箱地址能够传递品牌信任和法律责任主体信息。再次是审计追溯：所有通过邮件进行的交互都有完整的记录和时间戳，这对于合规、争议解决和流程优化都至关重要。

AgentMail 还内置了防滥用机制来平衡能力开放与风险控制。未认证的 AI 智能体有每日发送限额，系统会监控异常行为模式，并通过关键词过滤来防止垃圾邮件和恶意内容。这些机制确保了 AgentMail 在赋予 AI 强大通信能力的同时，不会成为滥用和垃圾信息的温床。

另一个战略维度是 AI 营销在 GEO（生成式引擎优化）时代的布局。随着 AI 搜索成为流量新入口，品牌需要让自家的 AI 智能体在互联网上拥有广泛的存在和交互能力。AI 智能体通过 AgentMail 注册各种服务、参与行业讨论、发布专业见解，本质上是在构建面向机器时代的数字身份和社交网络。这有助于品牌在未来的 AI 推荐机制中获得更高的可见度和权威性。

重构 AI 营销体系的底层逻辑

当我们将视角聚焦到营销领域，AgentMail 的价值就更加具体和直接了。它在 AI 营销体系中扮演的是基础设施角色，其重要性体现在对营销全链路的底层重构。

传统的营销自动化工具大多停留在策略生成和数据分析层面。它们可以生成广告文案、制定媒介计划、分析客户数据，但无法直接作为独立实体去执行具体的营销动作。AgentMail 打通了从洞察到执行的“最后一公里”。当 AI 营销智能体拥有了自己的邮箱，它就获得了真正的行动能力：可以自主注册广告平台账号并基于生成的策略直接投放广告，可以与 KOL 或合作伙伴进行初步的邮件沟通、询价甚至合同条款的简单协商，可以对营销活动带来的潜在客户进行自动化的、个性化的邮件培育，直到对方准备好与人类销售交谈。

这种能力的核心价值在于实现了真正的全链路自动化营销闭环。在 AgentMail 出现之前，营销自动化在触及外部世界时存在明显的断层——最后的执行动作往往需要人工介入。现在，从用户洞察到策略生成，从媒体采购到线索沟通，再到效果反馈的整个循环，都可以由 AI 智能体全自动完成。企业可以为不同的营销环节部署专门的 AI 智能体，每个智能体拥有独立的邮箱身份，比如 planning-agent@company.com 负责策略规划，media-buyer@company.com 负责媒体采购，sales-agent@company.com 负责线索跟进。这些智能体之间可以相互协作，也可以与外部的人类或其他 AI 进行沟通，形成一个真正的“数字营销团队”。

对于 B2B 营销和跨境出海企业来说，邮件始终是最核心的客户触达和转化渠道。AgentMail 让 AI 能够完成传统上需要 SDR（销售开发代表）、客户经理、客户成功团队反复手工处理的邮件流程。一个线索孵化智能体可以对接官网留资客户进行长期跟进，根据客户的回复内容和互动频率动态调整跟进策略和话术。一个售后智能体可以处理客户咨询，解析附件中的问题描述，自动创建工单并流转到相应的技术团队。一个预约智能体可以与客户来回协调会议时间，自动处理时区转换和日程冲突。这些场景都直接落在获客、转化、跟进、扩单、续费、支持这些关键的营销和销售节点上。

更重要的是，AgentMail 打通了 AI 营销的全链路数据闭环。传统邮件营销只能获取打开率、点击率等浅层数据，无法深度解析客户回复中的真实需求、预算意向和合作时间表。AgentMail 内置的语义搜索和结构化数据提取能力，可以让 AI 智能体实时解析邮件内容，自动提取关键信息并同步至 CRM 或营销自动化平台，完成线索评分、客户分层、流程流转的全流程自动化。这让邮件营销从“盲发式广撒网”升级为“全链路数据驱动的精细化运营”，真正释放 AI 在营销场景中的价值。

当然，AgentMail 也重新定义了客户互动体验。未来的营销将是对话式的而非单向广播式的。当消费者回复一封营销邮件时，另一端不再是一个无人值守的收件箱，而是一个具备上下文理解能力的 AI 客服智能体。这个 AI 可以立即调取消费者的购买历史、浏览偏好和互动记录，给出精准的、个性化的回复。这种即时、精准、个性化的互动能力将极大地提升客户体验和转化率，而这一切都依赖于一个稳定、可编程、支持双向对话的邮箱系统。

值得注意的是，AgentMail 也系统性地解决了 AI 营销规模化落地的核心风控痛点。使用个人或企业邮箱 API 对接 AI 是当前的普遍做法，但存在致命缺陷：批量自动化操作极易触发平台风控导致封号，且单域名或单账号下的违规操作会影响整个企业的邮箱信誉，甚至导致企业官方邮件被拦截到垃圾箱。AgentMail 从底层解决了这一痛点：其专为 AI 场景设计的邮件基础设施原生适配自动化调用逻辑，底层完成了合规配置与反垃圾优化，独立邮箱之间相互隔离，同时支持自定义域名保障品牌一致性，从根本上消除了 AI 营销规模化的最大障碍。

结语

AgentMail 不是 AI 时代营销的“大脑”，但很可能会成为 AI 邮件营销与智能体驱动的 GTM（Go-to-Market）体系的“操作系统”。它解决的不是营销策略是否正确、内容是否吸引人、定位是否精准这些上层问题，而是解决了一个更基础但同样关键的问题：如何让 AI 智能体拥有像人类一样的、稳定的、可规模化的邮件通信能力。

在 AI 全面重构营销体系的当下，AgentMail 填补了行业最核心的能力空白，推动邮件营销从单向批量推送的 1.0 时代迈入双向智能对话、全链路自动化、数据驱动精细化运营的 2.0 时代。对于高度依赖邮件渠道的 B2B 企业、跨境出海品牌、SaaS 公司而言，AgentMail 正在成为 AI 营销体系中不可或缺的基础设施。它的价值不在于替代现有的营销工具，而在于让 AI 真正从“建议者”变成“执行者”，从“分析工具”变成“行动主体”。这才是它在 AI 时代最深远的意义所在。

这篇来自 Ahrefs 的最新研究揭示了一个残酷的现实：AI 概览（AI Overviews）正在以惊人的速度侵蚀传统 SEO 的价值。数据显示，截至 2025 年 12 月，AI 概览使排名第一的页面点击率暴跌 58%——这意味着即便你的内容成功登顶搜索结果，也只能获得过去 42% 的流量。

更令人警醒的是，这一趋势仍在加速恶化。从 2025 年 4 月的 34.5% 降幅到如今的 58%，短短数月间点击率损失几乎翻倍。配合其他研究机构（Seer Interactive、Kevin Indig 等）的数据，我们可以确认：这不是个别现象，而是搜索生态的系统性转变。

这意味着什么？传统的 SEO 优化策略正面临根本性挑战。当你投入大量资源将排名从第 5 位提升到第 1 位时，你可能只是在一个不断缩小的蛋糕上争夺更大的份额——而这个蛋糕本身已经比两年前小了一半以上。

面对这一趋势，单纯依赖 SEO 已经不够。 我们需要重新思考流量获取策略：

• GEO（生成式引擎优化）：优化内容以被 AI 引用和推荐，而不仅仅是排名
• AEO（答案引擎优化）：直接为 AI 概览、精选摘要等零点击场景提供价值
• 多元化注意力来源：社交媒体、邮件列表、社区建设、品牌直接搜索等不受 AI 概览影响的渠道

搜索正在从“点击分发”转向“答案分发”。在这个新范式下，内容创作者需要从“争夺排名”转向“争夺引用”，从“获取点击”转向“建立品牌认知”。这不是 SEO 的终结，而是游戏规则的重写。

早在 2025 年 4 月，我们就发现 AI 概览（AI Overviews）使排名首位的内容点击量减少了 34.5%，尽管谷歌对此持相反说法。

自那以后，AI 概览已推广到更多国家和语言，许多网站继续看到来自自然搜索的点击量逐月下降。

如今，AI 概览的影响似乎进一步恶化。正如我在之前的研究中所写：

假设 AI 概览保持当前形式，这很可能是点击率最高的时候了。随着新鲜感消退和“糟糕点击率定律”生效，我预计点击量会进一步减少。

为了验证这一预测，我们使用 2025 年 12 月的数据重新进行了研究。

我们发现，AI 概览的出现现在与排名首位页面**平均点击率降低 58%**相关。

再次“感谢”谷歌。

我们采用了与之前研究相同的方法论：从 Ahrefs 关键词分析数据库中选取 30 万个关键词，包括 15 万个出现 AI 概览的关键词和 15 万个信息类意图但没有 AI 概览的关键词。然后对比两组样本在 2023 年 12 月（AI 概览推出前）和 2025 年 12 月的点击率。

查看 AI 概览在你的排名中的表现

你可以使用 SERP 特性筛选器来查看 AI 概览在哪些关键词排名中触发。进入 Ahrefs 的网站分析，导航到自然关键词报告，从 SERP 特性筛选器中选择 AI 概览。

数据发现

信息类关键词 CTR 变化

2023 年 12 月，信息类关键词排名第一的平均点击率为 0.076。到 2025 年 12 月，这一数字下降至 0.039：

AI Overview 关键词 CTR 变化

2023 年 12 月，带有 AI 概览的关键词排名第一的平均点击率为 0.073。到 2025 年 12 月，这一数字骤降至 0.016：

AI 概览对点击率的具体影响

利用信息类关键词点击率的下降，我们可以预测如果没有推出 AI 概览，AI 概览关键词的点击率会是多少：0.037 (0.072627*(0.038943/0.075730))。

如果我们计算预测点击率与实际点击率之间的差异，数据表明 AI 概览的出现现在使排名第一的点击率下降了约 58% ((0.015677-0.03734)/0.03734)：

这是点击率的又一次显著下降。对于 historically 排名靠前的页面每能获得 100 次点击，谷歌现在“截留”了 58 次。

非 AI Overview 关键词的 CTR 为何也下降？

AI 概览是一系列帮助用户在不离开谷歌的情况下解决问题的搜索功能中的最新成员，这些功能包括本地包（Local Pack）、头条新闻（Top Stories），以及最著名的精选摘要。

随着这些 SERP 特性的增加，点击率下降了。所谓的零点击搜索已经增长很长时间了。

AI 概览在不同排名位置的影响

正如我们之前的研究所发现的，约 9% 的 AI 概览出现在搜索结果第一页的非首位位置：

我们对出现在较低排名位置的 AI 概览进行了同样的分析。

AI 概览的负面影响持续存在，虽然程度没有那么剧烈（考虑到排名 2-10 位本就很低的点击率，这算是个小安慰）：

总结

截至 2025 年 12 月，AI 概览使排名第一的内容自然搜索点击率下降 58%。这一令人沮丧的发现得到了其他研究的佐证，包括 Seer Interactive（自然搜索 CTR 下降 49.4% 至 65.2%）、Kevin Indig（>50%）、Authoritas（47.5%），甚至每日邮报（报道 CTR 降低 80-90%）。

无论你对 AI 概览的实用性和价值有何看法，它们似乎确实分流了曾经流向排名靠前页面的大部分点击。搜索正在变成零点击。

大多数 B2B 营销团队表现不佳，是因为他们缺乏受众验证。我们在未经检验的假设基础上开展营销活动：假设买家正处于活跃采购周期中，假设他们想要我们的内容，或者假设在六周内发送 12 封邮件就能产生 MQL（营销合格线索）。

我们发布内容、进行推广，然后盯着仪表板问道：“为什么效果不理想？”打开率下降，点击率波动。有人建议对标题进行 A/B 测试。但那不是研究，那是事后补救。

真正的研究要更早开始——在资产创建之前，在营销活动启动之前，在预算分配之前。它从一个假设开始。

市场研究从假设开始

在科学领域，没有假设就不会进行实验。而在营销领域，我们每天都在这样做。假设是一个有根据的猜测。你需要制定一个流程来验证或证伪它。你的分析无法产生清晰洞察的原因，是因为你没有围绕假设来构建。

大多数营销人员先执行营销活动，然后才从数据中寻找可操作的信息。但他们从未从一个简单的问题或陈述开始——他们想要了解或验证什么——所以数据变成了一堆数字，你可以让它们说任何你想说的话。

与其说“我们的受众关心 AI 自动化”，不如试试：“我们认为中型市场营销总监相比实施 AI 工具，更焦虑于向领导层证明 ROI。”

这是具体的、可测试的、有用的。现在你的工作不是生产内容，而是在围绕这个信念构建营销活动之前验证它——而且你已经拥有了所需的工具。

以下是三种使用你现有工具进行市场研究的简单方法。

方法一：使用表单验证买家意图

大多数 B2B 表单只收集联系信息，仅此而已。然后我们抱怨随机线索，说 MQL 是垃圾。但我们从未问过这个人真正想要什么。

除了询问姓名、邮箱、公司和职位外，添加一个精心设计的问题。例如：

您目前在营销工作中最大的挑战是什么？

• 证明 ROI
• 寻找合适的工具
• 团队资源不足
• 数据孤岛

现在你不是在收集职位头衔，而是在了解意图和获得背景信息。

“但更多的表单字段不会降低转化率吗？”好问题。这里有个微妙之处：

你不是在审问，而是在验证。如果 60% 的受访者选择“证明 ROI”，你的信息传递就会改变，你的培育策略会改变，你的销售话术会改变。

方法二：将培育序列转化为发现引擎

大多数培育序列是这样的：

• 欢迎邮件
• 产品功能介绍
• 案例研究
• 客户证言
• 请求通话

这只是按顺序发送的垃圾邮件。

相反，试试这个简单的三步方法：

第一步：提供价值
发送一篇真正有帮助的文章、模板或工具——不要附带任何条件。

第二步：提出一个问题
跟进邮件问：“您目前在 【话题】 方面使用什么方法？回复告诉我，我会分享一些我看到其他公司奏效的做法。”

第三步：基于答案进行个性化
根据他们所说的内容发送下一封邮件。提到他们的具体痛点。推荐针对性的资源。

现在培育成为一个循环：提问 → 学习 → 调整 → 深化。

方法三：用焦点小组代替会后销售电话

网络研讨会结束后，团队往往急于进行线索资格认定。与其问“您准备好做演示了吗？”不如试试：“我们正在为 8-10 位营销领导者举办一个小型圆桌讨论，探讨他们如何应对 【讨论过的问题】。”

作为企业，你将了解到：

• 什么内部政治阻碍了决策
• 预算摩擦存在于哪里
• 时机现实是怎样的
• 紧迫性是真实存在的还是理论上的

分析无法告诉你这些。背景信息会改变信息传递，从而改变转化。

一个可以重复使用的简单研究循环

为了防止这成为一次性的实验，使用这个框架：

然后重复。现在你的营销引擎也是你的研究引擎。

如果你不确定该问什么，从这里开始：

• 预算： “这个项目有预算批准吗？”
• 紧迫性： “这个问题现在有多紧迫？”
• 复杂性： “您团队目前的流程是什么样的？”
• 替代方案： “您还在考虑哪些解决方案？”
• 决策： “谁还需要参与这个决策？”

每次使用其中一个，轮换使用，观察模式。

从“后知后觉”到“未卜先知”

当表现下滑时，大多数营销人员说：“参与度下降了。”这是被动的。

想象相反的情况：“基于 430 份表单回复和两场反馈会议，买家正在优先考虑执行层报告而非需求生成自动化。我们正在相应地重新分配内容和信息。”

这一次，你是在学习——减少浪费性支出，锐化信息传递，提高转化率，缩短销售周期，因为你正在解决真正的障碍，而不是假设的障碍。

先研究，后扩大

B2B 营销饱受假设过载的困扰。与其使用分析来修补有缺陷的前提，不如在扩大规模之前进行验证。

优化无法挽救建立在猜测基础上的营销活动。如果你从未定义你想学习什么，数据不会创造清晰度。

不要再发布另一个资产而不问一个学习问题。每次都问一个问题。这就是从猜测到认知的转变。

原文链接： How to turn everyday marketing campaigns into market research

译者按：本文编译自海外科技观察文章，聚焦 2026 年 AI 数据访问权的结构性转变。文章所描绘的“开放网络走向封闭花园”、平台数据壁垒高筑、AI 答案日益碎片化等现象，对国内从业者而言或许似曾相识——早在海外巨头意识到数据作为战略资产的价值之前，中国的互联网生态已经历了从开放到封闭的全过程。微信、抖音、小红书、知乎等超级平台早已将用户数据、内容生态和交互行为牢牢锁定在各自围墙之内。本文所讨论的“正在发生的转变”，在国内市场早已是既成事实。海外厂商此刻的焦虑与博弈，不过是国内互联网发展轨迹的一次延迟映射。

大型语言模型确实改变了我们的世界。然而，它们也在一种隐含前提下“长大”：互联网是开放的——可以抓取、可被索引、可用于训练的公共领地。

对 Anthropic、OpenAI、Google 等来说，这个时代正在结束。社区、社交网络与创作者平台纷纷限流、签署授权、将用户行为数据视作专有基础设施而非公共投入。

与此同时，许多并非“AI 原生”的平台不仅封锁数据，防止被外部模型拿走，还开始在自有数据之上构建 AI 搜索体验。基于独占数据训练出来的“平台原生 AI”，正成为用户持续交互的界面层，比如 TikTok 的 Tako 与应用内 AI Search 工具。

我们将这一转变称为“LLM 数据战争”：一场安静却影响深远的角力——谁能用哪些数据训练、谁被排除在外、以及谁最终决定用户看到的答案。

面向未来，全行业必须回答的关键问题是：哪些模型被允许从哪里学习。

注：本文聚焦于 AI 数据访问正在“改变并走向碎片化”的结构性转变。随着平台策略调整、授权协议变化、新的 AI 界面不断推出，博弈格局还会持续演化。我们的分析关注“为何这一转变重要”，而不仅是“发生了什么”。

从开放网络到“围墙花园”

早期的 LLM 依赖吞入海量公开数据进行训练。覆盖面与规模比“许可”更重要——只要在开放网络上能访问，基本就默认可用。

这种做法映射了互联网“快速行动、打破常规”的时代观：数据被当作环境中的“公共基础设施”，而非被明确定义的“被拥有的资产”。但随着 AI 系统能力与价值的攀升，这一假设开始瓦解——人们意识到脚下踩着的是座金矿，于是变得异常谨慎与保护。

平台开始重新审视“无限制访问”的真实含义。数据不再是排放物，而是可被精细利用的资产。开放爬取逐步让位于授权、门控与选择性合作。

结果并不是大规模训练终结，而是“默认开放”的终结。

平台数据归平台智能所有

当平台开始上锁，下一步几乎是必然的：在自有数据之上直接构建智能。

平台数据不只是“内容”。它还包含行为信号、社交图谱、互动模式与情境意图。这些信息一旦被“所有人平分”，价值就会被稀释；与原生交互界面和第一方反馈回路配合，这类数据的价值几乎无法替代。

这就是为何越来越多的平台把 AI 直接“做进产品里”。当数据与模型留在同一生态中，平台就能把原始行为“就地”转化为更好的推荐与引用，而不在传输途中丢失上下文。

碎片化：为什么 AI 的答案开始分歧

很长一段时间里，人们以为 LLM 的承诺是“普适的”：问同一个问题，大致得到相同答案。差异更多被归结为模型质量或调参的不同。现在，这个前提不再成立。

当数据访问被切割，AI 的答案也随之碎片化。这并非因为模型“失灵”，而是因为它们在越来越不同的信息环境中被训练、被强化。

今天，跨不同 AI 搜索工具问同一个问题，你往往会看到不同的取向与结论。这背后真正的问题不只是“准确度”，更是“暴露度”与“摄入源差异”。在信息“大蛋糕”的不同切片上受训的模型，会形成不同的强项、盲点、偏好与默认设定。随着封闭生态用自有反馈回路不断自我强化，这些差异会被持续放大。

我们正从“一张共享的互联网”，走向“多个相互竞争的互联网解释”。

这对用户意味着什么

从用户视角看，“LLM 数据战争”几乎是隐形的。AI 依然快速、流畅且自信。但有个关键点已经改变。

平台原生 AI 为“便捷”优化：更少的点击、更少的来源、更快的答案。这种便捷以“视角”为代价。当智能在单一生态中被训练，答案自然会反映那个生态“看得到什么、愿意展示什么、展示什么更有利”。

用户对“信任”的判断也在迁移：过去评估“来源”，现在更多评估“系统”。当一个答案听起来连贯自洽、信心十足，人们就更不容易质疑它——即便它只是一种“片面的全貌”。

换句话说，用户实质上是在选择：我要向“哪一个版本的现实”发问。

这对品牌与可见性意味着什么

对品牌而言，“LLM 数据战争”改写了可见性的规则。

在传统搜索里，可见性很大程度上取决于“排名”。但在 AI 搜索中，可见性发生在“更上游”的地方——很多时候甚至在“零点击”的情境里就已经影响了决策。

AI 在生成答案时，并非“临场决定”，而是在“复述它已学到的世界”。这意味着品牌的可见性取决于它在训练与检索生态中的“可学习与可引用”程度，尤其体现在：

数据可见性与授权足迹：你的内容与信号是否存在于目标平台允许“学习与调用”的数据池中。

权威与信号密度：是否有稳定、可信的第三方引用与背书，能被模型“看见并采信”。

平台耦合与分发链路：在社交、社区、媒体与垂直平台上的存在度如何，它们与 AI 搜索之间的耦合是否紧密。

可结构化与可提取性：内容是否结构清晰、语义稳定、便于抽取与复述，能成为模型中的“推荐与引用”素材。

实体与语义一致性：品牌、产品、人物、场景等实体是否在多平台被一致标注与关联，减少歧义与错配。

社区互动与口碑沉淀：行为与互动数据能否形成“正反馈回路”，帮助平台原生 AI 持续看到你。

即便你在传统搜索里排名不俗、内容优质，如果你的“信号”没有进入“对的生态”，依然可能在 AI 答案里被系统性低估。

这带来了新的风险：隐形的影响力缺口。当 AI 在答案中“忽略”某个品牌时，竞争者就会定义品类与默认替代方案；而品牌可能要等到转化与营收在下游出现异常时，才意识到上游叙事早已被改写。

结论：战争不在模型，核心在“控制权”

“LLM 数据战争”的本质，是对“塑造智能的输入”的控制权之争。

当平台上锁、选择性授权，并把模型直接嵌入既有生态时，LLM 不再映射一个“共享的互联网”，而是开始反映“各自边界之内的世界”。它们各自连贯、各自强大，却也各自不完整。

这不是一个短暂的阶段，而是知识被“生成、调解与呈现”的结构性变革。

因此，最重要的问题不再是“哪个模型更聪明”，而是“这个模型被允许从谁那里学习”。

什么是 Google AI Mode？

Google AI Mode 是 Google 搜索的一种形态，用一个“AI 优先”的布局替代了标准结果页。界面包含 AI 生成的摘要和简化的链接样式。可以把它理解为由 Google 的 Gemini 2.5 模型驱动的内置研究助理。

AI Mode 以单独标签页的形式出现在 Google 搜索中，与“Images”“Videos”并列，或可直接访问 google.com/aimode。Google 近期也在移动端开放了该模式：当用户在 AI Overviews 中点击“Show More”时即可进入。

AI Mode 与 AI Overviews 有何区别？

AI Mode 和 AI Overviews 都使用生成式 AI，但它们出现的位置与在 Google 搜索中的作用不同。

AI Overviews 会在 Google 判断有帮助时出现在标准搜索结果中。AI Mode 则是一个独立体验，可通过“AI Mode”标签、访问 google.com/aimode，或在移动端 AI Overview 中点击“Show More”进入。

如下为对比：

Google AI Mode 与其他 AI 工具有何不同？

Google AI Mode 天然工作在 Google 的排序生态中。这使得它对 SEO 的关联度高于独立的 AI 工具（如 ChatGPT 或 Perplexity）。

Semrush 曾对 AI Mode、传统搜索、AI Overviews、ChatGPT 与 Perplexity 进行对比研究。

以下是 Google AI Mode 的突出之处：

且与 ChatGPT 不同，Google AI Mode 会在部分查询中展示广告。

SEO 顾问 Brodie Clark 也注意到了 AI Mode 内的广告：“Ads within AI Mode are here. This marks a significant difference between Google’s AI Mode and the likes of ChatGPT, with ChatGPT not having even close to the same infrastructure for ads as Google does.”

相较其他 AI 工具，AI Mode 经过训练以反映 Google 的排序信号，这使其成为你 SEO 策略中的重要关注点。

AI Mode 与传统搜索中被引用的内容有何不同？

Google AI Mode 并不会简单镜像前 10 条自然搜索结果。其选择来源基于感知的可信度、相关性与格式化表现——而不仅仅是排名。

为比较引用差异，Semrush 将 AI Mode 侧边栏来源与 5 个高意图 SEO 查询在传统搜索前 10 条结果进行了对比。结果如下：

在上述五个查询中，AI Mode 与传统自然结果的平均域名重合度低于 50%；精确 URL 重合度往往低于 30%。

仅有较好排名并不保证会被 AI Mode 引用。若你的内容展现专业性、采用清晰的结构化格式，并被其他可信来源引用，被纳入的可能性会更高。

Google AI Mode 如何影响 SEO？

Google AI Mode 是多年以来搜索领域最大的变革。流量在下滑；Google Search Console 尚无法追踪；可见性愈发取决于“被引用”，而非“有排名”。

SEO 从业者需要了解以下几点：

即便排名靠前，流量仍在减少

AI 生成的答案正在分流传统搜索结果的点击。进入前 10 已不再意味着可见性。

据 Pew Research，带有 AI 增强的 SERP 令点击率下降了近 49%。AI Overviews 拉开了序幕，AI Mode 进一步加速这一趋势。

Semrush 的数据显示，92% 的 AI Mode 回答包含约 7 个独立域名的侧边栏。但与 Google 前 10 的域名重合仅有 53.68%，URL 重合仅 35.41%。

Semrush SEO 负责人 Sergei Rogulin 表示，现在正是“别再过度担心流失的流量”的时候。“转移关注点。这是一个全新的格局，可见性的含义也不再相同。”

把重心放在你的品牌在 AI 引用中的出现情况，而不只是自然排名。

从“排名”转向“声誉”

在 AI Mode 中，可见性来自“被引用”，而非首页排名。Google 的 AI 会选择可信来源，即便它们并未跻身前 10。

AI Mode 会对回答进行总结，并链接到经策展的来源。其中仅约半数与传统结果匹配。其余来源的选择基于信任信号、内容结构，以及全网存在度。

如果你的品牌未出现在用户问答的场域，或内容不被视为可信，你被引用的概率就会降低。

分析工具滞后

Google Search Console 目前尚未展示来自 AI Mode 或 AI Overviews 的流量。这使得有效评估变得困难。

传统指标（点击、展示与排名）已无法完整反映实情。SEO 需要转而追踪：品牌在 AI 回答中的提及、跨 AI 平台的引用与参考、AI 生成品牌摘要的情绪与准确性。

Semrush 的 AI Visibility Toolkit 能提供帮助。输入你的域名，查看你的品牌在 AI 搜索中的呈现方式。

如何针对 Google AI Mode 进行优化（步骤指南）

希望你的内容被 Google 的 AI 结果采用？按以下步骤执行：

1．从 SEO 基础最佳实践做起

Google 的 AI 偏好结构良好、值得信赖且易于抓取的内容。核心 SEO 实践依然适用，且比以往更重要。

重点关注以下基础：

面向可读性进行格式化。用直截了当的答案、项目符号与短段落，保持对话式语气，便于快速扫描。

体现 E-E-A-T。展示经验、专业性、权威性与可信度。使用真实作者、专家见解与来源引用。

打好技术 SEO 基础。优先确保加载速度、移动端适配、清晰的标题层级与可抓取的 HTML。

例如，Semrush 经常出现在诸如“what is the best tool for SEO”之类查询的 AI Mode 结果中。

原因在于 Semrush 把基础工作做好了：可信作者、清晰结构与技术卓越。

AI Mode 会奖励来自声誉良好品牌的结构化、可信内容。

2．在全网建立你的品牌存在

AI Mode 针对单个查询会引用多个来源。若要被纳入，你的品牌需出现在可信与高权重网站之上。

遵循以下做法：

贡献于可信平台。在 Wikipedia、Quora、Reddit、GitHub 与 Stack Overflow 等常出现在 AI 摘要中的平台提供有价值内容。

完善目录档案。在 Crunchbase、LinkedIn 等相关商业目录中维护准确、优化的公司资料。

站外获载。为主流与细分领域的权威媒体撰写客座文章，扩大内容版图。

获取可信站点提及。来自 .edu、.gov、新闻媒体与高权重域的“提及”（即便不带链接）能提升感知信任度。

保持一致性。在所有列表中维护一致且准确的 NAP（名称、地址、电话）信息，以传达合法性与规范性。

在全网更可见、更可信且更一致的品牌，更容易被 AI Mode 的回答引用。

3．创作“可被引用”的内容

Google 的 Gemini 2.5 模型倾向引用可信、结构化且信息密度高的来源。要被采纳，你的内容需便于 AI 抽取、概括与复用。

建议如下：

直接回答问题。将清晰简洁的答案放在页面靠前位置。AI 系统优先采用能高效解决查询的内容。

使用结构化排版。用描述性小标题（H2／H3）、项目符号与表格将内容分块，便于 AI 准确解析与引用。

纳入可核验的具体事实。引用研究、数据与原创调研。包含数字与来源的内容更易被参考。

定期更新内容。AI 偏好新近且相关的信息。用新数据与洞见刷新表现突出的页面。

构建主题权威。围绕相关主题用多篇内容进行系统覆盖。足够的深度能传达专业性并提升被引用概率。

核心要义：不是“写更多字”，而是“提升每个字的价值”。高价值内容更易被 AI 处理、抽取与展示。

4．面向“对话式查询意图”优化

Google AI Mode 旨在理解更自然的对话式查询，类似人们与 ChatGPT 或 Google Assistant 的交流方式。

对齐这一意图的最佳实践：

覆盖长尾与问句式查询。聚焦贴近用户真实说法与搜索方式的短语。

在标题中镜像用户语言。用直面常见问题的 H2／H3。

优先直接作答。在段落开头给出简洁、事实性的结论，再展开说明。

增补关联上下文。预判用户的后续问题，并在同一篇内容中回应。

采用对话式写法。避免过度正式或堆砌关键词。

5．追踪 AI 可见性与引用

大多数 SEO 工具并非为 AI 搜索而生。Google Search Console 目前无法区分来自传统结果、AI Mode 或 AI Overviews 的流量。

这意味着单看排名与流量已不够。

要保持竞争力，你需要追踪品牌在 AI 回答中的提及、跨平台的引用，以及这些提及的情绪取向。

Semrush 的 AI Visibility Toolkit 能展示你的品牌在 AI Mode 及其他 AI 平台中的表现。

Visibility Overview 报告能突出哪些提示词与主题在推动你的品牌被提及。

Brand Performance 报告则更深入剖析你的品牌在各 AI 平台上的叙事与情绪。

你还可以追踪整体情绪与关键叙事驱动因素，并获得有针对性的可见性改进建议。

把握 AI 演进趋势

Google AI Mode 标志着人们在线获取与信任信息方式的重大转变。关注点不再只是排名与点击，而是“被引用”、可信度与语境。