利用精准流量实现 4 倍广告 ROI 的增长实战

Monica

接下来我们进入今天的核心案例分享环节，Bennett 希望通过这 3 个案例的分享，给大家带来哪些收获和认知？

Bennett

我主要想从产品经理的视角，结合自身的实操经验，和大家分享如果我自己做一个品牌，该如何在 AI 时代做好增长和运营，希望能给大家带来一些新的视角。

Monica

第一个案例是一个 AI native 的办公软件，Bennett 先为大家介绍一下这款产品，以及你们接手该案例时，产品所处的状态。

Bennett

这款产品的核心功能是 AI PPT 制作，主打出海市场，与 Genspark 等行业巨头展开竞争。该产品本身具备一定的实力，也积累了一定的流量。ChatGPT 出现后，大量用户会在 ChatGPT 上提问 AI PPT 制作的相关问题，该品牌认为这是一个巨大的行业机会，便尝试切入 GEO 相关的增长赛道。

但我们的操作思路和所有做 GEO 的团队都不同，我们根本不做 AI visibility 的相关优化，这里我需要解释一下原因。相信大家当下做 GEO 相关业务，首先接触到的就是各类 AI visibility 的优化方法，但如果看过 AI 助手的后台，就会发现其中的核心问题。

AI 助手的后台会按照用户画像，区分不同人群的搜索指令，而这些搜索指令的重复率极低，这一现象让人感到震惊。大家可以试想一下，一天之内的搜索指令，几乎没有重复的，这意味着流量非常分散。在这样的背景下，想要做搜索指令的监测，该如何选取有代表性的样本？

我们通过服务客户和自身的实操发现，AI 带来的流量，会相对均匀地分布在五六千个页面的量级上，运营者根本没有有效的运营抓手。因此我认为，在中间环节做任何 AI visibility 的优化，都是无效的，只有品牌方自己，才能对搜索指令进行有效归类。

品牌方能明确将某一类搜索指令归结为某一用户意图，且能判断出该意图下的流量占比，只有品牌方才能做好这件事，其他的服务商根本无法实现。因此我认为，除了 ChatGPT 和 Gemini 发布类似 GSC 的产品外，其他第三方服务商做 AI visibility 优化，意义并不大，因为整个链路是断裂的。

接下来我为大家梳理一下 AI 搜索的完整漏斗逻辑：用户发出一个搜索指令后，AI 会先对指令进行改写，将其转化为通用的搜索指令，剔除无效信息，再结合用户的记忆进行拼接，补全用户未说清、表述不准确的内容。

完成指令改写后，AI 会进行意图识别，判断用户想要获取的信息类别，且每个类别下都有对应的槽位关注，比如用户对信息是否有时效性要求、主体要求、地域要求等。只有做好这些判断，才能尽可能准确地回答用户的问题，之后再执行搜索指令，获取相关结果，最终将答案拼接完整后交付给用户。

这还没有涉及到 rank、chunking 等技术层面的问题，抛开这些技术细节，我们能发现，每家平台的 AI 搜索策略都存在差异，这也是为什么大家会觉得各类智能搜索工具的使用体验不佳，因为其底层的搜索策略打造得非常粗糙。

而像豆包这样的大厂产品，使用体验会更好，核心原因就是背后整合了大量的搜索技术，实现了搜索的 AI 化，这套体系的复杂程度极高。这也印证了我的观点：除了平台方，其他第三方想要做 AI visibility 优化，基本没有可能。

那在这样的行业背景下，第三方服务商能做什么？我的第一个思考就是深度绑定品牌方，要么绑定平台，要么绑定品牌，核心的抓手就是品牌的知识资产。我们也是基于这一思路，推进该办公软件的案例。

当然这个案例中，我们暂时还没有拿出完整的知识资产打造方案，当时客户的核心需求也非常明确，并非做特定搜索指令的曝光，而是想看看 AI 能为品牌带来多少流量。因此我们确定了核心策略：不限定搜索指令、不限定 AI visibility，以流量为核心监测指标，统计 ChatGPT 带 UTM 参数进入品牌官网的用户数量。

我们用 3 个月的时间，通过在品牌官网和 Web 链接上发布 AI 友好型内容，为客户带来了 1 万的 UV，占该品牌官网当月总 UV 的 3% 左右。这个案例发生在 2025 年上半年，当时 AI 为品牌官网带来的流量占比普遍在 1% 左右，我们将其提升至了 3%，实现了流量的有效增长。

在这个案例的推进过程中，我们有几个核心的发现：第一，AI 带来的流量精准度极高，ChatGPT 带 UTM 参数带来的用户，付费率接近 Google ADS 的 2 倍，付费单价也达到了 Google ADS 的 2 倍，按照 Martech 领域的 ROI 计算方式，该部分流量的 ROI 是 Google ADS 的 4 倍多，转化效果非常可观。

但第二点，AI 流量的分散性问题依然突出，想要提升 AI 带来的整体流量，需要围绕数以千计的主题，生产对应的内容。而如此大规模的内容生产，若仅通过 blog 的形式发布，很容易因内容质量低下被判定为重复内容，因此如何在官网上生产足够多的优质内容，成为了核心的行业挑战。

但不可否认的是，只要做好优质内容的生产，AI 流量会为品牌带来极大的增长助力。我们也是通过这个客户，验证了这些核心结论，这也是该案例中最有价值的发现。至于具体的实施细节，很多从业者都有过相关的分享，我主要为大家提供一些差异化的行业思考。

Monica

你刚才提到的这些操作，本质上是不是和做 SEO 的工作内容一致？你认为 GEO 和 SEO 之间的核心差异是什么？

Bennett

作为一名出身 AI 助手产品经理的从业者，我从来没有刻意区分过 SEO 和 GEO，我只关注一个核心点：无论是搜索引擎还是 AI 助手，其给用户的终极考核指标是什么？大模型出现后，拥有了意图理解、记忆、执行、推理等能力，发展到最终，核心还是要解决用户的解决率和满意度问题。

因此只要围绕解决率和满意度做内容，SEO 和 GEO 只是行业规则的不同演进版本而已。只要生产的内容能为品牌带来流量，自然就符合 SEO 和 GEO 的双重规则。因此在我们的整个操作过程中，几乎不会去研究 SEO 和 GEO 的具体规则，核心是基于大模型驱动的逻辑，思考此前做预训练大模型时，使用的是什么样的数据打标和去重训练方法来清洗数据。

我们将这套预训练的方法，应用到行业数据的构建中，再将构建好的行业数据做 Web 形态的兼容，打造 Web 权重，这就是我们的核心操作思路。因此我并非传统的 SEO 专家，没有在 SEO 的专业规则上投入过多的精力，而是从第一性原理出发，和团队一起构建知识库，探索什么样的内容结构对 AI 更友好，将此前做 AI 助手的方法论复刻过来进行尝试，这就是我们的核心做法。因此我其实并不特别在意 SEO 和 GEO 的具体规则，只是在实操过程中，发现并总结了一些流量归因的问题。

Monica

你刚才提到 AI 流量的付费率和付费单价都是 Google ADS 的 2 倍，这里的核心逻辑是什么？是因为 AI 带来的用户更精准，还是用户质量更高？

Bennett

核心原因就是 AI 带来的用户足够精准。我也是近期做品牌增长后，接触到了很多营销领域的前辈，从他们身上学到了很多营销概念。此前做互联网产品时，我大概了解阿里推出的 AIPL，以及当下字节推出的 5A 人群模型，这些模型的核心架构基本一致，都是梳理用户从认知到复购的完整链路：认知、兴趣、对比、购买、复购或评价。

大家可以思考一下，移动互联网的出现，对这一链路带来了什么样的冲击？移动互联网本质上是跳过了认知、兴趣、对比这三个环节，很多品牌需要依靠达人的内容植入，完成用户的品牌认知和种草，而品牌的官网或核心阵地，成为了单纯的拔草渠道。

做电商的品牌对此应该深有体会，前期依靠投达人、投广告完成种草，用户进入品牌的独立阵地后，直接进行购买，核心只承担拔草的功能。这一现象的本质，是用户的认知、兴趣、对比环节发生了转移。

那什么是认知环节？核心是用户对产品的 “是什么”“怎么做” 的了解；兴趣环节，则是用户被产品的核心卖点吸引，本质是品牌对核心关键词的抢占；对比环节，则是用户对不同品牌的产品进行比较，核心是 A 品牌与 B 品牌的差异分析。

我们在为该办公软件构建内容时，就是围绕这一用户链路展开的。而 AI 的出现，对这一链路带来了本质的冲击，因为我们能清晰地看到，那些解决率和满意度高的内容，都是专业、复杂的体系化内容。

用户在与 AI 的多轮对话中，会形成一套经典的对话逻辑：先说明自己的需求和遇到的问题，再让 AI 提供解决方案，接着询问该解决方案是否为最优解、能否解决自身问题，再让 AI 推荐多款产品并说明适配原因，最后产生购买的想法。

在这一多轮对话的过程中，AI 帮助用户完成了从认知到种草的全流程，当用户最终通过 AI 提供的链接进入品牌官网时，已经到了最后的拔草环节。因此 AI 流量的转化率更高，核心原因就是流量足够精准，且 AI 已经为用户完成了前期的意图植入。

我自己近期也有这样的体验，我们创业过程中需要打造很多工程体系，比如爬虫知识库，此前都是由几百人的团队配合完成，现在需要自己从头搭建，我就会向 Gemini 和 ChatGPT 咨询，寻找优质的供应商。测试后发现，AI 推荐的供应商质量都非常不错，能为我们提供大量的优质内容。

反观这一过程，能发现 AI 对哪些主体的冲击最大？除了品牌方，KOL 也会受到极大的冲击。我在做 AI 助手后台时就发现，医美、医疗等内容缺失的领域，AI 会扮演更重要的角色，因为 AI 能为用户提供完整的推理逻辑链，这一能力会对传统的 KOL 种草模式带来巨大的影响。

回到问题本身，AI 流量转化率高的原因，一是 AI 对用户意图的识别足够精准，解决了流量分散的问题；二是 AI 帮助用户完成了从认知构建到种草再到拔草的全链路，大幅缩短了用户的决策链路。用户在被 AI PPT 相关的问题折磨许久后，向 ChatGPT 咨询解决方案，ChatGPT 为其推荐该办公软件，用户进入官网后会直接下单，甚至会购买季度卡，核心原因就是 AI 已经为用户讲清了产品的适配性和核心优势。

我在内部分享时，也曾讲过这样的行业趋势：未来的 AI 助手，会直接完成服务的闭环，无需第三方服务方，AI 助手本身就是电商入口，用户的所有购买行为都能在 AI 助手中完成。未来的软件商店、APP store，都会在 AI 助手中实现闭环，而这个办公软件的案例，就是这一逻辑的有效验证，这也是 AI 流量足够精准的核心原因。

Monica

站在用户的角度，我在使用 AI 时，让其推荐产品后会刻意挑战、反问 AI，这时候 AI 为了讨好我往往会更换推荐答案。这一点和 KOL 的逻辑完全不同，KOL 的推荐目的性很强，会坚定地捍卫某一产品，而 AI 的核心是满足用户的使用满意度，会不断调整答案。你认为这一现象是否存在一定的风险？比如 AI 原本推荐 A 产品，用户反问后，AI 又推荐 B 产品，会影响品牌的流量和转化。

Bennett

这一现象的核心，还是 AI 的解决率和满意度驱动，而其背后的风险，取决于用户对 AI 的认知程度和信任程度。对于高阶用户而言，清楚地知道 AI 存在幻觉问题，因此会通过挑战、反问的方式，推动 AI 提供更精准的答案，这一过程我们称之为用 Token 换效果，用户不断地追问，AI 就会不断地优化内容。

但这一过程也反映出，AI 要想实现较高的解决率和满意度，需要满足两个核心条件：第一，AI 足够了解用户，拥有足够多的用户记忆；第二，AI 获取的信息足够精准，能为用户提供优质的解决方案。前者受 GEO 的影响，后者则受用户与 AI 的交互时间、记忆上下文的影响，两者需要相互配合，才能提升 AI 的服务能力。

对于对 AI 有深入认知的高阶用户，会通过消耗 Token 的方式，获得更好的服务效果；但对于大部分普通用户而言，AI 已经能为其提供快速找到精准信息的方案，即便 AI 会更换推荐答案，普通用户也会快速形成种草决策，因为其对 AI 的信任度足够高。只有当用户被 AI 的虚假信息误导后，才会开始反复追问、鞭策 AI，而 AI 本身也在不断的迭代和进步中。

这就像行业的鸿沟理论，越懂得如何使用 AI 的用户，越会通过消耗 Token 获得更好的结果；而对于大部分普通用户而言，AI 的体验已经远超传统的信息获取方式，因为这些用户此前很容易被 KOL 或虚假信息误导，而 AI 能为其提供更优质的信息，让其迈过信息获取的鸿沟，这是第一点。

第二点，用户记忆在 AI 推荐中起到了至关重要的作用。大家可以思考一个问题，如果 AI 先向用户推荐了某一品牌，用户使用后没有产生负面反馈，那么 AI 在后续的推荐中，会认为此前的服务实现了较高的解决率和满意度，会持续向用户推荐该品牌及相关产品，这一现象非常关键，本质上是 AI 时代的流量风口抢占，先发优势会非常明显。

当下已经有一些品牌开始利用这一规则做运营，比如在官网上添加按钮，引导用户 “向 ChatGPT 咨询关于本网站的所有问题”，用户点击后，会带着特定的搜索指令进入 ChatGPT，对 ChatGPT 形成强约束，使其必须优先检索该品牌的官网内容。而用户的这一操作，会在 ChatGPT 中留下记忆，后续 AI 会持续向该用户推荐该品牌的相关内容。我当时看到这一操作时，就发现已经有很多品牌开始利用 AI 的记忆规则做增长了。

AI 本身也在不断的进化和优化，而从用户的角度来看，当下的互联网内容已经让人难以分辨真假。我作为一名男性用户，喜欢在小红书上看汽车和数码类的内容，但各类 KOL 的评价褒贬不一，根本无法判断产品的真实情况。比如 2026 年的电影《飞驰人生 3》，大家的评价都很差，我便选择去看《镖人》，但看完后发现并没有大家说的那么好，这就让我陷入了内容分辨的困境。

在这样的背景下，用户向 AI 咨询时，对 AI 的信任度会远高于 KOL。对于大部分普通用户而言，AI 能基于大众的客观事实进行推理，为其提供一个看起来更优质的选项，这就已经足够了。因此我们无法抵挡 AI 的发展趋势，大部分用户会直接感受到 AI 带来的体验提升，且一旦 AI 在用户心中植入了品牌记忆，对最先被植入记忆的品牌而言，会形成巨大的先发优势，起码在未来一段时间内，该用户会成为品牌的潜在客户。

当品牌进入用户的复购环节时，AI 会顺着此前的推荐逻辑，持续向用户推荐该品牌，除非用户对品牌产生了不满意的体验，才会寻找新的品牌。而从 5A 人群的转化逻辑来看，品牌只要完成了前四个环节，后续的复购就取决于产品本身的硬实力。对于品牌的营销和增长而言，前四个环节的完成，已经意味着成功，这一点大家一定要引起重视，因为这是 AI 时代全新的品牌增长模式。

Monica

你提到了需要面对海量的搜索指令，那在 GEO 的运营中，品牌需要生产多少内容，才能实现从量变到质变的突破？

Bennett

关于内容的量级，其实没有固定的标准，不同的行业有不同的需求，核心是通过测试找到适合自身品牌的内容量级。我可以为大家分享一套实操方法，这也是我们团队一直在用的。做 SEO 和 GEO 的从业者，应该都知道落地页的概念，我此前对这些营销概念并不了解，都是通过自身的推理和认知，总结出了类似的方法，后续才发现这就是营销领域的落地页策略。

我们的核心思路是：先构建品牌的知识库，基于知识库猜测用户可能会提出的问题，生成对应的搜索指令，再围绕这些搜索指令生产内容。通过数据监测，判断哪些内容能带来 AI 流量，哪些内容能带来自然流量，以流量为目标，以内容为结果，通过结果反推内容生产的形式，这就是我们的核心逻辑。

而这一逻辑的前提，是品牌拥有优质的核心内容，如果品牌没有任何优质的、时效性强的、绝对正确的内容做索引，那么后续的内容生产就会陷入 GEO 投毒的误区，这是非常致命的。因此前期的核心内容打造一定要做重，中间通过测试不断优化，最终找到能为品牌带来流量的优质内容，这才是真正的行业机会。

对于品牌方而言，不要奢望平台会将搜索数据开放出来，平台最终一定会将这些数据转化为销售工具，实现商业变现。因此品牌方该如何做？核心是将自身最优质的内容，按照 “品牌有什么” 和 “用户需要什么” 两个维度展开。

“品牌有什么” 即品牌的各类功能，功能 A、功能 B、功能 C 等，将这些功能作为主题词，围绕主题词生成对应的搜索指令，再将这些内容打造成相互链接的结构，这就是我所说的落地页，在营销领域被称为 hub spoke，即一个中心页搭配多个落地页，形成内容矩阵。

搜索引擎的核心考核维度就是时效性、权重、文本相关性，只要我们围绕通用的搜索指令生产内容，通过落地页的相互链接，就能提升网页的权重，因为搜索引擎会认为相互链接的内容是优质内容，而非单纯通过 blog 发布的零散内容。

我们每生成一篇新的文章，都会将其聚合到核心的落地页中，实现落地页的持续更新，以此满足搜索引擎的三个核心考核维度。实操后发现，这一方法的效果非常显著，ChatGPT 的爬虫对这些落地页的访问量占比能达到 80% 以上，说明这些内容对 AI 非常友好，而普通网站的 AI 爬虫访问量占比平均不到 10%。

通过这一方法，品牌的 SEO 和 GEO 效果都能得到有效提升，因此我始终认为，SEO 和 GEO 在本质上是相通的，核心都是从知识到流量的转化，只要内容能为品牌带来流量，就说明内容符合行业规则。

我在和很多品牌的营销团队沟通时发现，大部分营销团队都不理解什么是知识资产，这是非常可怕的一件事。我会问他们，品牌能带来流量的优质内容是什么？多数团队都无法给出答案，这说明他们根本没有关注过内容和流量之间的关联。

因此我们为品牌提供的解决方案，核心分为四个步骤：第一，为品牌做知识的爬取和管理，搭建专属的知识库；第二，基于知识库为品牌生成内容，并进行流量测试；第三，将测试成功的内容进行聚合，持续提升内容的权重；第四，持续诊断品牌与竞争对手在主题词上的资产数量和质量差异，为品牌提供持续的内容构建建议。

我们围绕这四个步骤，打造了四个核心的 agent 工具，实操效果非常不错。这套方法在某种程度上对 GEO 有效，但我们发现谷歌给的曝光量会更高，能直接将品牌的内容推到较高的搜索排名。因此在我看来，SEO 和 GEO 就是一回事，核心都是从知识到流量的转化，只要内容能带来流量，就说明符合所有的行业规则。

因此对于那些反复询问 SEO 和 GEO 具体规则的从业者，我其实无法给出具体的答案，但如果是聊从知识到流量的转化，我建议大家一定要坚持生产优质内容，通过测试找到适合自身的内容方向，然后持续深挖，这就是品牌增长的核心秘诀。

Monica

在实际操作中，优质资产的定义是什么？有没有具体的评判标准或检验标准？