AI 时代的注意力困境与核心命门
如果你没有被 AI 推荐，你可能未来就不会有任何的流量。在当前的技术环境下，即使你让 AI 一天去写 100 篇文章，它都能全部给你写出来。然而，当所有人都针对算法和工具进行优化的时候，就等于没有任何人真正占到了优化的便宜，结果反而是所有人更难抢到那一点点可怜的用户注意力了。
这也导致 Marketing 的成本正在变得越来越高。在以往的互联网生态里，可能还存在一些相对简单、不需要花什么钱就能非常 Viral（病毒式传播）的玩法与机会。未来虽然可能也还会有类似的机会，但是这样的窗口和空间必定会越来越少。
伴随着底层模型变得越来越强大，我们人类在执行环节参与的比例可能会越来越少。但是，如果我们最终完全不参与的时候，我们个体的核心价值究竟在哪里？你必须拥有真正的创意，不能仅仅停留在简单的复制层面，因为在今天，纯粹的复制本身已经彻底没有价值了。
即使 AI 能够把你做出的内容拷贝出去，它所拷贝的归根结底也是你的基因。打个比方，即使 AI 能够去拷贝宫崎骏的作品风格，那也依然是宫崎骏本人的艺术基因，AI 自身并没有办法凭空造出一个全新的宫崎骏来。只要你自身拥有非常强烈的个人风格，你的内容一发布出去，即使别人拿去复制，在本质上也只是在帮你做二次传播而已。
如果你真正要去服务一个具体的客户，在这整个服务链路里面，有很大一部分能力是仍然没有办法被 AI 替代的，那就是提供情绪价值。社群所带来的这种真实感，在 AI 时代是完全不可被替代的，而且它在当下很有可能是最被严重低估的一项资产。AI 能够处理海量信息与生成任务，但它唯一做不到的，就是如何把一个个活生生的人真正连接起来。
在这样的环境下，你可能并不需要去获得特别多人的广泛认可，你只需要想办法拿到 1000 个铁杆粉丝对你的深度认可，那么其实也就完全足够了。然而现实的另一面在于，即便你写出了一个非常 Unique（独一无二）的好东西，如果你根本没有办法突破算法对你的层层封锁，不管你写的内容本身有多么优秀，它最终也只能是不见天日的，根本没有任何人能够发现你的存在。因此，摆在当前所有人面前的一个核心命门，就是你究竟该如何被 AI 记住。
嘉宾介绍：从 Evernote、跨境电商到 ZMO 的流量探索
欢迎回到新一期的 Indigo Talk。这一期我们邀请到了我的邻居。虽然说是邻居，其实物理距离离得还挺远的，我在温哥华，他在 Richmond（列治文），但在大温哥华地区算得上是彼此照应的邻居了。我平时习惯叫他 Roger，不过他自己自称大罗，不是老罗，是大罗。
大罗是我认识的所有朋友里面，在 Digital Marketing（数字营销）和 SEO（搜索引擎优化）领域当之无愧的绝对专家。在去年的时候，我曾经和他的另外两个合伙人聊过天，他们来自 HashMatrix 团队，同样是一个深耕数字化营销的专业团队。大罗在团队内部主要负责 SEO 以及类似的搜索优化业务板块。我自己也从大罗这里系统地学到了很多关于数字营销的前沿知识。
在正式展开深入探讨前，先由大罗向大家做个自我介绍：
很高兴能够来到 Indigo 的节目做客。其实我和 Indigo 很早之前就曾经有幸在同一栋大楼里工作过很长一段时间。那个时候我在印象笔记（Evernote）工作，Indigo 当时在微博，我们同在理想国际大厦，彼此在楼里可能也打过几次照面。
后来我从印象笔记离职，之后就开始加入创业公司，当时觉得创业公司的节奏和环境非常有意思。我正式开始自己独立创业是在 2017 年。当时我离开北京回到加拿大，因为我之前早年本身也是在加拿大上学。2017 年刚回加拿大那会儿，一开始其实也不知道具体该做什么方向，后来想了想，不然就做跨境电商吧。
于是我从 2017 年开始做跨境电商，连续做了几年，当时我们在 Home Kitchen（家居厨房）类目还做出了几个头部的畅销爆款产品，整体业绩还算不错。但与此同时，我们当时还有一个比较大的核心类目是做女装。在做女装的过程中，我们很快就遭遇了一个非常巨大的行业挑战——商品拍照片实在太难搞了。不仅拍摄成本极高，花销很大，而且每次上新都必须雇佣专业模特（Model）、租用专业摄影棚（Studio）。
到了 2019 年的时候，我就开始琢磨：如果能有一个 AI 工具，可以直接把衣服图片自然地套在虚拟模特身上，那我岂不是就彻底不用去找模特、不用去找摄影 Studio 了吗？那是 2019 年，时间节点非常早。当时我和另外几个合伙人一起正式启动了这个项目，产品名字就叫 ZMO。
ZMO 在创立后拿到了大概千万美元级别的融资。在项目推进的一开始，我们的用户增长速度非常迅猛。因为在那个时间节点，市场上真正做面向实际场景的 AI 产品的团队非常少。而在 ZMO 早期飞速增长的过程中，最主要的用户来源渠道就是 SEO。在那个时期，诸如“AI Image Generator”以及“AI Model”等核心行业关键词，我们在搜索结果里全都是稳稳排在第一名的。
老实说，在那个项目之前，我虽然稍微了解过一些 SEO 的基础概念，但并没有真正深入地去钻研过。恰恰是在操盘 ZMO 的那段期间，我彻底对 SEO 所能够带来的巨大用户增长，有了极其深刻、非常一线的真实体感，那种自然搜索流量的爆发力极其强劲。
后来 ZMO 这个项目逐渐做了一些业务转型。而在整个过程中，圈内有非常多的朋友陆续跑过来问我：“当时你们那个项目到底是怎么做起来的？怎么能拿到这么大体量的真实用户的？”我就一次次跟他们深度分享 SEO 具体的打法与实操细节。随着来咨询的人越来越多，几乎每天都有人来找我请教，我心里就想：既然行业里存在如此强烈的真实需求，那我不如专门做一套出海增长服务。
刚好在那个时候，我又碰到了另外一波合伙人朋友——也就是现在我们 HashMatrix 的另外两位核心合伙人小庞和 Jenny。他们两位此前也都来做客过 Indigo 的节目。大家坐在一起一拍即合，正式创办了 HashMatrix。HashMatrix 的核心业务就是专门面向需要出海的产品和商业项目，帮助他们在海外市场系统性地获取流量与客户。我在这其中主要负责 Organic Traffic（自然有机流量）与搜索营销这块大盘业务。
在 ChatGPT 刚刚爆发的那段时间，海外很多机构统计全球热门 AI 应用，ZMO 就经常名列前茅，甚至直接入选了 a16z 发布的 Top 50 AIGC 热门产品榜单。当时整个产品的流量曲线拉得非常漂亮，其中极其关键的一个驱动力，就是抓住了精准的 SEO 策略。从时间线上看，2019 年初切入这个方向的时机非常好，后面叠加了疫情暴发，海外电商迎来了极快的高速渗透。在疫情期间，线下模特拍片和搭建棚拍非常不便，行业对于 AI 快速生成模特上身图的需求被瞬间放大，ZMO 可以说是踩中了第一波红利。
AI 赋能营销：多平台内容分发提效与“结构洞”
随着 AI 模型能力呈现指数级爆发，围绕“AI 做营销”这个命题正在产生深刻的变化。这里面包含两层维度：一方面，今天寻求营销增长的公司本身很多就是 AI 公司，形成了用 AI 营销 AI 产品的局面；另一方面，则是传统行业与各类出海团队正在全面使用 AI 工具重构自己的营销流程。身处这个行业的最前线，究竟该如何看待 AI 在营销链路中的实际作用、提效幅度与边界？
坦白讲，营销是一个极其庞大且复杂的宏观话题。在整个营销大盘之下，细分下来大概能拆解出上百个具体的、能够持续 Niche Down 的操作分支与获客渠道。我们团队在业务中主要聚焦在四个核心业务方向：
- Search Marketing（搜索营销）：即 SEO，涵盖自然有机搜索流量的获取与规则适配。
- Paid Marketing（付费广告营销）：主要包括头部广告流量平台，比如 Google Ads、Meta Facebook Ads 等竞价采量渠道。
- Social Media（社交媒体运营）：涵盖品牌自主在社媒渠道的内容生产、矩阵搭建与日常用户运营。
- Influencer Marketing（红人营销）：即国内常说的 KOL 推广，通过链接各领域的 Influencer 进行品牌背书与内容分发。
在上述这些模块中，能够深度接入并应用 AI 的环节非常多。但是经过我们长期的实战落地验证，我们发现目前阶段 AI 真正能够带来质的飞跃、产生实打实提效的地方，主要还是集中在那些重复性高、标准化程度高、处理流程相对繁杂的工作链条上。
举一个非常典型的实际操作案例：在以往的营销作业中，我们制作了一篇高质量的核心长内容（Long Form Content）。为了最大化这篇内容的商业价值，我们往往需要先把这篇长内容改写并制作成视频；制作出长视频之后，还需要由剪辑人员把视频切片，剪成一段段大约 60 秒左右的高信息密度短视频片段；视频切片做完之后，还要根据各个不同文字平台的排版调性，提取并改写出适合分发的短文案；接着，运营团队还要把这些物料逐一分发到各大社交网络平台上，比如 Instagram、Meta、TikTok，甚至根据不同受众群体的定位，还要全面覆盖诸如 Pinterest、较为上古的 Tumblr，以及近几年流量极其火爆、讨论度极高的 Reddit 和 Quora 等社区。在这些平台上，都必须针对每个社区独特的语言风格去做专门的定制化内容。
在 AI 出现之前，要走完这样一套完整的跨平台分发链路，需要消耗大量的人力与工时。纯靠人工来做，不仅整体产出速度慢，最终的执行效果往往也难尽如人意。从最初一篇深度内容成型，到最终彻底调整完毕并分发至所有平台，整个周期往往要拖延两到三周左右。这当中固然包含团队内部的内容审批（Approval）流程，但单纯是针对各个平台去切割、重新组织文本与调整音视频格式，单靠一个人是极其痛苦且很难保质保量完成的。更重要的是，严格意义上来讲，不同的社交平台对于内容是有着截然不同的分发倾向与受众偏好的，你在发布时必须针对目标平台的特点做定制化适配（Customization），这些琐碎的工序在以往极度耗费精力。
而现在，我们团队通过搭建并训练专属的内部 AI Workflow（AI 工作流），可以在 5 到 10 分钟之内，自动化完成全套的长内容切片、跨平台文案改写与格式适配工作。这种效率的飞跃，在过去完全是不可想象的。
总结起来，AI 展现出的第一个显著提效点，就是针对多平台的重复性工作，能够自动化进行内容的裁剪与重构，并根据不同平台的听众或受众画像，一键生成不同定位的分发内容。
以经常使用的社交平台为例：X（Twitter）与 Instagram 的受众群体和内容偏好是完全不同的。同一个美妆话题，或者拍一条日常的生活方式（Lifestyle）视频，直接发到 X 上面，大概率根本就没有人看；但如果文案和视觉聚焦在特定风格，或者本身有高颜值形象加持，在 X 上又可能会获得极佳的数据。X 上原本女性向博主相对较少，这种由于平台受众差异和信息差所形成的空间，在社会学和商业分析中被称为“结构洞”。如果要去寻找类似 OnlyFans 或是特定垂直内容的引流洼地，X 往往是一个巨好、极具转化潜力的位置。对于任何想要做好 Marketing 的人而言，核心逻辑都是相通的——敏锐地发现不同平台之间的结构洞与信息剪刀差，增长就会变得顺理成章。
从零创作的瓶颈：模型调性、“人味”与 Harness 引导
在看清了 AI 极其擅长提效的重复性流程后，反过来审视：在整个营销链条中，目前有哪些事情是 AI 依然做不好的？
客观来讲，随着底层模型能力的快速迭代，AI 做不好的事情其实呈现出越来越少的趋势。在早期阶段，即便是最基础的日常内容生成，AI 吐出来的初稿通常也需要人工进行大刀阔斧的修改。但到了现在，只要你能够针对性地精细调优 Prompt（提示词），配合最新一代的高阶大模型——比如 Claude Opus 4.6，其对文本细腻度与语言质感的把控，已经达到了相当惊人的水准，在许多场景下几乎已经可以做到不需要过多人工介入、直接拿来使用的程度。
不过，不同模型版本之间的表现也存在着微妙的差异。例如在实际体验中，Opus 4.6 在文字的文学性与自然语感上表现得非常出色，而到了 4.7 版本，或许是因为官方针对 Agentic（智能体架构）和编码能力（Coding）进行了极其强烈的底层优化，整体风格变得更加注重效率与程序化（Programmatic），表达更加紧凑压缩，反而少了一点细腻的人类情绪感，用起来显得“人味少了”，带有些许机械感。近期行业内关于 4.8 版本的传闻也已经出现，大家都在拭目以待新版本是否会进一步强化程序化效率，还是会找回更多的人味。
在当下的技术现实下，AI 面临的最大短板究竟是什么？答案就是：如果你需要让 AI 从零“无中生有”，它的表现依然非常挣扎。
如果原本已经存在既有的素材、事实或逻辑骨架，只是让 AI 基于现成的内容去做润色、优化、扩展或结构性调整，它通常能完成得极其出色。但如果你让它基于一个极度抽象、空泛的概念，凭空去写出一篇能够引发全网疯传的爆款内容（Viral Content），或者让它自主构思极具吸睛力与高互动性（Engaging）的创意方案，其难度就会非常大。至少在目前为止，在纯粹的原创创意爆发力，以及能够精准击中大众情绪、具备高爆发病毒式传播潜力的内容生产上，几乎看不到 AI 能够独立完成得非常好的案例。相反，只要业务场景具备明确的起点、明确的终点，中间各个流程节点被清晰拆解为具体的优化指令（Instruction），AI 的执行表现就会极其惊艳。
对于文案把控而言，读者在阅读文字内容时是非常挑剔的。一段文字究竟是不是 AI 生成的，有经验的读者往往一眼就能识别出那股浓厚的模型腔调。如果人类想要借助 AI 从零开始 Craft（精心打磨）出一篇高质量的内容，就必须由人来提供强有力的结构、清晰的 Guideline（指导方针），以及足够充沛且高质量的 Reference（参考资料）。
在实际操作中，准备一期播客话题的讨论框架时，往往会把嘉宾的课程大纲、详细简历背景以及核心提问清单一股脑喂给 Claude，让模型在此基础上进行深度的 Remix（重组混搭），这样模型往往能吐出令人眼前一亮的框架；但如果直接丢给它一句空洞的要求，让它凭空生成一份全新大纲，它生成出的东西往往非常平庸。
在 HashMatrix 的实际内容生产流程中，要让 AI 产出高质量的文本，必须重点做好两项核心工作：
- 提供极其充分的上下文（Context）：必须向 AI 极其清晰地界定它当前所承担任务的完整全貌——整件事情的框架是什么、核心背景是什么、哪些信息是不可动摇的重中之重、哪些信息属于次要辅助信息。大语言模型在没有严密约束的情况下极易产生发散与幻觉，如果不给足高密度的背景上下文，AI 的输出很容易跑偏和胡言乱语。
- 构建精细的 Harness（控制框架与约束）：现在 AI 圈内广泛讨论 Harness 机制，在营销层面的内容生产中，Harness 同样起着生死攸关的作用。你必须明确界定并告知 AI：什么是好的内容，什么是不好的内容。绝对不能只是宽泛地对它下指令说“请帮我生成一篇非常爆款的文章”，AI 本身根本无法理解人类语境下的爆款到底由什么构成。你必须通过具体的 Harness 规则告诉它：这篇文章的目标语言风格是什么、Title（标题）应该依照什么逻辑去起、整体框架应该如何层层展开、各个 Headings（小标题）之间的递进逻辑是什么、段落之间的承上启下该如何过渡，甚至要明确列出你希望它采用的特定表达模式与句式结构，说明哪些写作习惯更容易拉升用户的 Engagement（参与度），并且必须搭配具体的优秀案例进行示范（Few-shot）。
只要把充足的 Reference 与严密的 Harness 给足，AI 生成内容的质量就会产生质的跃升。与人类相比，AI 最大的先天优势在于极快的吞吐速度与并发展开能力。面对大量零散的信息参考，AI 能够快速触达每一个事实微粒，并在极短时间内将它们串联重组成逻辑连贯的文本。在实际使用中，通常不要指望一次生成就能完美交付，最合理的做法是让 AI 针对同一套上下文并行生成三到五版不同的方案，人工再从中挑选并融合出一份最优解。
总结这一阶段的共识：对于 SOP（标准作业程序）清晰、具备既有输入的重复性任务，AI 的执行效率无可挑剔；但对于从零开始的顶层创意组合，AI 依然无法做到自主把控，必须由人类深度参与引导。尽管未来伴随模型进化，人类参与的比例可能会被进一步压缩，但这直接引向了下一个更为根本的问题：未来的营销生态与流量分发机制，究竟在发生怎样的质变？
流量范式转移：从搜索、广告到 AI 推荐
回顾互联网商业的演进，传统的数字营销渠道主要依托几大支柱：第一是传统搜索引擎（如 Google 搜索）；第二是广告体系，包括 Google AdSense 等搜索广告，以及 Meta、微博等社交平台的 Feed 消息流竞价广告；第三是依托人际传播的 KOL 红人营销。在这些传统模式中，要么是依赖算法在消息流中根据用户画像进行内容推荐，要么是依托真人博主进行信任背书与商品带货。
但在当前的 AI 浪潮下，一种全新的流量格局正在彻底成型：越来越多用户的日常在线时长，正在被大模型的对话聊天窗口全方位占据。用户获取消费决策和信息的方式发生了颠覆性的转变。例如，用户想在温哥华买一把合适的电动牙刷，或者挑选一台高性价比的新款家用投影仪，他们不再去 Google 上翻看评测网页，而是直接向 ChatGPT、Claude 或是国产大模型提问；当模型直接给出明确的品牌推荐（比如极米投影仪）并列出理由后，用户随即下单，上午付完款，下午商品就已经配送到家。
面对这种不可逆的结构性巨变，出海营销与品牌增长所面临的核心机会与挑战究竟是什么？
目前整个营销与科技行业对此唯一的底层共识是：AI 的直接推荐，在未来必将成为最核心、最不可忽视的绝对主流流量渠道，这一点已经没有任何人怀疑。 随着时间的推移，大众通过各类 AI 对话界面直接获取最终答案的行为习惯只会越来越普遍。无论最终占据主导地位的是 Google Gemini、Anthropic Claude、OpenAI ChatGPT，还是国内的豆包、DeepSeek，AI 对话与总结界面在未来大概率会逐步占领并吞噬几乎所有的第一级流量入口。以往那些传统的流量入口，如果自身不迅速推进深度的 AI 化重构，最终必然面临被边缘化甚至彻底淘汰的命运。
事实上，大众在日常的数字生活中已经能够极其直观地感受到这种剧烈的转向：
- Google：迅速在全网推行了“AI Overview”功能。如今用户在 Google 搜索框输入任何查询，首屏顶部呈现的不再是十条传统的蓝色网页链接，而是由 AI 自动整合归纳出的综合答案。此外，Google 还在持续推进更深度的“AI Mode”，用户一旦点击深入交互，整个搜索界面便直接转变为一个完全沉浸式的 AI 对话窗口。
- 社交与内容平台：无论是 TikTok、Facebook、Instagram，还是海外以讨论密集著称的社区巨头 Reddit，甚至是问答社区 Quora，几乎所有拥有巨大流量盘子的传统入口，都在全面转向这一全新架构。当用户发起搜索时，系统第一屏呈现给你的核心结果，全部正在被 AI 自动生成的总结所取代。TikTok 尽管尚未对全量 Query（搜索词）开放，但在高频搜索场景下，AI 总结的覆盖率正在急剧攀升；国内的小红书以及各类内容平台也都在紧锣密鼓地跟进这一产品逻辑。
虽然物理意义上的各大应用入口可能依然存在，但 AI 已经作为底座全面入侵并重塑了这些入口。这种形态的转变，对于任何品牌方或营销操盘手而言，直接带来了一个生死攸关的课题：如何才能让 AI 在给用户提供决策答案时，真正、主动地推荐你的品牌与产品？
在传统的搜索引擎时代，品牌争夺曝光的缓冲空间相对较大。用户在 Google 上进行搜索，通常还会耐心地翻看前一到两页的搜索结果列表，点击进入几个不同的网站，自行比对和总结信息；但是在 AI 总结与推荐的全新交互界面下，AI 给出的最终推荐位是极其有限且极为收敛的。模型通常只会在输出的综合回答里，直接罗列 3 到 5 个最为精准的 Recommendation（推荐选项），交互便宣告结束。用户后续的一切动作，都只会围绕 AI 筛选出的这三到五个品牌继续向下 Drill Down（深入追问）并做购买决策。如果你的产品未能在第一轮就挤进这区区三到五个推荐名额之内，就意味着你在 AI 时代将彻底失去曝光。用一句最直白的话来概括当下的行业现实：如果你没有被 AI 推荐，你未来可能就不会拥有任何流量。
被 AI 记住的两条路径：Training Data 与 RAG 机制
这直接引出了那个最底层的商业命题：一个产品或品牌，究竟该如何被 AI 记住？
以开发者领域的 Claude Code 为例，当工程师要求 Claude Code 推荐一套适合当前业务架构的数据库方案、云端 API 服务或开源组件时，模型往往会在第一时间默认推荐特定的知名系统。模型之所以会做出这种极其笃定的选择，一方面是因为该产品对大模型极为友好，其 API 文档结构清晰易读、易于被 Agent 调用解析；另一方面，则是因为该项目在 GitHub 等人类技术社区中拥有极高的人气热度、Star 数量以及大量的代码引用样本。当大模型在进行基于代码库的预训练和强化学习时，在海量的开源代码中高频接触、验证并连接了某个项目，模型在面对相似任务时，自然就会将其作为首选方案涌现出来。这种现象就像学术界发表论文一样，某篇成果被行业顶尖专家引用的频次越高，模型对它的权威度认知就越牢固。对于极客和技术开发者而言，将开源产品做到极致、文档写得极其规范清晰，是让自身被模型作为底层资产吸纳的有效路径。
但在商业消费品领域，在普通用户买东西、选服务的更广泛场景下，品牌究竟该如何被 AI 记住并推荐？甚至此前市场上还一度出现过针对豆包等国内大模型的“SEO 投毒”事件，央视 315 晚会对此类黑产曝光后，反而在客观上让更多商家意识到：原来大模型的生成内容真的能够被外部信息所干预，反而催生了更多人去研究如何影响 AI 输出。
拨开表面乱象，深入剖析大模型进行信息推荐的底层机制。尽管各大模型的推荐逻辑仍在经历极其快速的技术演进，但从底层的驱动信息来源进行拆解，AI 做出推荐主要依托两大核心路径：
路径一：模型的 Training Data（预训练数据）
这是最原生的一种推荐方式。大模型在当前版本的预训练阶段，其吞吐和学习的海量数据语料库中本身包含了什么，它在后续推理时就会天然带有相应的概念连接。如果你的品牌信息在模型训练阶段就已经广泛存在于各大高质量权威数据源中，模型内部的神经元权重自然会为你建立强大的关联先验。
但是从商业实操的角度来看，中小品牌或常规商业项目几乎没有任何手段能够主动干预底层模型的 Training Data。除非你的品牌本身就已经建立起了享誉全球的极高知名度，或者在开源社区和公开网络上拥有铺天盖地的高质量历史存量数据，否则普通产品很难通过这个路径直接切入。
路径二：RAG（检索增强生成）与实时搜索机制
在绝大多数商业搜索与即时消费场景下，真正起决定性作用的是第二条路径——即行内所称的 RAG（Retrieval-Augmented Generation）机制。
当用户向 AI 提出的问题超出了模型本身的知识库范围，或者涉及到高度时效性、强地域性的信息时，AI 也会执行一项和人类完全一样的操作：它会调用外部搜索引擎去进行全网搜索。
在底层的搜索调用上，AI 依赖的核心基础设施依然是主流搜索引擎：OpenAI 的体系会去调用 Bing 以及 Google，Google 自身的 AI 体系则深度绑定 Google 搜索生态。然而，AI 搜索与人类普通搜索之间存在着极其巨大的本质差异：
- 人类搜索：普通人的搜索能力和精力是非常有限的。例如一个用户想买一辆 500 美元以下的电动自行车，他在 Google 搜索框里通常只会单次输入一个固定的 Query：“What is the best electric bike for under 500 bucks”。
- AI 搜索：当用户向 AI 抛出同样的问题“What is the best electric bike for under 500 bucks”时，AI 的后台执行机制极其强大且复杂。AI 绝不会只去执行一次简单的搜索，它会根据后台所沉淀的当前用户的全维度画像——包括该用户的历史偏好、地理位置（Location）、此前与 AI 聊天的全部上下文记忆，自动将原本单一的搜索请求拆解、重构并裂变为四五个、五六个甚至十几个高度细化的衍生 Query 矩阵。
例如，如果提问者是身处温哥华的 Indigo，AI 会敏锐地识别出购买行为背后所隐含的本地交付（Local Intent）需求，并在后台自动发起一系列并发检索：
What is the best electric bike in Vancouver（适配本地购买意图）What is the best electric bike in 2026（适配当前最新的时间属性）What is the best electric bike around 500 bucks（模糊化价格边界）What is the best electric bike less than a thousand dollars（向上拓展价格带做横向比对）What is the most affordable but reliable electric bike（提炼性价比与耐用度诉求）
AI 会根据它对提问用户的深层理解，在极短时间内自动化地去搜索引擎里批量拉取海量的网页结果，随后在内存中迅速将这些并发抓取到的网页内容进行交叉比对、过滤和重组，提炼出它认为最客观、最权威、最有效的核心事实，最终将其揉合成一段通顺的总结呈现在用户面前。
正因如此，行业内常说的传统 SEO 与新兴的 GEO（Generative Engine Optimization，生成式引擎优化），在底层的核心逻辑上并不存在不可逾越的鸿沟——如果你的网页和品牌内容，在最基础的 Google 和 Bing 搜索引擎里根本做不到被抓取和排名靠前，那么当 AI 在后台执行多路并发检索时，它同样完全检索不到你的存在。能够被底层搜索引擎良好索引并给予高权重，是未来能够被 AI 成功检索并最终推荐给你目标用户的绝对基石。
这种多 Agent 协作的全面检索机制，在最新的独立搜索应用中体现得尤为明显。比如使用 Grok 搜索（例如配备 Grok 4.3 架构的系统）时，用户即便只提了一个简单的即时新闻或舆情问题，并在 Prompt 中要求优先对比 X 平台上的正面与反面观点，系统内部往往会调动四个 Agent 同时并行作业：有的 Agent 专门负责深入检索信源，有的 Agent 负责挖掘多方观点，有的 Agent 负责事实核查（Fact Check），还有的 Agent 专门负责对多轮结果进行严格的交叉验证。相比于人类单薄的单次搜索，AI 驱动的搜索与验证体系要来得更加全面、立体和严密。在这样一个由多个 AI Agent 进行全方位扫描与多角度交叉验证的新生态下，品牌究竟该如何布局自身的内容矩阵，才能在如此严苛的筛选机制中真正脱颖而出，已经成为所有数字化营销从业者必须攻克的全新课题。
AI搜索权重的变化与投毒逻辑的演进
在以前做传统的SEO时，很多人的做法就是写一篇SEO文章说自己很牛，然后天天在网站上发；Google傻傻地随着发布频率增加，慢慢就把这个权重给加上去了。那么大家会关心，这种做法到现在是否还好用？答案是目前其实还是好用的。
不过很多人会担心，万一以后AI Agent越来越强，这种机制会发生什么变化，会对传统的SEO方式产生怎样的影响。目前来看，虽然根据不一定完全准确，但从实际操作的实战经验中可以发现：你的内容出现的频率越高、被提及得越多，在模型中的权重肯定也是越高的。
这就是之前提到的“投毒”常规操作方法。所谓投毒本身，其实就是把一个概念分发到多个平台上去发布。这样AI在检索时，假设它搜到了100个答案，而这100个答案里面有30个都提到了你，那么从频率（Frequency）的角度来看，AI就会认为你这个信息非常重要。这个逻辑在当下依然是一个有效且极其关键的逻辑。
但是，随着越来越多人开始采用这种方法，大部分AI模型也引入了新的机制。模型现在会自动去判断这件事情到底合不合理。在做出判断的过程中，新加入的算法会把更多的权重分配给传统概念中权重更高的平台。比如像CNN、BBC这种相对严肃的新闻媒体平台，它们所提供的信息，其置信度肯定会比一个名不见经传、甚至连流量都没有的小网站说的一句话权重高得多。
因为如果真的要去做所谓投毒，你是很难把内容投到BBC这样的顶级平台上去的。所以随着时间的推移，越来越多的权重会被倾斜到更可信、权重更高的站点和信息来源上。如果你的信息源可信度更高，那么你出现在推荐答案中的机会就会更大。这种趋势在目前的实际表现中已经能够非常明显地观察到了。
与此同时，在一些权重比较高的社交媒体平台里，那些互动率（Engagement）比较高的帖子，其中的信息也会被AI采纳。不过AI在此过程中同样会进行区分和判断：它会去看讨论某件事情的到底只有一个人，还是有很多人都在说。如果很多人都在讨论同一件事情，AI就会赋予它更高的权重。这是AI用来判断事实准确与否的另一种维度。
但坦白讲，截至目前，没有任何一个大语言模型——至少在实际测试中——能真真正正知道什么是真、什么是假，模型本身并没有实质验证真伪的能力。因此从这个角度来看，我们去做GEO（生成式引擎优化/AI搜索优化）依然具备相当大的操作空间。
模型对内容的逻辑判断与局限
对于模型是否具备判断真假的能力，有人分享了自己的个人工作流：比如通过Telegram连接Claude Code，平时阅读文章时经常把内容直接丢给它。有时候Claude会反馈说这篇文章是一篇营销文章，标题和里面的内容并不相符，随后根据已有的思辨上下文，从另一个角度去重新解读。这似乎让人感觉模型已经具备了一点判断真假的能力。
但实际上，模型做出这种判断仅仅是从逻辑层面来分析的，它并不知道事实本身，也无法去真正验证。它只是通过读取文章的结构，发现存在非常明显的冲突——比如一眼就能看出是标题党，标题这样写而内容却是那样展开的，这种逻辑上的矛盾AI相对容易看出来。
换句话说，如果你撰写的文章相对粗制滥造，带有明显强行推荐某样东西且不符合前后逻辑的痕迹，现在的AI确实比较容易识别。但如果你非常谨慎地去构建内容，做得严密且不易察觉，AI依然很容易被蒙蔽过去。现阶段的AI在本质上其实依然是很好骗的。
被低估的增长杠杆：真实社群与品牌提及
当AI时代全面到来，对于市场营销（Marketing）或产品增长而言，大家会思考当前最被低估的能力究竟是什么——究竟是数据优化能力、内容分发能力、品牌本身的价值，还是来自用户社区（Community）的真实反馈？
在实际业务探索中可以发现，随着越来越多人习惯使用AI去搜索，出现了一个极其重要的核心指标：你的产品品牌在不同渠道、不同平台被提及的频率，与它最终能够被AI推荐的可能性之间呈现出高度的正相关。
这其实又重新回到了最传统Marketing的本质：营销的核心目的，就是让你的品牌能够被更多的人知道、被更多的人讨论。如今生产内容已经变得极度廉价和容易，你让AI一天写100篇文章它都能立刻生成出来。但从搜索营销的角度来看，无论是搜索引擎还是AI大语言模型，它们都有能力分辨出哪些是粗制滥造的批量营销内容，哪些才是真真正正有价值的内容。
对AI而言，最底层的判断逻辑在于：一个品牌被提及的频率越密集、覆盖的平台越广泛，在本质（Inherently）上模型就会判定该品牌应该是真实且受到广泛欢迎的。
然而反观现在的营销行业，接触到的很多品牌方和产品团队，大家都过度执着于去做一些极度追求病毒式传播（Viral）的东西，或者研究各种快速起量的战术（Tactic）。很多时候，他们反而没有真正把注意力放在“如何让更多人展开真实讨论”以及“如何做好社区”这件事情上。
在当前的场景下，做社区其实是一件中长期ROI（投资回报率）非常高的事情。因为你很难去伪造一个拥有活人、活跃讨论产品的真实社区，这也正是为什么像Reddit这类平台的权重在AI时代反而越来越高的原因。由真正的活人参与生成的内容，其真实性是非常难以模拟出来的。
如果面临策略的选择，优先投入的方向一定是想办法打造社区，让更多真实的人去讨论你。这直接带来的就是大量的Brand Mention（品牌提及）。无论是在Facebook、Reddit还是Quora等平台，这些由真人产生的内容都会被AI纳入训练数据中。从潜在机会（Potentially）来看，让更多人讨论你，可能是未来让你的品牌信息进入大模型训练数据（Training Data）中极少数有效的方式之一。
在AI时代，这种真实感是不可被替代的，目前也正处于被严重低估的状态。大家都清楚AI能够极速生成具有爆款特征的内容，很多人便一门心思扑在搞内容、做数据、利用AI自动分发上，这些自动化工具确实能跑得飞快。但AI唯一做不到的，就是把真实的人类连接在一起。
当拥有了真实的社区积累后，品牌最终的口碑是由人类直接传播、由人类留下痕迹并在网络中扩散开来的。这些足迹被AI Agent读取并综合分析后，AI便会得出“这个品牌确实不错”的结论，进而向它的使用者做出推荐。因此，在做业务增长时，社群看似最难做、容不得半点虚假，但也最货真价实。如果整天在里面忽悠别人，很快就会彻底翻车。
就像现在很多人看到某个电商产品或概念时，最有效的防坑技巧就是直接问ChatGPT等工具“这是不是智商税”，AI通常能客观详尽地给出解答，基本上可以剔除掉90%具有欺骗性和洗脑性质的内容。
AI Slop泛滥下的注意力困境与品牌声音
如果未来AI大规模应用于营销自动化，所有人都依赖自动化，市场不可避免地会充斥着大量的AI垃圾内容（AI Slop）。在内容生产变得越来越容易的环境下，真正优质的内容，或者说那些制作难度高、难以被工业化复制的东西，反而会变得更加具备稀缺价值。
目前由AI批量生产的内容，普遍严重缺乏“灵魂”。你几乎很难持续稳定地仅仅依靠AI去生产出真正的爆款。即便偶尔通过模仿取得效果，但只要这种内容被各种渠道迅速泛化复制，它本身的传播价值就会瞬间被稀释，因为所有人都在看雷同的东西。
从本质上看，AI在营销场景中被广泛使用本身并不是坏事。它能让大多数人从以往那些枯燥重复（Mundane）的任务和工作流中解脱出来。那些需要机械切分、高度重复的执行环节，AI都可以非常完美地完成替代，人们无需在上面消耗过多精力。
腾出时间的目的，不是为了去制造更多的AI Slop，而是应该去深入思考：你的内容究竟要怎样构思，才能让目标受众（Target Audience）产生真正的兴趣；怎样才能结合自身独特的调性，富有创意地做出来，与外界打出差异化（Differentiation）。
具有差异化的内容反而更容易脱颖而出。因为随着大众每天都被海量的AI Slop轰炸，人脑是极容易被训练出抗体和敏锐嗅觉的。如今直接用纯AI写一篇文章发出去，很多读者一眼就能看出来。不仅人类容易辨识，AI模型在进行搜索和推荐时，同样可以通过大量训练建立筛选机制。
例如Google目前已经在推进的技术布局：使用Gemini生成的所有内容都会嵌入不可去除的数字水印（SynthID Digital Fingerprint）；使用Gemini Nano Banana生成的图片同样带有SynthID。Google只要检测一下，立刻就能确认这是AI生成的图像。虽然目前平台可能还没有全面将这一指标作为内容推荐的核心硬性标准，但随着时间推移，AI生成的内容与纯人工“古法打造”的手工内容之间，必然会出现明确的权重和层级区隔。
这与审美和品味（Taste）密切相关。AI的所谓品味主要来自于模仿，如果一件作品极其容易被AI复制，它很快就会被扩散泛滥，其稀缺度也会瞬间归零，如同失去了稀缺属性的NFT一样毫无意义。过去的盲目模仿已经不再成立，创作者需要持续寻找那些不容易被轻易模仿的特质。即便AI能够强行抓取并拷贝出去，它复制的也是原作者的底层基因——就像无论怎样模仿宫崎骏，复制出来的依旧是宫崎骏的风格印记，AI本身无法凭空造出一个全新的宫崎骏。
因此在生产内容、做Marketing或塑造品牌时，核心是要让你产出的内容更像你自己。极致的品味在洗尽铅华后，最终都会回归到纯粹的自我状态。这类似于艺术家的创作历程：在不同阶段发现自我、找到自我并充分表达自我。每个人都需要通过工具把独有的声音（Voice）和强烈的个人风格表达出来。一旦拥有了极强的辨识度，别人哪怕拿去抄袭复制，在客观上也是在帮你做品牌的扩散与背书。
然而这对AI时代的市场营销人员提出了极其残酷的新挑战——不能再停留在简单的复制套利上，必须具备货真价实的原创创意。因为在过去，复制尚且存在一定的时间成本和应用门槛（App），而现在复制的边际成本几乎完全归零。
展望未来三年的营销格局，一个产品或品牌如果想做好营销，其市场部门的形态和成本结构可能会发生颠覆。首先，品牌必须拥有极具辨识度、别人一眼就能认出的独有声音（Voice）。但与此同时，未来的Marketing整体成本可能会变得越来越昂贵。
过去那些不怎么花钱、单纯靠巧思引发全网病毒式传播的机会，未来虽然还会存在，但概率会断崖式下跌。在全网内容生产成本趋近于零、海量内容充斥的情况下，真正能够在分发系统中持续获得算法推荐和认可的，往往是那些已经在系统内部积累了极高权重、得到既有认可的资产。
这意味着掌握雄厚资本的头部大玩家（Big Players）和成熟品牌会更容易胜出，因为它们拥有长年积累的品牌资产（Brand Equity）。例如一个顶级品牌能够轻松在《福布斯》（Forbes）上拿到专访，而普通初创品牌几乎不可能拿到。《福布斯》本身是一个权威且高权重的平台，登上这类平台后又会进一步撬动其他高权重平台的曝光机会，从而形成强大的正向飞轮。
相比之下，如果缺乏资本、没有足够的预算支持，普通团队在未来想要获取免费曝光和自然流量的机会将变得极其渺茫。即使是做SEO起家的人，也不得不承认未来纯自然流（Organic）的机会将大幅收缩，广告投放反而会成为相对更具确定性、更持续稳定的流量获取渠道。
虽然用户在AI生态和其他新兴平台中依然会保持搜索行为，但在激烈的同质化竞争下，每个人的生产周期都被缩短，用户有限的时间被无休止的信息填满，注意力被空前稀释。如果一个品牌毫无资源储备且不愿投入，想要完全白手起家、不花分文地打造出一个响亮的品牌，难度会呈指数级上升。
反AI路线、线下体验与“结构洞”
在社交平台上——比如浏览X平台时——能明显看到中文圈里涌现出大量千篇一律的营销账号。平台算法也在不断学习如何识别真正的原创与搬运洗稿。
在此背景下，市场中很可能会催生出一种反AI的小众发展路径：主打“纯手工打造”、极具浓烈“人味”的内容路线。这种极致的人工表达势必会获得更高的市场溢价。
这再次印证了真实人际连接的不可替代性。人与人之间的口口相传在AI时代不仅不会消失，反而会变得前所未有的昂贵与宝贵。这也是为什么在所有的获客与传播渠道中，创建真实社群是最具潜力的切入点。
这十分契合凯文·凯利（Kevin Kelly）著名的“1000个铁粉”理论。在未来的AI世界里，你可能根本不需要争取几万甚至几十万大众的泛泛认可，如果能通过人传人的方式，真正赢得1000个核心真人的深度认同，就足以支撑起一个产品或品牌的健康生存。
更为关键的是，随着各种AI Agent充斥在生活与工作之间，人与人的连接中间往往横亘着多层Agent。你的Agent和我的Agent在前方互相进行信息拦截与分发，能直接穿透这层技术屏障与真人发生接触，其价值难以估量。尽管年轻一代的数字原生代在社交习惯上高度数字化——哪怕大家围坐在一起，彼此之间也习惯在手机上的Discord里打字沟通——但屏幕背后依然是真真实实的人类灵魂，而不是在与一个虚拟的Agent交友。
随着技术越来越发达，人类并不会真正转向完全与AI Agent做朋友，反而会产生更加强烈的欲望去与真实的人交流并建立深层联结。这是当前时代发展所释放出的一个极其关键的“结构机会”。
绝不能轻视社群，更不能轻视线下的真实物理世界（IRL, In Real Life）。相比于过往，线下的真实生活体验正在变得更加珍贵。大家越来越渴望去参与一场线下的真实聚会，而不是整天泡在网上面对冰冷的Zoom会议。很多以前极度抗拒线下社交的人，现在也开始高频参与IRL活动。因为在线上环境里，随着多模态AI的飞速演进，过不了几年你甚至无法分辨屏幕那头开会的是真人还是AI Agent。
在线上数字世界中争夺注意力的成本变得高不可攀时，通过社群把人群聚集到线下去建立深度连接，就成为了一个高效捕获注意力的新路径。这是数字时代重新显现的一个“结构洞”。以往大家在数字化浪潮中可能会轻视线下见面的效率，如今才发现线下能够直接绕过所有中间层的AI Agent，让人与人进行百分之百的纯粹信息交互与情感传递。
更奇妙的是，当这些参与者在线下获得了强烈的连接感与满足感之后，他们回到网络世界中，会自发地在Reddit、X、Instagram等平台上发布由真人撰写的帖子，主动提及相关的品牌。这种由真实线下驱动的线上高权重讨论，会被AI Agent抓取并识别为高价值的信任信号，进而迅速反哺并推高品牌在整个AI搜索推荐体系中的权重。
Agency的解构：人机协同体系与专业服务交付模式
当AI自动化营销深入发展，注意力更加昂贵、人的价值更加突出时，未来的Marketing部门乃至外部专业服务机构（Agency）究竟该如何运转？
在实际业务运营中，一种高度成熟的模式是“单兵+Agent军团”的人机协同架构。以具体的Agency团队为例，其团队全年的全职人员规模完全没有增长。作为一家传统意义上高度依赖人力资源的机构，以往每年随着业务扩张都需要大量招募新人，但现在基本不再增加人员编制，甚至优化掉了不必要的冗余岗位，将绝大部分流程化、标准化的事务彻底交给了内部的Agent。
在其内部体系中，搭建了一个名为Gabby的核心Agent。Gabby基于OpenClaw架构构建，团队将过去沉淀的所有成熟工作流（Workflow）完整训练给了她。这并不是单纯配置几个浅层的Skills，由于有大量复杂、容错率极低的任务需要实现100%确定性的精准执行，团队编写了大量的Python底层脚本来进行纯文本及流程处理。在确定性执行层面，底层的代码脚本远比大语言模型本身要可靠得多。
在此架构之上，Gabby能够根据业务需求随时调度不同的功能模块。由于Agency服务的客户数量庞大，每个客户都有各自庞杂的背景上下文（Context），Gabby能够精确掌握每个客户的历史数据与业务全貌。同时，系统还为她接入了极为丰富的外部集成（Integration），包括Google Analytics、Google Search Console以及多种专业的第三方外部工具。这些工具持续不断地向Gabby输送实时数据，支撑她在协助团队做业务分析和策略判断时，完全基于扎实的数据而非主观推测。
此外，每次团队成员与Gabby进行业务沟通，系统都会将交互过程记录并沉淀下来，自动提炼出可以持续优化的环节，随后再将这些经验重新训练固化成新的Skill。这种机制本质上就是当前技术圈非常推崇的自进化智能体（Self-Improvement Agent）模式。
通过这样一套深度定制的Agent系统落地，整个团队的业务吞吐量（Capacity）至少扩大了10倍以上。过去相同规模的人力最多只能同时服务二三十个客户，而在Agent的赋能下，稳定支撑两三百个客户的日常运转完全没有任何压力。
然而，这种产能暴增仅仅停留在“把事情做完”的执行层面。当真正去服务一个付费客户时，核心环节中依然有很大一部分工作是AI完全无法替代的——那就是提供情绪价值、维系与客户之间有温度的深度沟通与人际交流。客户很难接受自己花钱只是面对一个毫无生气的AI程序，大家依然渴望看到真人的面孔；就像用户拨打客服热线时，通常会急切地要求直接转接人工客服，而不愿意一直跟智能语音周旋。
关于Gabby这类强大的Agent系统目前是仅供内部使用还是会直接向客户开放，现阶段依然以内部自用为主，但在未来会考虑打造成可供客户使用的产品化形态。
这背后折射出传统专业服务行业的深层痛点：传统Agency由于人力成本居高不下，客单价通常非常昂贵，动辄收取每月数千甚至数万美元的服务费，导致大量中小企业根本无法承担。很多中小企业需要的只是一些相对基础、完全可以被AI搞定的业务支持，但他们自身缺乏专业Know-How，不知道该如何提示和驱使AI。
如果直接使用通用的通用大模型（General AI，比如直接使用原生的Claude）来做SEO这类专业性极强的业务，往往很难拿到理想结果。这并不是说Claude本身能力不足，而是因为通用大模型是基于全网海量的通用常识（Common Knowledge）训练出来的，它输出的很多方案代表的是行业“平均水平”。
然而，搜索优化从本质上讲是一个零和博弈（Zero-Sum Game）的战场。排名规则决定了只有超越竞争对手、做到行业顶尖才算有效，仅仅做到“平均水平”在商业结果上等同于完全没做。如果所有人都使用通用大模型提供的常规方案去做优化，所有人的内容都会趋同，最终谁也无法获得优势。因此，将行业深层且小众的专属业务经验（Unique Knowledge, Specialized Domain Expertise）沉淀并微调训练到特定领域的AI工具中，这种专用系统的专业价值在短期内绝非通用大模型所能轻易抹平。
这种业务形态与前沿的FDE（前沿部署工程师，Forward Deployed Engineer）模式高度契合。未来更健康的商业形态，或许不再是一个冷冰冰、卖账号的标准化SaaS工具，而是一种新型的“Agent Vendor”（智能体服务商）或新型驻场模式：由极度专业的资深人类团队带着沉淀了深厚Know-How的Agent工具进驻客户现场，帮客户落地解决具体的营销或内部SOP问题。
这种模式不是简单的软件交付，而是“人在边缘，Agent在核心”：由专业的人类顾问与客户高管和业务人员深入沟通，建立信任、收集需求并提供情绪价值。沟通完毕后，专业人员利用高级技术手段将纷繁复杂的信息提炼压缩为专属的精确Context，随后驱动Agent在这些高度对齐的上下文指引下执行极其复杂的专业任务。这样产出的方案，其精准度和质量远超过客户自己使用AI整理出来的半成品。
未来的企业职能很可能会被这样深度解构。无论是市场营销、研发支持，还是法律合规、财务审计等存在一定专业门槛的领域，都会逐渐演化为这种“专业人类+专业Agent”的服务交付模式。因为付费的客户本能上是追求省心省力的，他们更倾向于直接向一个能听懂人话的专业人类交代目标，由这个人类去承担最终的交付责任；至于背后究竟是人手敲出来的，还是由庞大的AI Agent军团自动生成的，客户并不真正关心，客户唯一买单的，是那个确定且高质量的最终业务结果。
各种Agency的转型与本地化关系市场
你们算是 Agency，我们算是 Agency，然后还有其他的各种 Agency，比如 Website Agency、Developer Agency，以及各种 Accounting Agency、Lawyer 机构等等，其实都会往这个方向变。我觉得这是一个范式上的转变，又是一个结构性的变化。
而且现在各大模型公司其实也都在干这个事情。他们成立了 JV 公司，想去 Get 别人的 Know-How。但是从我的判断来看，我觉得这个东西是不可能的，这种市场根本就不是哪一家能单独吃得下去的。这个事情最后往后打、打到最后，又会打成一个地头蛇市场。谁跟谁的关系好，谁用我的 AI、你用你的 AI，本质上还是需要人走到前面去卖 AI。归根结底，商业底层依然是人和人之间的交往以及彼此的 Relationship。我觉得这可能是一个比较有趣的变化。
AI Agent时代的注意力争夺与人感
刚才问到了一个其实我们想聊的话题。我觉得我们今天聊得也差不多了，在我准备的那些问题里面，最后我想问的是：如果 AI Agent Marketing 发展得这么发达，我们究竟该如何针对人，从人身上去争夺注意力？
关于获取注意力这个问题，其实我们在前面的各个环节都已经回答了。人的注意力是非常稀缺的，面对这种情况我们该怎么去获取？我觉得还是在于“人感”吧，人终究还是要和真实的人去产生连接。所以这个问题某种程度上算是回答了。
针对机器与算法的内容拟人化（Humanize）
那么正好，我们可以顺着来说一下你正在做的事情。因为我们今天聊这期节目，正好也是很想和大罗交流。我不是一直在做社群吗，我想给社群提供一些更加有价值、更加系统的内容，而不是像过去那样每个月或者每两个月给他总结一些社交网络上的零散内容。我觉得 Roger 大罗这边有很多关于 Marketing 的洞察和经验，而且大罗正好也在把这些做成课程。你的课程设计得非常详细。在你的课程里面，我看到有一节内容专门讲到了 Humanize，也就是“如何让它有人感”。关于这一点，你可以分享一下你具体是怎么做的吗？
这个事情是这样，这里面其实包含着两个层面的东西：首先第一个层面是给人看的，第二个层面则是给机器看的。在我现在的课程规划和 Scope 里面，我们其实更多是针对给机器看的这一层，也就是让机器来判断这件事情到底是由 AI 写的，还是由人去写的。
Marketing 本身，或者我们说得更针对一点，AI Humanization 本身更多是一种 Manipulation，其实是一个去操纵算法的东西。Marketing 推进到最后，你还是有非常多的具体实操要去落实，而我们首先要去击败的其实就是算法。
关于这个算法本身，如果回到最早，在不同的业务场景下，AI Humanization 会有不同的用法。比方说在谷歌搜索里面，尽管谷歌一直对外强调说，不管你的内容是 AI 写的还是人写的，他们根本不在意你写的东西到底是谁写的，只在意你写的内容好不好。但是实际上，“内容好不好”是一个特别抽象的概念。谷歌现在的 AI 或许能够判断出来你这篇文章写的逻辑好不好，是不是在故意的去做一些营销之类的东西。但是在特别大规模的场景下，比方说每天谷歌要去扫描数以 Billion 计、也就是几十亿上百亿的内容时，它在算力资源上不可能有足够的资源去用大语言模型去逐一理解每一篇内容。
所以它仍然还是要用到一些特定的算法，来去判断你的内容到底有没有价值，然后一层层地筛选出来。我们在这个里面提到的 Humanization，更多是在讲我们怎么去比较有效地组织我们的内容，让它能够顺利通过前几波的 Filter。只有这样，你才能够获得被推荐的机会。
正如常说的那样：你可以说我充满了创意，我非常的 Unique，我有属于我自己的 Voice。但是如果你写出了这么一个非常 Unique 的东西，却连算法对你的封锁都没有办法突破，那么不管你的内容再好、再有价值，它也是不见天日的，根本没有人能够去发现你。
所以你的第一层任务，就是必须要通过算法对你内容的封锁。那你就得比较巧妙地通过各种各样的机制和方式，让你的内容至少能够进入到前两页或者前三页。到了那个时候，你才几乎可以说能够进入到下一步；也只有到了那个时候，你才能再去谈所谓的品牌调性是什么、你的 Voice 是什么样的，然后再去进行二次优化。那属于第二阶段的事情。而第一阶段的关键，就是你怎么去做所谓的 Humanization。
随着时间的推移，AI Slop 本身——也就是那些由 AI 批量生产出来的、完全没有任何人味的东西，肯定不会被任何推荐平台在最终阶段进行推荐。所以我们就必须从算法的角度出发，能够把我们的内容伪装成是人写出来的。这是专门针对 AI 算法的，让它觉得这就是一个人写出来的东西，可以说是针对算法的一套奇技淫巧。
课程体系设计：最小可学单位与打包技能（Skill）
那你现在构想了这套课程，主要想教会大家什么呢？是教会一些底层的思考方式，还是教其他什么内容？
其实这套课程并没有那么复杂。因为我在做 Agency 的时候发现，营销这件事情本身，你首先得清楚具体该怎么去做。即使在未来 AI 技术非常发达的时候，你也必须首先知道某一些特定的事情该怎么去做、究竟怎样才叫做好。唯有这样，你才能够准确判断出 AI 帮你在做的事情到底是对还是不对。
所以你可以把它理解成为是一门快速帮助你去理解通过各个不同方式怎么去做营销的课程。但它绝不仅仅是单纯传授知识，它更多的是把这些融会贯通起来：教你如何利用 AI 来把做好 Marketing 这件事情真正落地。
在课程涉及到的每一个角度，我们都会直接 Package 一个 Skill。这等于说是我在教给你这个核心概念的同时，告诉你怎么用 AI 去具体实现它，并且还把怎么去实现这件事情本身的整体框架直接交给了你。
这相当于给学员提供了一个具体的 Skill，而且可以装上直接用。不仅你可以装上直接用，而且后续你还可以根据自己的具体需求去对它进行针对性的调整。不过它并不是那种特别复杂的庞大系统。我一开始在思考这件事情的时候，给它的定位其实就是一门启蒙课。
尤其是现在制作产品本身——不管是写代码还是做软件，相对来讲门槛和成本都已经变得很容易了。但是如果你能比别人稍微多懂一点怎么去做营销，情况就会完全不同。大家都知道可以去做广告投放，但究竟怎样做广告才是好的？怎样去进行合理的配置才是好的？这里面的很多东西，依然需要花大量时间去系统学习。如果你完全不学习、直接把所有事情统统交给 AI，在现实中可能也是很难跑通的。
所以从我的角度来讲，我就在想：我怎么能够把最小化的可学单位（Minimum Learning Unit）提炼出来？在让你掌握了足够的核心信息之后，我又能够给你提供可以直接拿来上手使用的东西。这样一来，你有了足够的认知，有了足够的理解，不仅能够准确去判断 AI 的产出到底是好还是不好；同时，你在使用它和学习它的过程中，至少能够为自己搭建起一个关于产品增长的完整知识框架。
一旦建立了这个框架，以后不管 AI 工具演变成什么样，这些底层的认知和能力都始终是持续有用的。因为归根结底，营销针对的根本就不是工具，而是人。营销的本质是一个获取 Attention（注意力）的事情，而如何去获取人的 Attention，这个底层的框架结构它是永远不会发生改变的。
营销的本质认知：理解受众决策与回归人类自身
我们今天聊得也差不多了，不知不觉已经聊了 70 分钟了。如果你要给新进入这个行业、准备从事 Digital Marketing 或者商业营销领域的新人一句话的提示，你会怎么去提示他？营销本身是一个非常古老的行业，但是加上了 Digital、加上了 AI 之后，它又成了一个全新的行业。面对新进入这个行业的人，你想给他们怎样的一句话提示？
如果要用一句话来提示，这个问题我之前确实思考了很久。我觉得归结到最后，有一个非常核心的点：就是千万不要被那些像我们这种卖课的给忽悠了。当然，必须声明的是，我们真的不是那种卖课的，我们都不是卖课的。
这背后的核心本质在于：你做营销最终要影响的对象是一个活生生的人。你必须从人的角度去思考这件事情，从受众的角度去审视这件事情。这种思维方式，只有当你真正对这个产品深入了解、对这个产品的核心受众深入了解的时候，你才可能会有一个特别深刻的认知。
而很多其他的东西，无论是 AI 算法推荐给你的策略，还是你在网上看到的各种流行说法，这些归根结底都是虚的。做好营销最根本的核心，永远在于你对目标受众的深刻理解。如果你根本不知道自己要把产品卖给谁，不知道你打算卖给的这些人平时究竟是怎么做决策的、他们是通过什么渠道去发现信息的，那么不管你手里使用什么样的工具，你都是做不好 Marketing 的。
所以核心还是要基于对目标受众的深刻理解，明确你的 ICP（理想客户画像）到底是什么。有了这个作为基石之后，后续的其他事情都好办了。
归根结底，我们还是要回归到人上面。AI 的终途仍然还是人，人才是使用工具的主体。我们还是要努力做一个好的网感少年，直到未来哪一天 AI 真的彻底把我们替代了、我们都变成了维持运转的电池。虽然那一天迟早会到来，但在我们的有生之年里，我们依然需要去做能够真正影响人类的事情。
我们也希望能够一直坚持，持续去做影响人类的事情。毕竟对于我们这个种族来说，如果完全把自己的自主权和解释权都拱手交给 AI 了，那我们确实也就没有什么存在的价值了。这是我们最后的坚持。虽然现在的技术发展得这么快，但这也正是我们的初心所在——要回归到成为我们自己，做自己才是最重要的。
今天和大罗聊得非常高兴。希望下一次等大罗的课程正式上线之后，我们可以再来一起聊一期节目。后续大罗也会跟我们展开合作，我们会在我的社群——也就是 Rewired 社群里面，共同新增一个 Marketing 栏目的合作课程，大家一块来合作做这件事情。
那今天就非常感谢大家的收听。感谢感谢，拜拜！