跨国深谈← 返回←让品牌被 AI 看见：AEO 实战与研究

让品牌被 AI 看见：AEO 实战与研究

关联

人物 Daniel Whitenack · Chris Benson · Liam Dunne · Ben Moore

公司 Discover Labs · Reddit · ChatGPT · Google · YouTube

概念 SEO · AEO · AI 可见性 · 检索 · citation · LLM · 智能体 · 查询分流 · 权重

自然流量正在消失，因为「新的网站访客」已经不是人，而是大模型。这一集 Practical AI 播客请来了 Discover Labs 的两位联合创始人——营销出身的 Liam Dunne 和工程师出身的 Ben Moore——聊一件事：当人们越来越多地在 ChatGPT 这类答案引擎里做研究，品牌要怎么被看见？他们说，SEO 没死，但战场变了。

SEO 没死，只是扩展了

Liam 开场就表态：他不认为 SEO 已死，只是这个领域变大了。工作还是那三样——站内（照看好自己的网站）、站外（建立品牌权威）、技术（让智能体和 Google 系统能访问并理解你的网站）——变的是战术优先级。

比如「好内容」在 Google 和 ChatGPT 眼里的定义就不一样 。传统 SEO 和 AEO（答案引擎优化，也有人叫 GEO，他把它们视作同一回事）合起来，才是完整的「自然搜索」。

变化的第一性原因是买家行为：人们在 LLM 里消化信息，点击就没了，「零点击研究」从社交平台蔓延到了自然搜索 。于是很多公司开始琢磨给人类和给智能体各做一个版本的网站 。

大多数从业者根本没在正确地测量

Ben 的批评很尖锐：传统 SEO 是「按数字填色」——排名几乎确定性，关键词有限可控；现在变成了一个有非确定性、随机因素的系统，需要统计建模，而 SEO 行业缺统计素养 。正确的问题是：怎么给引用率、提及率、声量份额这些指标约束不确定性，把误差压到 5% 以内？

「老实说，这个行业里没有人真正在做这件事，甚至没有人真正在思考它」——大家买个工具、跑几个提示词，数字涨了就归功于自己，跌了就赖 Google 核心更新 。很多营销工时和工程时间浪费在不具统计显著性的波动上 。

品牌是怎么被「说出口」的：四大支柱

Ben 拆解了品牌在答案引擎里出现的完整机制：提示词被分词、摄入，模型先推理、有内部标准，然后才调用检索引擎、做一组「查询扇出」（把用户问题拆成多个子查询），拉回约 60 个初始候选来源 。随后用一个类似 DeepMind「一致风格」算法的多数投票机制，在候选中找共识、防幻觉，再从清理过的上下文生成最终回答 。所以 AI 可见性要盯四根支柱：权重、推理、检索、响应——只看最终引用，等于只看冰山一角 。

这带出了本集最反直觉的发现：被检索 ≠ 被引用。以 Reddit 为例：他们研究当时 ChatGPT 的检索引擎，发现它把大约三分之一的基础检索槽位留给 Reddit，但这些 Reddit 内容大多在引用环节被拒绝——它们被用来「给答案提供依据、塑造模型思路」，最终引用的却是别处（比如 TechCrunch）那个说同样事情的来源 。Daniel 用例子复述：10 个 Reddit 来源加 1 个 TechCrunch 说同一件事，答案引擎用 Reddit 确认，却引用 TechCrunch——Ben 确认「完全正确」。

品牌该怎么下场：相关性、共识、一致性

Liam 把策略压缩成三个词。相关性：先搞清楚你是谁、目标客户是谁，再把它翻译成买家会在 LLM 里搜索的语言——这是确保内容被查询扇出命中前提 。

共识：内容只是「掷帽入场」，信任票才是关键；LLM 之前的搜索体验之所以糟糕，是因为「我们营销人毁掉了一切」，而买家长上下文式的提问创造了长尾查询，长尾竞争少，是小公司对抗 HubSpot 这类巨头的机会 。他们看好 Reddit（很多 B2B 公司不会玩，所以有优势）、数字 PR、客户评价平台（SaaS 行业就是 G2），枪口抵头选一个就押 YouTube——原生搜索渠道、Google 旗下 。

一致性：各渠道用同一套词，让它们被嵌入模型和世界。外链时代的「拿到一条 do follow 链接」不再是关键——围绕你这个实体的描述文字更重要，因为「如果某个 LLM 选中这段话放回答案里，我们是否被放在有竞争力的位置上？」

关于 Reddit 玩法的一个具体观察：他们没发现点赞数与引用量相关，相关性最高的是内容本身——被抽取的段落经常在页面往下一半的位置、评论只有一两个赞，就因为那段话命中了查询里的实体 。不过随着 OpenAI、Reddit、Google 之间的商业协议推进，账号历史之类的信号未来可能变得重要 。

还有几个可操作的小窍门：行业不敢公布价格？公布一个方向上大致正确的数字，效果「好得离谱」——因为存在信息空白，LLM 不想幻觉，就会引用你填的数 。

反过来，模型权重里嵌入的事实准确性、情感和共现（训练时注意力函数把你的品牌与哪些实体关联）都会影响引用时刻的判断，连品牌名是个词典里已有的英文单词都可能成为问题 。Ben 还顺带嘲讽了一下：他们做模型排名分析时，发现某个 AEO 工具自身在模型里呈现非常负面的情感 。

下一个前沿：从只读到读写

Liam 看两个方向：一是站外第三方来源如何影响品牌在 LLM 里的感知——「归根结底，品牌是最终的护城河」；二是智能体可访问性。现在大家都在卷「可发现性」，但很快智能体不只会爬你的网站，还会在上面执行操作：已有客户报告「上周有个 AI 智能体预约了一次演示」，还有客户的用户通过命令行让智能体出去采购、装好工具回来说「已经给你装好了」。网站几十年来为人类优化——加载慢点、表单绕点，人能忍；智能体会不会等？

Ben 补充：这是从「只读环境」走向「读写环境」，Google 相关项目「会很慢很慢，然后一夜之间爆发」。他还指出一个长期趋势：训练周期在缩短——顶层每周、每两周重训，主干约三个月重训，「如果你能把印记留在那些 token 里，价值比出现在单个上下文窗口里高出数量级」。但另一面是：各厂商为避免「模型坍塌」（在自己生成的垃圾上训练），正在上马指纹识别和哈希溯源，AI 生成的 Reddit 评论会被识别和清理——「躲避它们会越来越难」，真实的人类信号会越来越值钱 。

本集带走

• 别再只盯最终引用：AI 可见性有四根支柱——权重、推理、检索、响应；被检索进上下文≠被引用，Reddit 大量内容是给模型「打底」却把引用让给了别处。
• 三词策略：相关性（想清楚你是谁、翻译成买家语言）、共识（多渠道信任票：Reddit、数字 PR、评价平台、YouTube）、一致性（全渠道同一套词，让实体嵌入模型）。
• 吃长尾红利：用户在 LLM 里前置加载全部上下文，产生竞争极少的长尾查询——这是小品牌绕开巨头垄断的「金钱关键词」的机会。
• 用统计思维测量：先问「怎么约束这些指标的不确定性到 5% 以内」，别看到数字涨跌就归因；大量工时浪费在不显著的波动上。
• 填信息空白：行业不敢公布的定价等空白地带，你发布方向正确的数字就极可能被引用。
• 准备读写环境：智能体开始在网站上执行动作（订演示、代采购），网站的可访问性和可操作性是还没人卷的下个前沿。
• 押注真实人类信号：指纹识别会让 AI 生成内容被溯源清理，权重内的印记比单次上下文曝光值钱数量级，而真实的品牌叙事是最难被复制的。

如果人们是在 LLM 内部消化信息，那么 LLM 就是新的网站访客。
if people are consuming information inside an LLM, the LLM is the new website visitor.
—— Liam Dunne · [07:09]

然后 SEO 行业有一种不可思议的能力，指着上涨的数字宣称是它们的功劳，同时也有一种不可思议的能力，指着下跌的数字宣称是 Google 核心更新。
then the SEO industry has like an incredible ability to point at numbers going up and claim that it was them, and then has an also incredible ability to point at a number that’s going down and claim its Google core update.
—— Ben Moore · [13:21]

长尾的好处是竞争更少。
Now, great thing about long tails is they’re less competitive.
—— Liam Dunne · [24:16]

SEO 就是利用 Google 系统。
SEO is just exploiting Google systems.
—— Liam Dunne · [26:01]

比如说 60 个槽位，20% 分配给 Reddit，其中大多数实际上在引用时被拒绝了。所以它们基本上被用来为模型提供依据并形成其思考，但实际上并没有在最终响应中被引用。
let’s say 60 slots, 20% of them are allocated to Reddit, most of those were actually rejected at citation time. So they basically are kinda used to ground the model and formulate its thinking, but also not actually cited in the final response.
—— Ben Moore · [28:13]

如果存在空白地带，你几乎可以发布任何东西并让它被引用。
if there’s blank space, you can almost publish, you can almost get anything cited.
—— Ben Moore · [34:53]

我们发现如果你发布即使方向上大致正确的数字，效果会好得离谱，因为存在空白地带，而 LLM 本质上不想产生幻觉。
we found this works like insanely well if you publish numbers that are even like yards directionally correct because there’s blank space and the LLM doesn’t want to hallucinate, essentially.
—— Ben Moore · [35:02]

「我们应该把精力集中在哪里？」我的回答是：处处都集中。我们这里真正讨论的其实是预算和时间的约束。
Hey, where should we focus our efforts? And my answer is everywhere. Really what we’re talking about here is it’s a budget and time constraint.
—— Liam Dunne · [40:38]

如果某个 LLM 选中这段话并把它放回一个答案里，我们是否被放在有竞争力的位置上？
if an LLM picked this paragraph and put it back inside to an answer, are we being positioned competitively?
—— Liam Dunne · [43:07]

归根结底，品牌是最终的护城河。
ultimately, brand is the final moat.
—— Liam Dunne · [47:23]

如果你能影响或在那些 token 里留下印记，那价值比出现在单个上下文窗口里高出数量级。
if you can get influence or imprint in those tokens, it’s worth, like, orders of magnitude more than being in a in a in single context window.
—— Ben Moore · [52:00]