以下三家公司与全部数字均为教学假设,用于演示商业化计算,不代表任何真实企业。
搜索入口正在分裂
过去二十年,搜索渠道的规则只有一条:让页面排在结果页前面,然后等人点进来。AI 产品面对的环境变了。用户越来越多地直接在答案引擎里提问,得到的是一段被组织好的回答,而不是十个蓝色链接。排名仍然重要,但它不再是唯一的入口。
这件事对 AI 产品尤其棘手。传统软件的内容可以介绍功能,把用户引到产品里试用;AI 产品的输出本身就是答案,内容写得越完整,用户越可能读完就走,根本不需要打开产品。内容与产品之间于是出现一个矛盾:既要证明能力,又不能把能力全部免费送出去。
这一节把搜索拆成两套规则:SEO 争的是排名与点击,GEO(Generative Engine Optimization,生成式引擎优化)争的是被检索、被引用、被推荐。两套规则共享一部分工程基础,但度量口径和内容形态不同。先分清它们,再谈预算。
排名与被引用是两种游戏
SEO 的基本单位是页面。搜索引擎抓取页面、建立索引、按查询排序,用户点击后进入站点。整个链条的终点是会话,所以 SEO 的指标天然是曝光、点击率、会话数、跳出率。
GEO 的基本单位是片段。答案引擎先从多个来源检索相关内容,再把片段组织成回答,必要时附上引用。用户可能一次点击都没有,却已经消费了内容。链条的终点不是会话,而是「被采纳」。被采纳可能表现为一句引用、一个链接、一个品牌名,也可能完全不显示来源。
两种游戏因此有不同的胜负条件。SEO 奖励页面结构、内链、域名权重与关键词覆盖;GEO 奖励片段自足、事实密度、实体一致、来源可核验。一个页面可以排得很好却不被引用,也可以被频繁引用却拿不到多少点击。
把两者混为一谈,最常见的后果是拿点击量考核 GEO。答案引擎带来的点击本来就少,按点击考核会让团队得出「GEO 没用」的结论,然后把预算全部撤回 SEO。更合理的做法是分开设指标:SEO 看点击与转化,GEO 看引用份额、品牌搜索与自报归因。
三种查询意图对应三种内容
用户的搜索可以粗分成三类,每类对内容的要求不同。
第一类是品类词,比如「AI 客服知识库」。搜这类词的人已经知道自己要什么,正在比较供应商。对应的内容是比较页、选型指南、价格页,目标是进入候选名单。这类词的竞争最激烈,SEO 与 GEO 的规则也最一致:谁讲得清楚、证据多,谁就更容易被列进去。
第二类是问题词,比如「客服机器人答错政策怎么办」。搜这类词的人还没决定买什么,只想解决眼前的问题。对应的内容是诊断、步骤、模板、检查清单。这类词点击率不高,但引用价值高,因为答案引擎最喜欢直接可用的步骤。内容渠道的增量往往来自这一类。
第三类是品牌词与替代词,比如「LumenDesk 对比某某」。搜这类词的人已经在做最后决策。对应的内容是差异说明、迁移指南、真实案例。这类内容不适合长篇大论,要让用户在几分钟内确认「你是否适合我」。
三类内容的比例应该跟着业务阶段走。早期多做问题词,建立被引用的基础;中期补品类词,进入候选名单;后期做品牌词与替代词,守住已有需求。只做品类词,内容会变成同质化的广告;只做问题词,流量大但转化弱。
答案引擎读取的是片段
答案引擎不会像人一样从头读到尾。它把页面切成块,按问题检索最相关的块,再判断这块内容是否可信、是否直接回答了问题。这意味着每一个二级标题下的内容都要能独立成立。
独立成立有三个具体要求。第一,段落开头先给结论,再给解释;不要用「如前所述」开头,因为检索到的片段可能没有前文。第二,关键名词写全称,不要在同一段里用三个代词指代同一件事;实体消歧是机器判断相关性的前提。第三,数字带单位和口径,比如「6.7 个月」要说明是回本周期,而不是随便一个月份。
这三条看起来像写作规范,实际是检索工程。片段越自足,被正确引用的概率越高;片段越依赖上下文,越容易被截断成一句无法核验的话。
可引用性的六个工程条件
GEO 没有公认的排名公式,但有可以工程化的条件。下面六条不保证被引用,却能显著降低「内容很好但机器读不懂」的概率。
第一,实体清晰。 页面要明确回答:你是谁、做什么、给谁用、和谁不同。公司名、产品名、品类名在标题、正文、结构化数据里保持一致。同一款产品在三个页面用三个名字,机器很难把它们合并成一个实体。
第二,答案先行。 每个小节的第一段就是可被摘录的答案。定义、结论、适用条件放在前面,论证和例子放在后面。这不是为了讨好机器,而是因为人在快速扫读时也遵循同样的顺序。
第三,事实密度。 可引用的内容通常包含具体数字、日期、版本、价格、限制条件。泛泛而谈的「大幅提升效率」很难被引用,因为它不可核验;「把 1,190,400 次对话的单次成本压到 0.015 美元」可以被复算,因此更可能被当作证据。
第四,结构稳定。 canonical 地址、站点地图、RSS、更新时间要一致。答案引擎需要知道哪一版是权威版本;同一内容有多个 URL、多个日期,机器会倾向于都不引用。
第五,机器可读的元数据。 结构化数据、清晰的标题层级、语义化的 HTML 都有帮助。需要说明的是,这些是必要条件而非充分条件;答案引擎可以选择忽略任何它不信任的标记。
第六,外部佐证。 被其他站点引用、被行业目录收录、被用户讨论,都会影响可信度判断。AI 产品的内容如果只有自家博客在说,缺少第三方复述,机器更难判断它是不是营销话术。
六条里最容易被忽略的是第六条。团队往往把 GEO 当成站内优化,实际上站外的提及、评测、对比、问答同样是检索信号。内容渠道的预算里,应该有一部分留给「让别人愿意引用你」,而不是全部花在自己发文章上。
内容渠道的 CAC 上限
内容不是免费的。写作、编辑、设计、分发、维护都要人,问题是这笔投入应该按什么标准设上限。最实用的办法是倒推:先确定一个可接受的回本周期,再算出这条渠道最多能承受多少获客成本。
公式很直接:
月毛利 = ARPA × 毛利率
CAC 上限 = 月毛利 × 目标回本周期(月)
以 12 个月回本为目标,把三家公司的数代进去:
| 案例 | ARPA | 毛利率 | 月毛利 | 12 个月 CAC 上限 | 实际 CAC | 实际占上限 |
|---|---|---|---|---|---|---|
| LumenDesk | $322.80 | 82.72% | $267.02 | $3,204.24 | $1,800 | 56.2% |
| Verba API | $231.72 | 47.50% | $110.07 | $1,320.80 | $420 | 31.8% |
| ClausePilot | $9,240 | 73.27% | $6,770.15 | $81,241.78 | $9,500 | 11.7% |
毛利率一列用精确值,事实表按一位小数展示为 82.7%、47.5%、73.3%。用展示值直接相乘会有几美分的差异,月毛利与上限都以精确值为准。
这张表要横着读,不要竖着比。ClausePilot 的上限高,不是因为它更会做内容,而是因为它的 ARPA 高、毛利率高,单个客户能承受更长的回收期。Verba 的上限低,因为它的毛利率只有 47.5%,每多花一美元获客,能用来回本的钱更少。
上限不是目标。实际 CAC 低于上限,说明这条渠道还有扩张空间;接近上限,说明再追加投入就要牺牲回本速度。LumenDesk 的实际 CAC 已经用掉上限的 56.2%,内容渠道可以扩,但不能假设边际成本永远下降。Verba 只用了 31.8%,看起来空间很大,但它的月流失率是 2.1%,客户生命周期短,扩张时要把留存一起算进去。
下面的模型把公式写成可测试的函数。三家公司的 ARPA、毛利率与 CAC 都来自事实表,回本周期用 0.1 月为单位,避免浮点直接比较。
// file: src/scale/04-1-seo-geo.ts
// tier: L1
// verify: node --test test/scale/04-1-seo-geo.test.ts
// SEO 争排名,GEO 争被引用;内容渠道的 CAC 上限由回收期倒推。
import { type Cents } from "../core/money.ts";
import { FULL, type Bps } from "../core/rate.ts";
export type ContentCase = {
name: string;
arpaCents: Cents;
grossMarginBps: Bps;
cacCents: Cents;
};
/** 单月毛利 = ARPA × 毛利率。 */
export function monthlyGrossProfitCents(c: ContentCase): Cents {
return Math.round((c.arpaCents * c.grossMarginBps) / FULL);
}
/** 给定回本目标,内容渠道能承受的 CAC 上限。 */
export function cacCeilingCents(c: ContentCase, paybackMonths: number): Cents {
return Math.round((c.arpaCents * c.grossMarginBps * paybackMonths) / FULL);
}
/** 实际回本周期,单位 0.1 月,避免浮点直接比较。 */
export function paybackTenths(c: ContentCase): number {
const monthly = monthlyGrossProfitCents(c);
if (monthly === 0) return 0;
return Math.round((c.cacCents / monthly) * 10);
}
/** CAC 相对上限的余量,单位基点;负数表示已超出。 */
export function cacHeadroomBps(c: ContentCase, ceilingCents: Cents): Bps {
if (ceilingCents === 0) return 0;
return Math.round(((ceilingCents - c.cacCents) / ceilingCents) * FULL);
}
/** 答案引擎引用份额:被引用的问题簇 ÷ 目标问题簇。 */
export function citationShareBps(citedClusters: number, targetClusters: number): Bps {
if (targetClusters === 0) return 0;
return Math.round((citedClusters / targetClusters) * FULL);
}
/** 免费入口的单账户月成本,单位 micro-USD(1 美元 = 1,000,000)。 */
export function freeCostPerAccountMicros(
freeCostCents: Cents,
freeAccounts: number,
): number {
if (freeAccounts === 0) return 0;
return Math.round((freeCostCents * 10_000) / freeAccounts);
}
export const LUMENDESK_CONTENT: ContentCase = {
name: "LumenDesk",
arpaCents: 32_280,
grossMarginBps: 8_272,
cacCents: 180_000,
};
export const VERBA_CONTENT: ContentCase = {
name: "Verba API",
arpaCents: 23_172,
grossMarginBps: 4_750,
cacCents: 42_000,
};
export const CLAUSEPILOT_CONTENT: ContentCase = {
name: "ClausePilot",
arpaCents: 924_000,
grossMarginBps: 7_327,
cacCents: 950_000,
};
代码跑出来的月毛利是 26,702、11,007、677,015 美分,对应 267.02、110.07、6,770.15 美元;回本周期是 67、38、14 个十分之一月,也就是 6.7、3.8、1.4 个月。Verba 在 12 个月目标下的 CAC 上限是 132,080 美分,即 1,320.80 美元;实际 CAC 42,000 美分,距上限的余量是 (132,080 − 42,000) ÷ 132,080 = 68.2%。
上限要按渠道分别算
把全公司的 CAC 上限套到内容渠道上,会掩盖渠道之间的差异。LumenDesk 的直销 CAC 是 1,800 美元,企业单笔 CAC 是 18,000 美元,相差 10 倍。用同一个上限考核内容团队和企业销售团队,结果一定是内容「超额完成」、企业销售「严重超标」,但真正的问题可能是企业销售的周期太长。
正确做法是给每条渠道单独设上限,并且把渠道专属成本算进去。内容渠道的成本包括固定的人力与制作费,也包括分发、工具、外链建设;企业渠道的成本包括售前、POC、法务与安全审查。两者的成本结构不同,不能用一个平均数管理。
免费入口是内容渠道的延伸
内容把陌生人带到门口,免费入口决定他是否进门。Verba 的免费层是这本书里最适合观察的样本:8,000 个免费账户,1,450 个付费账户,免费额度 60 分钟/月,实际平均用量 42 分钟/账户/月。
免费层的月度成本按实际用量算,不是按额度算:
42 分钟/账户 × 8,000 账户 = 336,000 分钟
336,000 分钟 × $0.0042/分钟 = $1,411.20
这笔钱占月收入 336,000 美元的 0.4%。摊到每个免费账户是 0.1764 美元,摊到每个付费账户是 0.9732 美元。对比 420 美元的 CAC,免费层的成本几乎可以忽略;它真正的价值不是省钱,而是把「读内容」变成「用产品」。
这里有一个常见的算错方式:用 60 分钟额度乘账户数,得到 60 × 8,000 = 480,000 分钟,再乘 0.0042 美元,得到 2,016 美元。这比实际成本的 1,411.20 美元高 42.9%(2,016 ÷ 1,411.20 − 1)。免费额度的设计目的是上限保护,不是成本预测;做预算必须用实际用量,否则会把免费层误判成负担。
免费层也有边界。42 分钟是平均值,不是每个账户都如此;重度免费用户的成本会显著高于均值。如果免费层的用量分布没有上限,少数账户可以把成本推到不可控。Verba 用 60 分钟额度做硬约束,本质上是把长尾成本封顶。
度量 GEO:点击之外的四层信号
GEO 的度量不能只看点击。答案引擎经常不传 referrer,用户也可能看完回答直接离开。可行的做法是叠四层信号,从弱到强互相校验。
第一层,引用份额。 选定一组目标问题簇,定期在主流答案引擎里提问,记录品牌、产品名、链接是否出现。被引用的问题簇除以目标问题簇,就是引用份额。它是抽样,不是全量,但能反映趋势。
第二层,品牌搜索。 内容被引用后,一部分用户会记住品牌,转而去搜品牌词。品牌搜索量的上升通常滞后于内容曝光,且会受投放、公关、口碑影响,所以只能作为辅助信号。
第三层,自报归因。 在注册或试用表单里问「你怎么知道我们的」,把答案结构化。自报归因的样本小、记忆偏差大,但它能捕捉到分析工具看不到的暗流量。
第四层,内容辅助的管道。 把内容触达的账户与后续付费关联起来,看内容在这条路径上出现了几次。这一层最接近收入,也最容易被归因模型的高估或低估影响。
四层信号一起看,结论才稳。只看引用份额,会高估品牌影响力;只看点击,会低估 GEO 的价值;只看自报归因,会被少量极端回答带偏。
内容护城河与平台风险
GEO 有一个结构性风险:答案引擎越强,内容越容易被总结,用户越不需要回到原站。这意味着「可被总结的内容」会持续贬值,只有「不能被总结的东西」才有护城河。
不能被总结的东西通常有三类。第一类是原创数据,比如自建的基准测试、真实的成本拆解、长期的用户 cohort。第二类是经验与判断,比如在什么条件下不该用某个方案。第三类是关系与信任,比如品牌、社区、专家网络。这三类都不容易由模型凭空生成,也不容易被一段摘要替代。
AI 产品的内容策略应该往这三类靠。产品文档、功能说明、通用教程当然要做,但它们是防御性的,不构成壁垒;真正带来复利的是原创数据与经验。本书大量使用教学假设与可复算的表格,原因也在这里:可复算的内容比漂亮的口号更耐引用。
平台风险还有一层:规则变化。答案引擎的检索策略、引用偏好、内容政策都会变,今天有效的做法明天可能失效。把增长完全押在单一答案引擎上,和把增长押在单一应用商店上一样脆弱。内容渠道的健康标志不是「某个引擎经常引用我们」,而是「即使这个引擎明天改规则,品牌搜索和直接访问仍然在」。
小结
- 搜索正在分裂成两套规则:SEO 争排名与点击,GEO 争被检索、被引用、被推荐。
- SEO 的基本单位是页面,GEO 的基本单位是片段;片段必须能脱离上下文独立成立。
- 可引用性有六个工程条件:实体清晰、答案先行、事实密度、结构稳定、元数据、外部佐证。
- 内容渠道的 CAC 上限 = ARPA × 毛利率 × 目标回本周期;12 个月目标下三家分别是 3,204.24、1,320.80、81,241.78 美元。
- 上限不是目标:LumenDesk 已用掉 56.2%,Verba 只用掉 31.8%,扩张空间不同。
- 免费层按实际用量算成本:Verba 是 336,000 分钟、1,411.20 美元,占收入 0.4%,不是按 60 分钟额度算的 2,016 美元。
- GEO 要叠四层信号:引用份额、品牌搜索、自报归因、内容辅助管道,单看点击会误判。
- 可被总结的内容会贬值,原创数据、经验判断与品牌信任才是内容渠道的护城河。
阅读导航:上一节:3.3 生态伙伴与集成 · 下一节:4.2 内容到产品的转化路径 。
常见错误与边界
- 拿点击量考核 GEO,答案引擎本来就会减少点击,指标从一开始就选错了。
- 把 CAC 上限当成目标,实际 CAC 远低于上限时盲目扩张,忽略留存与边际成本。
- 免费层成本按额度而不是按实际用量估算,Verba 会把 1,411.20 美元算成 2,016 美元。
- 只做站内优化,忽略外部引用、评测与问答,可引用性缺了第三方佐证。
- 把「被某个答案引擎引用」当成稳定资产,没有把用户沉淀到品牌搜索与自有触达。
- 用一套 CAC 上限管理内容、直销与企业销售,掩盖了渠道之间十倍的成本差异。
继续阅读
探索更多技术文章
浏览归档,发现更多关于系统设计、工具链和工程实践的内容。