大家今天核心要探讨和讨论的，就是AI的使用情况。首先，我们来看一下AI目前的应用现状。现在，几乎所有做市场营销的同学都很清楚一个核心观点：用户的消费行为和习惯，在很多场景下都发生了很大变化。

　　以国内为例，DeepSeek在春节期间的爆火，带动了整体AI工具的普及。目前，国内互联网上已经有超过两亿人在使用AI工具。而在海外，我们团队观察到的情况是，ChatGPT每天能够承接的用户查询量大约在60亿次左右。这里面有很大一部分用户是“重度互联网用户”，他们对互联网的依赖非常深。我们有时会把这些人称为“数字时代的原住民”，他们越来越习惯于在网上解决各种问题。

　　实际上，AI工具已经逐渐成为用户的“第二大脑”。当我们需要做选择，或者不知道该如何获得答案时，AI往往会成为大家优先选择的工具。在这样的背景下，很多品牌和营销团队也在逐步打造一个新概念：当用户在网上搜索“热水器哪个牌子好”或者“黄一皮时该用什么样的粉底”等问题时，AI能否直接推荐相关产品？这就是我们要讨论的一个重要维度。

　　其实我们会发现，很多做市场营销的同学已经开始关注这一块。除此之外，还有一个现象值得注意：不少营销同学正在尝试“二次营销”。大家可能已经注意到，今年上半年，很多公众号内容都会提到“连 DeepSeek 都在推荐哪些公司”或者“连 DeepSeek 都在选择什么样的产品”。这背后反映了一个趋势——越来越多的人认为，AI已经成为一个高度可信的工具，能够被受众主动选择。

　　这其实说明，AI正在逐步影响用户的心智。在这样的背景下，整个行业也出现了很多新的定义。我们团队研究出了一个叫做“GU”的概念。其实，这个概念并不是我们独创的。早在两年前，海外的普林斯顿大学以及印度的一些学者就已经提出了类似的想法。他们关注的是，如何针对生成式（Generative）AI与营销结合的相关概念。

　　如果大家持续关注行业动态，会发现最近海外有一个叫做 Perform 的平台，刚刚获得了红杉资本 2500 万美元的投资。

　　当前，产业营销模式已从海外逐步渗透到国内，并逐渐被用户所接受。这是我们理解的一个关键部分。接下来，我们要讨论的是用户触媒习惯的变化，这导致了核心概念的转变。用户触媒习惯的变化，使得整个市场营销概念也发生了诸多变化。

　　回顾2010年，那时核心用户在获取信息时，往往会在遇到不确定的情况时选择上百度或Google搜索。当时，谷歌还未退出中国市场。而近几年，大家可能会感受到，遇到不确定的情况时，更多人会选择去问小红书。这反映了用户触媒习惯和平台选择的变化。

　　如今，当用户对品牌或行业产生兴趣时，他们往往会选择去问AI。这一变化颠覆了部分用户传统的认知方式，也改变了用户旅程的整体方案。这就是我们所说的“极优”整体变化。

　　在这个变化中，我们必然会讨论整个市场营销领域。大家都会关注一个核心问题：我的用户在哪里？事实上，包括杭州的六小龙等在内的众多企业，都在探索这个问题。目前，从我们团队的观察来看，AI平台的发展并非一成不变，而是处于一个争夺用户的阶段。

　　我们可以看到，像Difficult在过年期间的快速增长，以及手机上广泛使用的豆包等应用。豆包凭借其强大的C端用户体验和功能，逐步改善了DeepSeek的用户体量。此外，像元宝、Kimi等国内主流AI平台，都在致力于用户留存工作。

　　除了国内市场，海外市场也呈现出类似趋势。许多用户问答行为正在抢占大量流量，包括搜索引擎流量和用户咨询流量。在这种情况下，除了传统意义上的豆包、DeepSeek等AI平台，我们还需要关注AHR board等新兴概念。

　　Google 在搜索领域的最新进展中，引入了 Search Overview 功能。这一功能与 AI 领域的优化密切相关，主要聚焦于两个核心板块。

　　首先，我们需要解决的是品牌在过去一年中普遍关注的问题：当用户在选择或使用产品时，越来越多的人会先咨询 AI 的意见。因此，品牌需要量化了解自己在 　　AI 场景中的存在感。这是线上营销中至关重要的一步。

　　其次，品牌在进行营销时，不仅要关注自身行动，还要明确自己在整个行业中的地位，以及与竞品的相对位置。这有助于品牌制定更有效的策略。

　　最后，AI 的推荐机制往往被视为一个“黑盒”。品牌需要了解在哪些场景下 AI 会推荐自己，而在哪些场景下不会。正如孟总之前提到的，这也是品牌需要深入探讨的关键问题。

　　对于AI来说，它喜欢什么样的内容？AI喜欢的内容与人类喜欢的内容是否存在差异？这实际上是我们需要深入探讨的问题，即如何实现对AI思维链的拆解和理解。

　　在整体营销服务中，我们首先需要了解行业洞察和品牌特性。举个例子，以前当我们想购买折叠屏手机时，无论是在百度、小红书还是抖音上进行社区互动，我们可能会问：“折叠屏手机，推荐哪款好？”但在AI的理解中，它不仅仅关注用户提出的问题，而是会综合考虑多个维度来为用户推荐手机。

　　在信息爆炸的背景下，我们会发现，以往通过一个关键词或用户的搜索行为就能获取的内容，已经无法满足当前AI查询所需的丰富度。因此，第一步我们需要深入了解行业品类的特征。

　　在深入了解行业品类的特殊情况时，我们经常会被客户问到：VI对我的品牌理解是什么？今年年初，DeepSeek爆火时，我们帮助客户解决的第一个问题就是：刚过完年回来，大家开始使用DeepSeek时发现一个很痛苦的情况——可能问了没几个问题，DeepSeek就显示服务器繁忙无法响应。当时，我们做了较多的技术搭建，帮助品牌解决核心问题。

　　核心问题是什么？在一个品牌的行业类目下，到底有多少？我们把这些report作为核心点，因为在很多用户场景中，以前我们可能会在淘宝或抖音上搜索一个关键词。但现在，在AI对话框的使用中，我们不会问VI一个关键词，而是更多地问一个问题，这是用户场景的切换。在如此丰富的用户场景下，我的品牌是什么样子的？这时，我们提出了一个概念：在不同行业中，品牌的visibility（可见度）。

　　我们运用了大量行业今年的prompt来帮助品牌。当用户询问相关行业类问题时，AI会推荐多少品牌？是推荐我还是推荐竞品更多？包括在AI推荐时，它的排名是什么样子？基于这一套理论，我们可以帮助品牌更核心地了解自己在AI算法中的形象。这已经不仅仅是简单地问一两个plot就OK了。更多时候，这是基于大量用户数据的反馈。这能够帮助品牌从一个点，了解自己在AI中的身份，到一个面，告诉平台自己处于什么样的问题情况。

　　第三个维度，我们称之为“了解AI思维链”。我们会讨论很多所谓的用户里程，包括以前我们所谓的AGL，以及像抖音的聚聊星族的5A人群等一系列行为。以前在摄取用户意图时，我们会认为不同关键词维度代表不同的意图诉求。但在AI的自然语言环境下，就像前面提到的，用户已经不仅仅是简单地搜索一个词，而是更多地把自己的场景说得更清楚。

　　在今天的绩效派会议上，我们讨论了参会人数和会议总结等关键问题。我们内部进行了大量算法工程师的工作，包括APR的工程设计研究。我们主要致力于在自然语言环境下对用户问题进行一级识别。这一过程我们称之为“用户意图识别”，旨在划分用户在不同场景下的需求。

　　我们分析了大量prompt问题，并将其归类为六大类：解释类、比较类、趋势类、案例类、指南类和推荐类。这些分类帮助我们更好地理解用户在AI环境下的问题。基于这些意图识别，我们进一步探讨了哪些内容是大模型或算法所偏好的。

　　从语料训练文本的角度来看，AI最喜欢的无非是三大类内容：文字、数据和图像。其中，文字是目前AI整体上最偏好的类型。

　　在当前的AI交互中，文字形式仍是主要对话方式。然而，图像和视频在AI训练和参考中的比重正逐渐增加。以国内AI公司为例，如豆包和百度，它们正致力于提升多模态处理能力。多模态处理的核心在于通过AI算法理解视频内容，包括图像帧、字幕和语音的SIA（Speech Interface Application）。

　　在大模型的语料偏好方面，AI更倾向于特定类型的文本。与人类偏好如荷马史诗等文学性强的文本不同，AI在训练过程中更偏好实用性强的内容，如使用说明书。这表明大模型的本质并非单纯解析文字，而是通过语义结构、数字特征及其相互关系来理解内容。

　　这一理解对于内容创作具有重要意义。在市场营销和公关领域，传统上我们关注如何为用户提供有价值的内容。而在AI时代，我们需要同时考虑AI的偏好，确保内容既能满足人类需求，又能被AI有效解析和利用。这种双重考量将有助于提升内容在AI环境下的表现和传播效果。

　　基于以上观点，我们深入理解了大模型的偏好，并整理了大量相关维度。在此场合，我不逐一赘述所有维度。如果会后大家有兴趣，我们可以分享相关材料，帮助大家理解大模型偏好的内容类型。

　　此外，我们内部还建立了一套称为“大模型内容的QKV法则”。QKV法则的核心概念是：所有文字在大模型中有三层含义。第一层是Query，即查询的意思；第二层是Key，负责定位；第三层是Value，负责价值。当用户提出Query时，我们需要在合适的结构中形成良好的定位锚点，告诉大模型在挑选和介绍产品时，核心的Key维度有哪些。然后通过Value与Key的内容生成和堆叠，更好地定义这些维度。这是我们内部如何让内容更好地被AI和算法判断的QKV法则。

　　基于这些法则，我们以光伏行业的to b业务为例进行了具体分析。在研究大模型的思维链时，我们需要了解大模型偏好的内容形态，包括不同的结构、标题维度、时效性维度，以及权威性引用等。众所周知，大模型算法对数字内容有特别的偏好。因此，我们需要探讨在光伏行业中，什么样的结构化数据更受大模型青睐。这些数据包括关系层指标和多维矩阵信息等，它们能够帮助我们从品牌、线上营销和内容角度，更好地让大模型理解我们的内容，而不是在理解长段文字时遗漏关键信息。

　　这是我们从内容形态到结构化数据的一个行业应用实例。目前，我们服务的许多客户都有较为行业定制化的结构化内容建设。最后，借此机会简单介绍一下我们公司。本道自2009年成立以来，核心业务一直以search为主。

　　我们在这一领域积累了丰富的经验。无论是从KA客户的角度，还是从不同互联网平台的数据维度和内容角度来看，我们都有大量的过往数据。这些数据更多地用于帮助品牌解决核心问题。

　　首先，从品牌与AI的关系来看，我们需要明确品牌在AI中的定位，以及品牌需要采取哪些措施来影响或让AI更好地理解自己。其次，在AI这一新兴领域，我们如何更好地让品牌理解AGO（AI Generated Optimization）在线上营销赋能中的价值。这种价值不仅仅是通过几个问题突然得到AI推荐，而是更注重品牌在整个AI生态中的表现。

　　从我们的角度来看，我们更关注的是如何帮助品牌在跨平台的AI环境中，如DeepSeek、豆包、元宝以及海外平台，建立和维持品牌形象。我们需要通过定量分析和整体分析，了解品牌在AI联想中的形象和地位，从而明确品牌的下一步发展方向。基于这一点，我们才能在AI优化和内容自然语言处理方面，更好地进行工作。

　　结构化处理让我们在用户营销环节中实现了更深层次的触达，使更多消费者能够进入新的营销环境，并在AIG（AI Generated）领域实现弯道超车。这是我们为品牌提供的一套服务。

　　从我们的角度来看，当前AI仍处于快速变化的阶段。我们通过与众多客户合作，形成了一套陪跑机制，帮助品牌适应AI的变化。随着AI的发展，品牌对GUO（Generated User Optimization）的诉求也在不断变化，我们需要及时响应这些变化。这是我们更为关注的重点。

　　许多品牌在与我们交流时，核心问题在于：当用户在DeepSeek、豆包等平台上提问时，AI是否会展示他们的品牌信息。为此，我们不仅提供了线下权益，还对接了销售总监和商务总监。如果大家有兴趣，我们可以在会后提供定制化的分析报告服务。

　　我们更注重帮助品牌了解其在核心行业中的定位与形象。通过商务总监的总结，品牌可以提前掌握这些关键信息。

　　原创声明：本作品全部知识产权归属作者所有，未经书面许可禁止任何形式的复制、传播或商业使用，任何侵权行为将依法追究法律责任。声明自作品发布之日起生效。