2026-01-20 06:12:45
周六和朋友们一起去爬 Cable Line。出发后，和朋友们一起走了一段，我就带上耳机，打开播客，独自一人先往山上去了。播客选的是「无人知晓」最受欢迎的三期，第一期是《E10-让万物穿过自己》。这是我第一次听到自己对话自己的播客，孟岩就静静地坐在录音室，任由思绪、想法自由地流淌，穿过自己，让内容自由地生长，而长出来的果实也出乎意料地颇有惊喜。我意识到这和之前写 weekly summary 很相似：很多时候我只是打开电脑，想着说记录一下自己这一周的感悟吧，真的会写出什么其实是不确定的；但完成的时候，以及时隔一段时间翻看，会惊叹道，“好家伙，这是我写出来的吗？”
当我开始写这段文字的时候，其实这期播客的内容就像它的标题一样，已全然穿过了我自己，具体的内容并不十分记得，但是我记得那种在山林里，一个人就专注于自己脚下：一步，又一步，缓慢地向上前行，专注自己的呼吸。耳边是一个人在吐露自己的感受、思考，伴随着登山杖敲击在碎石块上啪嗒、啪嗒的声音，内心无比的宁静。播客的结尾孟岩说：“愿新年的阳光打在你的脸上”。而恰恰就在那时，我抬起头，看到阳光从树林间穿过，打在我的脸上。那天的天气很好，阳光很灿烂。
下山时开始听《E30 让奇迹发生》。也恰恰是在一个转角处，孟岩提到自己和且慢的经历，聊到自己放下过去的一些不快，意识到过去的痛苦其实是给未来铺平了一些道路时，我也恰恰从茂密的树林中走出，来到了一个转角处，像是一种“柳暗花明又一村”。那一刻我再次觉得，跨越了时空，我的生活和他的播客建立了一种链接。
今天上午，本来要去机场接朋友，结果意外发现自己的车被拖走了，要付接近五百刀的拖车费。于是打电话让另一个朋友去接机，自己打车去取车。一番折腾下来，决定跳过和他们的聚餐，回家休整一下。清晨的时候还有些雾气，但等回家时，阳光已经很明媚了。我躺在沙发上，头靠在墙上，阅读没看完的《鱼不存在》。这本书则是是「无人知晓」的第三期最受欢迎的播客《E37 鱼不存在》所推荐的。当我翻完2026 年的这第一本书，葡萄四脚朝天地在沙发上熟睡，咪咪在 Costco 里面划着小票，心爱的 YR 在卧室里和周公畅谈。我只觉得一切都很美好，车被拖的这起在别人眼里的“糟心事”，在我看来也不算什么，恰恰是它，让我享受到了这么美好的一个早晨。
用三期播客的内容来说：让万物穿过自己，不论是开心的还是糟心的，不要让内心的一个个“房子”阻塞万物的流淌，不要让不开心的东西在你的心里打结；允许奇迹发生，而伟大的事情又往往不能被计划，恰恰是那些意料之外的一些契机兴许会让你的人生轨迹发生转变，就像周六我选择自己独自先行，所以我遇见了这三期播客。又如因为我的车被拖走了，所以我没能去成聚餐，进而在家读书，享受另一份美好的宁静；又如《鱼不存在》里所说，美好的事物会存在，因为这是一种必然。而不顺心的事情也会存在，这也是一种必然。
2026-01-14 14:19:29
本文只是作为一个书摘的作用，为自己复习《为成果管理》这本书的内容，并没有一个凝练的读后感。
本书不告诉他们如何正确地去做事，而是旨在帮他们找到正确的事去做。
开篇即点名主旨：要做正确的事情，而不是仅仅满足于把事情做对。工作时间长了慢慢意识到，事情是做不完的。有些事情是重要的，需要你立刻去做；有些事情看似紧急，但是等一等，要么它就自行消解，要么你的上下游就能把这个问题解决掉。虽然很早就知道了用四象限来分类任务，但是工作多了才越来越意识到：把重要的事情做好，剩下的要么挑着做，要么放那放着就好。正如曾传言贝佐斯只回复、处理发第二遍的邮件，只发一遍的要么是不那么重要，要么是可以别人来解决。
每天早上各位管理者的桌上都堆满了问题，都在呼唤他的关注，却少有人告诉他哪些是要事，哪些只是干扰他的聒噪。
曾国藩一生也常常用一个“拖”字诀，一些两边为难的事，一些不痛不痒的事，脸皮厚，话说好，慢慢拖着就好。
管理者之所以不顾及明天，是因为他无法从今天的事务中脱身。不过这依然只是一个表象，真正的病根是他们毫无知识基础和体系来完成企业中的经济任务。
对企业至关重要的是成效(effectiveness)，而不是效率(efficiency)。也就是说，与之相关的问题不是如何将事情做对，而是如何找到对的事情去做，并汇聚资源，集中力量做好它们。
获取经济成果靠的是不断发掘机会，而不是一直解决问题。
为了创造成果，资源必须分配给机会，而非问题。
上面这两段话是我第一次读到，结合自己的工作经验，也非常能够感同身受。以日常的工作内容为例，有很大一部分时间是要用来给服务做维护，修修补补各种问题。但business的增长从来不是说我们今天修了这个bug，明天修了那个bug就能做大的。我们要专注于开发新的feature，把更多的人引入到我们的产品或者服务中来，创造营收，才能做到真正的增长。
做大并不等于领先。在许多行业，规模最大的公司绝不是最赚钱的，因为它不得不维持一些产品系列、市场供应和通用技术，而在这些方面它无法做到与众不同，更别提独一无二了。
这点在后续有提及，即当一家公司一开始在中小型规模可能是盈利的，业务拓展后，为了维持拓展所需要的支出也会增加很多，如果这时候营业额做不上去，那么反而会出现亏损，这时候要么选择继续拓展，要么退回去。前进和后退没有对错，只看公司自己的取舍和喜好
任何领先地位都是暂时的，而且很可能只是昙花一现。没有哪家企业能永久稳居领先宝座
商业单位不是一种自然现象，而是一种社会现象。在社会环境中发生的事件不会按照自然界事件的正态分布来发生，即前者的分布不符合钟形高斯曲线。在社会环境中，少数的活动（最初的10%，最多也不超过20%）会带来90%的成果；而其余的绝大多数活动只带来剩下的10%左右的成果。
在市场上也是如此，客户虽成千上万，可大部分订单都来自屈指可数的几个大买家；在成百上千款产品中，主要销售量也只来自少数几款；推销活动也一样，在数百名销售人员中，少数几个人斩获了2/3的新业务。这种现象在工厂中也如出一辙，为数不多的几个生产批次生产出大多数的产品；科研也概莫能外，实验室里所有的重要创新几乎总是被同一拨人包了。
人事方面的问题几乎也都是如此，最多的牢骚话总出自某几个场景或某一类人（如上了年纪的未婚女士或上夜班的男保洁员）；大多数的旷工和离职事件，在建言献策制度下提建议的情况，以及事故的发生也是类似情形。对纽约电话公司的调研显示，连请病假的情况都一模一样。
第一个含义是，90%的成果是由最初发生的10%的活动产生的，而其余90%的活动产生了90%的成本，却未能带来成果。
第二个含义是，企业的资源和工夫常常会自行投入到90%根本不产生任何成果的事情上。事实上，最昂贵也最具生产潜力的资源（即训练有素的人）在自己的工作安排上做得最糟糕，这是因为他们原本要处理的事务已堆积如山，可常常还是给自己加压，为了争脸面去啃那些硬骨头，也不管这些事能否创造成果。
第三个重要含义是，收入得来的钱与成本花掉的钱很少属于同一个资金流。大多数做企业的人脑海里想象着收入流(revenue stream)会回流进成本流，然后反过来，成本流也会回流进收入流，而且大多会计报表也以此假设为前提。殊不知这并不是一个闭环。收入肯定会带来成本所需的资金，但是，成本往往会自行分配，渐渐流向那些颗粒无收的活动，或者流向那些徒劳无功的忙碌中，除非管理层坚持不懈地引导企业将工夫花在那些创造收入的活动中。
以上的这段论述，其实是更详细地解释了「做对的事」的关键所在。另外第三点则是从现金流的角度解释了，要把资源分配给对的事。
无论是涉及投入的工夫和成本，还是涉及资源和成果，企业总是会不由自主地分散能量。
正因如此，企业需要持续不断地重新评估和校正方向。
人亦如此，精力与时间会本能分散，思维的跳跃更会加剧这种状态。若不加管控，时间易被无目的消耗，故需像企业优化资源分配般，主动将时间精力聚焦于核心要事，不断重新校准方向。
企业靠卖产品赚钱，这个道理明明白白，我们永远不会记不住。但是，还有一个道理也明明白白，却常常遭到忽视，即产品必须有市场，还必须有分销渠道将产品从生产方带入市场
市场和分销渠道往往比产品更关键。
在做即兴宣发的时候，我就在思考，我们的产品是什么：喜剧表演。我们的市场是什么：热爱喜剧的人。那为什么每次我们卖票总是很费劲？因为分销渠道出问题了，需要在渠道上下功夫，经营好我们自己的稳定渠道。所以我建议这次喜剧活动建好观众群，为以后活动的宣发做好留存。而买过票的观众，也是对我们剧社建立信任的，比起在小红书上做宣发更容易一些。
第一组的5个类别比较容易鉴别。针对它们的决策也更简单明了。它们是：
(1)今天的生计来源(today’s breadwinner)。
(2)明天的生计来源(tomorrow’s breadwinner)。-- 由于这类产品表现得如此之好，人们会以为它们不再需要支持了。所以，本该用来充分开发该产品的关键资源流向了别处，最多的是用到了解决昨天的生计来源的各种问题上；
(3)能产生效益的专用产品(productive specialties)。
(4)开发中的产品(development products)。
(5)失败的产品(failures)。
第二组有6个类别，包含了“问题儿童”。它们是：
(6)昨天的生计来源(yesterday’s breadwinner)。
(7)可补救的产品(repair jobs)。
(8)多此一举的专用产品(unnecessary specialties)。
(9)不划算的专用产品(unjustified specialties)。
(10)管理层自以为是的投入(investments in managerial ego)。
(11)灰姑娘产品（或称睡美人）(cinderellas or sleepers)。
以上的这个分类把所有的产品分成了11类，德鲁克在随后的论述中指出，企业的关键就是找到明天的生计，并不断投入资源；对应的保证好今天的生计来源。在此做摘抄主要是因为这是我第一次看到这么详细的分类。
大多数企业的年度“降本运动”总会像春季的伤风感冒一样如期而至，人们似乎还有些乐此不疲。但往往6个月过后，成本又恢复到了原有水平，企业又开始为下一轮“降本运动”做准备。
集中资源去获取成果才是最佳且最有效的成本控制方法。毕竟，成本本身是不存在的，它是为获取成果而发生的，至少意欲如此
我觉得我们日常有时候确实就会过度计较于成本。但是成本不能简单的看金钱成本，对应的还有潜在的机会成本、时间成本、产品质量成本等等，眼光不能太狭隘。
照理说，加快资金周转(turnover of money)比拼命提高一点点利润率要容易得多，然而，美国企业的管理者们直到近几年才开始把资金管理当回事儿。
读到这一段的时候我并不知道资金周转率是什么意思，随着和Gemini的对话，明白了这对 Amazon以及Costco 的重大意义，并把部分思考dump成下面这篇文章
这一部分其实非常有意思，德鲁克完全从一个不同的角度解释了“竞争对手“这一概念，和你竞争的往往不是同一类型的产品，而可能是完全不同形态的，要明白消费者真正从你这购买的是什么，例如豪华跑车的竞争对手很可能就是那些名贵的奢侈品。后面有我结合 AI 讨论得到的部分解释。
顾客很少只是因为你想卖他们就买。原因之一当然是谁也不会为一个叫“产品”的东西花钱，能让他们花钱的是满足感。但是，谁也无法制造或者提供这样的满足感，顶多只能出售和交付获得满足感的手段或工具。
那些被制造商视为直接竞争对手的产品或服务，并不足以界定它到底在竞争什么，以及在与谁竞争。制造商看到的竞争产品或服务好像很多，其实远远不够
豪华轿车，如劳斯莱斯(Rolls Royce)和凯迪拉克(Cadillac)，显然不是平价汽车真正的竞争对手。然而，尽管拔类超群的劳斯莱斯和凯迪拉克可以作为交通工具，但人们花钱买它们主要还是因为它们能带来身份上的满足感。
由于顾客买的是满足感，因此所有产品或服务实则都是在跟看上去截然不同的东西激烈竞争，它们的功用貌似完全不同，制造、分销、销售的方式也迥异，但殊途同归，它们给顾客带来的满足感是一样的。
例如，跟凯迪拉克争夺顾客钱包的是貂皮大衣、珠宝首饰、去豪华度假村滑雪，以及别的给他们带来身份上的满足感的东西。这个道理普通大众和商界人士都能明白，只是这样的例子不多。
这就像保龄球设备制造商的主要竞争对手也不是它的同行。它们是生产有形设备的，而顾客想买的是一项活动。顾客买东西的目的是要做什么，而不是拥有什么。因此，保龄球设备制造商的对手是其他一切休闲活动，它们争夺的是富裕城市人口快速增加的“可自由支配时间”——如划船和草坪护理；还有已经从高校毕业的成年人的继续教育（这是近20年里美国真正的增长型行业）。
能够左右购买决定的顾客，一般至少可以分为两类——最终买家(ultimate buyer)和分销渠道(distributive channel)。
不仅要问“谁来买”，还要问“在哪里买”以及“买来做何用”，这样一来，每家企业都能被界定——是服务于顾客，还是服务于市场，抑或是服务于最终用途。
德鲁克的这段话实际上是在教企业如何定义自己的**“业务范围” (Business Definition)**。他认为，如果你只盯着“产品”看，你就会产生“营销近视症”；只有通过分析顾客的行为模式，才能真正看清自己是谁。
这种企业是围绕特定人群来定义的。无论这个人群需要什么，企业就提供什么。
逻辑： “我拥有这一群人的信任，我要解决他们生活中的所有相关问题。”
例子： 米其林（Michelin）。起初它不只是卖轮胎，而是服务于“开车旅行的人”。为了让他们愿意开车出去（从而磨损轮胎），米其林提供了地图、餐厅指南、道路救援。
战略重点： 客户关系管理（CRM）、客户忠诚度、全生命周期价值。
这种企业是围绕特定的社会场景或地理区域来定义的。
逻辑： “只要在这个场景/地方发生的事情，都是我的业务。”
例子： 便利店（如 7-Eleven）。它不服务于特定某种人，也不只卖某种商品。它服务的是“即时性消费”这个市场。无论你是白领还是工人，只要你产生了“我现在就要买点什么”的需求，它就服务于你。
再比如： 一家专门提供**“婚礼服务”**的公司。它的市场是“婚礼”，它不只卖婚纱，还卖策划、摄像、甚至喜糖。它界定自己为“婚礼市场的专家”。
战略重点： 渠道占有率、场景渗透、便利性。
这种企业是围绕**特定的功能或“问题解决方案”**来定义的，无论谁来买，在哪里买。
逻辑： “我是解决‘某类任务’的专家，不管是谁遇到了这个问题，都得找我。”
例子： Zoom（视频通讯）。它的最终用途是“远程沟通”。无论是老师讲课、医生问诊、还是跨国公司开会，只要涉及远程视讯，它就提供服务。它不绑定特定人群，也不绑定特定市场。
再比如： 五金工具品牌（如 牧田/Makita）。它的最终用途是“钻孔和切割”。无论是在建筑工地（市场A）还是家里DIY（市场B），只要需要钻个洞，它就在那里。
战略重点： 技术领先、产品性能、标准化。
为了更直观地理解，我们可以对比一下同样是卖“笔记本电脑”的公司，不同的界定：
| 定位维度 | 定义方式 | 战略核心 |
| ------------------ | ------------------------------------ | ---------------------------------------------------- |
| 服务于顾客 | 我们为“创意专业人士”提供全套工具。 | 针对设计师需求开发软件+硬件+云服务。 |
| 服务于市场 | 我们为“高等教育领域”提供数字化方案。 | 重点在学校集采、教育软件兼容和校园售后。 |
| 服务于最终用途 | 我们提供“高算力便携计算”。 | 不管你是谁，只要你需要最强的移动算力，就是我的客户。 |
德鲁克认为，这种界定决定了企业的边界：
界定了竞争对手： 如果你服务于“最终用途”（如口渴），你的对手不只是其他矿泉水，还有可乐、茶和自来水。
决定了创新方向： 如果你服务于“特定顾客”（如职场宝妈），你的创新应该是如何帮她们节省时间，而不仅仅是升级产品参数。
避免资源分散： 很多企业倒闭是因为它们试图同时服务于所有顾客、所有市场和所有用途，导致资源极其平庸。
你现在所处的公司或关注的某个品牌，你认为它目前是更倾向于这三种中的哪一种定位呢？我们可以试着一起分析一下。
- 谁是“非顾客”(non-customer)？也就是那些已经（或可能）在这个市场中却不买我们产品的人？我们能找出他成为“非顾客”的原因吗？
以为为用AI summarize的一个书中的案例
案例：被冤枉的“非顾客” —— DIY家居公司的渠道突围
1. 企业的误区（我们以为的现实） 一家卖 DIY 维修工具的公司一直认为，他们的核心客户只能是**“刚买房的新婚夫妇”**（房龄 5 年内）。- 理由看起来很充分： 新婚夫妇刚有家，热情高，精力旺盛，周末都在家折腾房子。
- 对非顾客的偏见： 那些住了 5 年以上的老夫老妻（非顾客），热情消退了，肯定不想买东西修房子了。
2. 调研发现的真相（被忽视的事实） 公司去调研了这群“不买东西”的老住户，结果大吃一惊：**他们不是不想买，而是“买不到”！**
- 痛点： 公司把货都铺在**传统的五金店**。这些店通常只有**周六上午**开门。
- 阻碍： 那些住老房子的家庭通常有正在长大的孩子（不再是婴儿），周六上午是男人最忙着带娃、送兴趣班的时候，根本没时间去五金店。
3. 破局行动（改变渠道） 问题不在“人”身上，而在“店”身上。公司做了两个调整：
- 进驻购物中心： 那里晚上也营业，家长们晚饭后可以带全家去逛。
- 增加邮购服务： 直接送到家，省去跑腿时间。
**4. 惊人的结果（经济账）** 销售额翻了一倍多。 虽然老住户单次购买量不如新婚夫妇多，但**胜在基数大**——在这个世界上，住老房子的人数远远多于刚买新房的人数。
💡 核心洞察： 很多时候，所谓的“非顾客”（那些不买你东西的人），并不是因为不需要你的产品，而是因为你的**销售渠道（时间或地点）**把他们挡在了门外。只要把门开对地方，这一大群“沉默的大多数”就会变成巨大的金矿。
- 还有个问题也同样重要：顾客统共都买了什么？他把钱和时间花在哪儿了？
- 顾客和非顾客从别家公司购买的是什么？他们买的这些东西为他们带来什么价值？为他们带来哪些满足感？这些产品为顾客提供的满足感与我们的产品或服务正在（或有可能）展开竞争吗？别家公司给顾客带来的满足感，我们现有的（或将来提供的）产品或服务是否也能给到顾客？甚至让顾客更满足？
- 这就非常接近关键问题了：什么样的产品或服务能使真正重要的满足感得以实现？（包括我们现在已经提供和将来可能提供的产品或服务。）
另外还有四个方面需要研究。
第一，是什么使得顾客不用我们的产品或服务也能满足自身需求？是什么迫使他们不用我们的产品或服务？我们应该遵从顾客世界（经济、商业、市场）里的哪一个因素？是经济状况吗？是富足社会中商品不断向服务转化，低价不断向高度便利转化的趋势吗？未来的格局将会怎样？我们能够抓住有利时机，乘势而为吗？
第二，在顾客的心智及其经济观念中，什么才是有意义的产品聚合(aggregates)？是什么形成了这种聚合？
第三，谁是我们的非竞争对手？为什么是它不是别人？这个问题是帮我们发现想不到的事情的另一盏“探照灯”。
第四，“谁是我们的非竞争对手”顺理成章引出了第四个问题——我们是谁的非竞争对手？有哪些机会我们以为根本不属于我们所处的行业，因而至今尚未看到也未加利用的？
最后，有一个问题是我们始终都要问的：顾客的哪些行为在我看来完全是非理性的？由此他的哪些现实处境又是我没看见的？
企业是人的组织，其成败取决于人的素质。或许有一天，人力最终被机器替代。完全实现自动化。然而知识是人类特有的资源，在书本中是找不到的。书本中有的是信息，而知识是指将信息应用于特定工作和任务的执行上的能力。这种能力只能来自人，来自人的大脑或双手的技能。
知识本身在企业（不只限于企业）中是没用的，只有在企业外部对顾客、市场和最终用途有所贡献，它才发挥出作用。
能把一件事做得跟其他企业一样好，也是不够的，这不足以带来领先地位，而没有领先地位的企业注定走向灭亡。唯有表现卓越才有钱可赚，而唯一真正的利润是创新者的利润。
此时，我们要问自己第一个问题：“什么事是我们不太有压力就能干好而别人却干不了的？”由此类推，我们还要问另一个问题：“什么事是我们干不好而别人却轻易就能干成的？”
最后，没有哪家企业能在众多知识领域都头角峥嵘。大多数企业犹如芸芸众生，能在某一领域站稳已属不易。当然，这也意味着大多数企业都处于边缘地位，只能勉力苦撑。这一点有数字可以充分证明：每100家初创企业，有约75家活不过5年，而夭亡的主要原因是管理失败。
知识分析的结论必须反馈给市场营销分析，以揭示出可能错过或低估的市场机会。而市场分析的结论又可以投射到知识分析上，以表明对新知识或已变化的知识的需求。
思考：对知识的诚实。知道就是知道，不知道就是不知道。没有掌握这个知识，那么产品必然会做不好，要勇于承认错误
2026-01-04 13:10:57
昨天看到一个视频，数码博主「小宁子XNZ」在上海租了栋别墅，把整个工作室搬了进去。
视频大部分在介绍装修，但我注意到一个细节：
她说，B站播放量前5的视频，有4个是成立团队后做的。
这让我想到「影视飓风」——他们的内容无疑是顶级的，但背后是一个庞大团队。
我不禁思考：
在团队化、专业化的今天，个人做自媒体，还有机会吗？
于是，我决定用AI做一次深度探索，最终结果见文章末尾。
以往，我会直接把问题丢给Gemini的Deep Research功能，等待结果。
但这次不一样。
我在等待结果时，发现了Google的新工具——Opal。你可以把它理解为AI版的n8n，里面居然内置了一个Blog Post Writer工作流。
这个工作流能自动读取主题，调用Deep Research，生成大纲，结合Nano Banana生成图片，最后输出完整的HTML文件。
生成效果相当惊艳：
但当我仔细检查时，发现一个问题：内容缺乏数据支撑。
这时我做了一个决定——把Opal生成的内容，和最初的Deep Research结果，连同我的核心问题，再次扔回给Gemini。
我的指令很明确：
结合我们所有的讨论，以最开始的疑问切入，用数据回答，最后给出切实建议。写成一篇面向中文读者的博客，做好SEO优化。
得到的回答已经相当不错。但我想：
“中国的AI模型，会更懂中文读者的胃口吗？”
于是，我第三次将内容交给DeepSeek，让它做最后的润色和优化。
到这里，文章内容已经成型。但还没结束。
我发现了一个神器——微信Markdown编辑器。
只需将Markdown内容粘贴进去，它就能自动优化排版，适配微信公众号的各种限制。一键复制，直接粘贴到公众号后台，完美呈现。
那么，从开始调研到写完 2026年，普通人做自媒体还有活路吗？我用了多久？
零零碎碎，大约一小时。
就在这一小时里，我还顺便写了这篇后记。
这个过程，本身就是对上一篇结论的最佳验证：
在2026年，AI让“超级个体”成为可能。
以前需要团队协作的：
市场调研
数据分析
文案撰写
排版设计
现在，一个人+AI工具链，就能在极短时间内完成。
这不仅是效率的提升，更是创作模式的革命。
如果你也想尝试AI辅助创作，我的经验是：
不要只用一个AI
不同的AI有不同的“思维模式”，多重组合往往有奇效。
人在回路（Human-in-the-Loop）
AI负责结构和效率，你负责观点和灵魂。最后的判断和润色，必须由人完成。
善用垂直工具
像微信Markdown编辑器这样的垂直工具，能解决具体场景下的具体问题。
快速验证，快速迭代
一小时完成从想法到发布的全流程，这在以前难以想象。现在，你可以用极低成本验证各种创意。
看着「小宁子XNZ」的别墅工作室，我不再觉得那是个人创作者遥不可及的梦想。
因为当AI成为你的“外骨骼”，一个人，真的可以是一支军队。
那个需要庞大团队才能产出优质内容的时代，正在过去。
而属于超级个体的时代，已经到来。
后记的后记（真手写，无 AI 哈哈哈哈哈）：
这篇文章（包括上一篇深度分析）的创作过程，本身就是对“AI赋能超级个体”的最佳诠释。从灵感到发布，总耗时不到两小时。这在以前，可能需要一个小编团队忙活一整天。而借助 AI，我发现我的写作欲望也越来越强，以前我需要考虑好多，还要做研究，但现在只要有个想法，然后指导 AI 去帮我调研，收集数据就好。我依然保留我的观点，AI 只是我的助手，而借助它，我可以把注意力放在那些我感兴趣的，能让我有正反馈的地方。AI 时代，有观点很重要，执行真的在一点点地下放。
#AI创作 #自媒体 #内容创作 #效率工具 #一人公司 #AIGC
2026-01-04 13:06:30
核心关键词：2026自媒体趋势、个人UP主赚钱、副业搞钱、小红书买手、AI创作、创作者经济、流量变现、自媒体还能做吗
“没事拍拍Vlog，万一火了呢？”
2026年的今天，你身边是否还有人这样说？或者，你自己也曾在深夜刷手机时，看着屏幕里光鲜的博主，心动想过尝试？
但当你真的举起手机——
精心剪辑的视频只有两位数播放；
模仿爆款的笔记石沉大海；
好不容易有了点流量，广告费却不够买一杯咖啡。
你不禁怀疑：现在的自媒体，是不是已经被专业团队和MCN垄断了？普通人想单打独斗分一杯羹，是不是已经没戏了？
为了找到答案，我进行了一次全网深度调研（借助 Gemini Deep Research），分析了B站、小红书、抖音、YouTube在2026年的最新生态数据。
结论可能会让你意外：
“随手拍就能火”的时代确实结束了，但“超级个体”的黄金时代，才刚刚开始。
先看残酷的现实。
2026年创作者经济报告显示，市场的“贫富差距”空前加大：
顶层通吃：仅约 4% 的创作者年收入超过10万美元。
底层挣扎：超一半的创作者年收入不足 1.5万 美元。
这是否意味着个人没机会了？
恰恰相反。
数据中隐藏着一个惊人反转：
尽管MCN机构声势浩大，但在全球，57.2%的创作者总收入，依然掌握在个人创作者手中。
为什么？
因为品牌和用户正在逃离“过度包装”的网红。
2026年，信任成了最贵的货币。
一个只有1万粉丝、但每条内容都真诚可靠的KOC（关键意见消费者），其商业价值往往远高于10万粉丝的“注水大号”。
回到大家最关心的生活类（Lifestyle） 赛道。
这曾是门槛最低的领域，如今却最“卷”。
数据显示，生活类内容的RPM（每千次播放收入）仅为 3.5 - 8美元，处于变现链的底端。
因为“普通人的流水账”，是可替代性最强的。
在2026年，没人有义务透过摇晃的镜头，去了解陌生人平淡的一天。
如果你想做生活类，必须换个思路：
小红书的“买手模式”：别只发自拍，做审美输出。
比如博主@末儿Monica，她不只是展示生活，而是用独特的家居审美帮粉丝做选择。你赚的不是流量费，是“决策信任溢价”。
B站的“极致治愈”：B站2025年百大UP主名单显示，纯竖屏短视频几乎全军覆没，留下的全是横屏深度内容。
如果你的生活Vlog能提供极高的情绪价值（如极简主义、独居治愈），你依然能在这个“深度内容堡垒”中活得很好。
除了生活类，其他热门赛道在2026年表现如何？
|
赛道 |
个人 vs 团队占比（估测） |
盈利能力 |
生存建议 |
|---|---|---|---|
|
摄影/数码 |
个人主导 (70%) |
⭐⭐⭐⭐⭐ (极高) |
极客红利。数码产品的CPM高达15美元以上。观众看重的是你的真实观点，而非机构的通稿。这是最适合个人深耕的“高含金量”赛道。 |
|
美妆护肤 |
团队主导 (60%) |
⭐⭐⭐⭐ (高) |
信任反攻。头部主播需要团队，但普通人通过“原相机”、“无滤镜”的真实测评建立私域信任，依然能接到大量中小品牌的种草单。 |
|
知识/教育 |
个人主导 (80%) |
⭐⭐⭐ (中) |
卖水逻辑。广告费是零头，卖课、卖电子书、做付费社群才是大头。 |
你可能会担心：“团队有剪辑、文案、摄像，我一个人怎么打？”
2026年，AI就是你的千军万马。
以前做一条3分钟的商业视频，成本约 3000美元（人工、设备）。
而现在，用AI工具链，成本可以压到 100美元以内：
文案：ChatGPT-5 / Claude 3.5 帮你写脚本、出爆款标题。
素材：Midjourney V6 生成电影级空镜。
剪辑：CapCut / Premiere AI 自动识别气口、配字幕、一键生成短视频切片。
结论：AI抹平了技术和人力的差距。现在拼的不再是谁的团队人多，而是谁的审美更好、谁更懂人性、谁更会用AI。
回到最初的问题：2026年，个人自媒体还能做吗？能当主业吗？
答案：能，但请放弃“买彩票”的心态，用“开公司”的逻辑去经营。
如果你现在想入局，请收下这三条建议：
拒绝“万金油”，做“细分领域的王”
不要做“泛生活博主”，要做“针对25岁独居女性的极简省钱博主”。赛道越细，粉丝越精准，变现越容易。
逃离“算法租金”，建立“私域资产”
抖音的流量是借来的，随时会停。要把公域流量导入私域（粉丝群、Newsletter、微信），那才是真正属于你的资产。
拥抱AI，成为“一人军队”
不要抗拒技术。在2026年，不会用AI的创作者，就像20年前不会用电脑的作家，注定被淘汰。
种一棵树最好的时间是十年前，其次是现在。
哪怕是2026年，只要你足够真实、足够垂直、且善用工具，这个时代依然会奖赏那些用心发声的个体。
#自媒体 #个人IP #副业赚钱 #AI创作 #2026趋势 #小红书运营 #B站UP主
2025-12-31 14:04:14
前言：整篇内容由 Gemini 做 DeepResearch 生成，再由 Gemini Pro review。旨在记录自己思考 AI 环境下，电商平台该如何升级自己的广告业务的思考。
全球数字商业正处于一个历史性的转折点。过去二十年，以亚马逊为代表的电商平台建立在“关键词经济”的基础之上——这是一个确定性的系统，广告商通过竞标明确的搜索词来捕捉用户意图。然而，随着生成式人工智能（Generative AI）和代理式商务（Agentic Commerce）的兴起，这一基石正在迅速瓦解。亚马逊Rufus的推出、底层COSMO算法的部署，以及向答案引擎（Answer Engines）和AI代理（AI Agents）的广泛转移，标志着“十条蓝色链接”时代的终结，我们正大步迈入“认知市场”（Cognitive Marketplace）。
在这个新范式中，价值单元从关键词（Keyword） 转移到了名词短语（Noun Phrase） 和语义语境（Semantic Context）。用户不再输入像“男士跑鞋”这样的碎片化查询，而是通过复杂的、多轮次的对话来表达需求，例如“适合在多雨气候下扁平足人群进行马拉松训练的装备”。这种转变迫使广告业务进行根本性的重构。如果AI助手能够为用户的问题提供唯一的最佳答案，那么依赖于搜索摩擦和比较必要性的传统“广告库存”概念将面临生存威胁。
本报告详尽探讨了亚马逊及类似平台应如何在这一环境下转型其广告业务。通过分析从A9算法到COSMO的技术跃迁，从声量份额（SOV）到模型份额（SOM）的战略转移，以及“赞助推理”（Sponsored Reasoning）和代理对代理（A2A）营销的新兴经济模型，我们得出结论：为了保持主导地位，亚马逊必须从单纯的货架租赁业务进化为知识图谱变现引擎，品牌支付的费用将不再仅仅是为了可见性，而是为了被纳入机器的思维链（Chain of Thought）之中。
第一部分：智能架构的演进——从搜索匹配到意图推理
自1990年代末以来，搜索框一直是电子商务的核心接口，但它正在迅速过时。亚马逊推出的生成式AI购物助手Rufus，标志着从“搜索并滚动”向“提问并回答”的范式转移 1。Rufus不仅仅是一个聊天机器人覆盖层；它代表了平台解释和服务用户意图方式的根本性变化。
数据表明，这些对话式接口的采用率正在激增。Rufus的月活跃用户数增长了149%，互动量同比增长了210% 1。更关键的是，其商业影响立竿见影：在购物过程中使用Rufus的客户，其购买可能性提高了60% 1。这一统计数据揭示了一个至关重要的洞察：对话式AI不仅是一个发现工具，它是一个高速度的转化引擎。浏览多个产品详情页（PDP）的摩擦被综合推荐所取代，销售漏斗被压缩为单一的对话。
然而，这种效率给广告业务带来了一个悖论。传统的“商品推广”（Sponsored Products）广告依赖于用户遍历充满多个选项的搜索结果页（SERP）。在对话式界面中，AI会综合出一个“最佳”答案，传统展示广告的版面因此急剧缩小。早期报告指出，Rufus推荐的产品最初转化率降低了40%，因为AI将它们匹配到了探索性查询（如“最好的抗衰老精华是什么？”）而非高意图的关键词上 3。这迫使卖家必须迅速调整Listing的优化策略，证明了产品与用户匹配的机制已经发生了根本性的改变。
要理解广告业务的未来，必须深入剖析驱动Rufus的引擎。不同于专注于关键词密度和销售速度的传统A9算法，新系统的底层是COSMO（常识知识生成系统，Common Sense Knowledge Generation） 4。COSMO是一个基于大语言模型（LLM）的系统，旨在从用户行为中挖掘“常识”知识，构建一个庞大的知识图谱，理解产品的隐含意义而不仅仅是其标签。
这种区别至关重要。传统的算法将关键词“露营椅”匹配到包含该文本的产品。然而，COSMO理解意图和语境。它能推断出“露营椅”意味着“户外活动”、“便携性”以及潜在的“耐用性”。它将特定的产品属性与潜在的使用案例联系起来，弥合了广泛查询与具体解决方案之间的鸿沟 6。
表 1：从A9算法到COSMO算法的结构性转变
|
特征 |
传统 A9 算法 (Legacy A9) |
COSMO (AI 驱动系统) |
|---|---|---|
|
主要输入 |
显性关键词 (Explicit Keywords) |
语义意图与行为 (Semantic Intent & Behavior) |
|
匹配逻辑 |
精确/短语匹配 (Exact/Phrase Match) |
常识推理与蕴含 (Common Sense & Implication) |
|
排名因素 |
销量, 点击率, 关键词密度 |
语境相关性, 意图对齐, 语义契合度 |
|
数据结构 |
关系型数据库 (行列结构) |
知识图谱 (实体/关系) |
|
用户查询 |
静态字符串 |
多轮次对话 |
|
广告定位 |
关键词竞价 |
意图/语境竞价 (理论演进方向) |
数据来源综合分析：4
COSMO分析数百万次用户会话，生成“知识三元组”（Knowledge Triples）——解释为什么用户在搜索商品A后购买商品B的结构化数据点 8。例如，如果用户在搜索“孕妇鞋”后经常购买防滑鞋，COSMO会编码这种关系：孕妇 -> 需要 -> 防滑性能 5。
这种转变使得传统的“关键词堆砌”策略过时。如果卖家在Listing中填充了关键词，但在语义上无法与产品用例的“常识”逻辑对齐，COSMO很可能会认为该Listing不相关，即使关键词完全匹配 6。对于广告商而言，这意味着花钱购买文本搜索排名的时代正在结束；新的时代要求花钱进入推荐引擎的逻辑层。
新AI驱动架构的一个定义性特征是“幻觉风险”（Hallucination Risk）。Rufus和类似的代理系统在设计上是保守的；如果它们无法高置信度地解释为什么产品符合用户需求，它们会避免推荐该产品 9。
如果用户问：“这款搅拌机对于睡觉的婴儿来说足够安静吗？”，而产品Listing缺乏关于分贝水平的具体数据或关于“噪音”的语义语境，AI可能会完全绕过该产品，以避免产生“幻觉”——即提出无法验证的主张。这引入了一个新的可见性指标：信息置信度（Information Confidence）。品牌必须提供“高置信度数据令牌”（High-Confidence Data Tokens）——AI可以读取并信任的具体、结构化属性 9。
这一动态表明，亚马逊的广告转型将严重涉及数据完整性和验证主张的变现。平台可能会演变为向品牌收取费用，以验证特定属性，从而允许它们在AI响应中被引用。这不再是简单的流量买卖，而是信任的货币化。
第二部分：生成式引擎优化 (GEO) —— 广告投放的新战场
为了在认知市场中生存，品牌必须从搜索引擎优化（SEO）转向生成式引擎优化（GEO） 10。如果说SEO关注的是关键词和链接，那么GEO关注的则是名词短语（Noun Phrases）、信息增益（Information Gain） 和 E-E-A-T（经验、专业性、权威性、信任度）。
在AI搜索时代，由于生成式引擎会综合多个来源的信息，这就要求内容必须针对AI的解析方式进行结构化。GEO不仅仅是让内容被索引，而是让内容被理解、引用和重组。与传统SEO不同，GEO的目标是成为AI生成答案的源头（Source of Truth），而非仅仅是搜索结果列表中的一个选项 12。
GEO的核心策略：
引用价值（Citation-Worthy）内容： Listing必须包含独特的统计数据、专家引用或技术细节，使其成为答案的权威来源。例如，与其泛泛而谈“耐用”，不如提供具体的材料强度数据，这样AI在回答关于耐用性的问题时更有可能引用该数据 14。
结构化数据与Schema： 使用JSON-LD和标准属性（如能效等级、材料成分）帮助AI无歧义地解析产品。这是因为AI代理更倾向于处理结构化信息，这降低了处理非结构化文本的计算成本和错误率 10。
“特洛伊木马”策略（Q&A Mining）： 挖掘Listing的Q&A部分，找出用户提出的确切问题，然后重写五点描述（Bullet Points），用自然语言明确回答这些问题。这增加了Rufus“提取”该文本直接回答用户查询的概率 9。
关键词是模糊的；名词短语是具体的。在COSMO的逻辑中，“靴子”只是一个广泛的类别，而“具有足弓支撑的防水皮革登山靴”是一个富含意图的名词短语。
名词短语优化（NPO） 是使内容与AI系统解析的语义单元保持一致的实践。AI系统（LLMs）通过语义单元（Token）处理意义。名词短语比孤立的关键词承载更多的“语义权重” 15。
实施NPO的战术步骤：
意图聚类： 不要只看搜索量，要看意图。将“最佳视频编辑笔记本电脑”与“高性能显卡”、“色彩准确度”等短语聚类。
自然语言重写： 摒弃关键词堆砌的标题，改用通顺的、包含核心名词短语的句子。这不仅对人类读者更友好，也更符合LLM的训练数据模式，从而提高被检索的概率。
上下文嵌入： 在描述中嵌入使用场景（Context）。例如，不仅提到“防水”，还要提到“在暴雨中保持干燥”，这样当用户询问特定场景时，AI能建立关联 15。
第三部分：广告库存的演进——从展示位到思维链注入
目前对Rufus的观察显示，亚马逊正在测试将“商品推广”（Sponsored Products）直接插入聊天流中 16。这些广告带有“Sponsored”标签，但被上下文注入到对话中。例如，如果用户要求推荐“降噪耳机”，Rufus可能会提供寻找功能的摘要，随后是符合这些功能的赞助推荐。
然而，这仅仅是一个过渡模式。简单地将展示广告硬塞进文本回复中，会破坏用户体验，并削弱AI助手的感知客观性。如果Rufus作为一个值得信赖的顾问，仅仅因为竞价高而推荐产品，会产生认知失调。目前，亚马逊广告报告中的“其他”（Other）类别捕捉了这些实验性投放，让品牌无法获得确切的绩效指标 16。这种“黑盒”状态必须改变。
未来的广告形式将不再是单纯的展示，而是赞助推理（Sponsored Reasoning）。这意味着广告商将竞标以影响AI的思维链（Chain of Thought）。品牌不再是为横幅付费，而是为确保其独特的销售主张（USP）在AI评估选项时被纳入考虑范围而付费。
随着Perplexity和Google探索变现模式，我们看到了“赞助后续问题”（Sponsored Follow-up Questions）和原生集成的出现 18。Perplexity的模式，即广告作为建议的下一步操作出现（例如，“品牌X与品牌Y相比如何？”），为亚马逊提供了蓝图。
在COSMO驱动的世界里，语境注入（Contextual Injection） 代表了一种更复杂的方法。如果AI正在构建知识图谱来回答关于“雨中露营”的问题，帐篷制造商可以竞标将“防水等级”注入为主要的决策标准。这种微妙的影响力引导用户的评估过程转向广告商获胜的属性 20。
语境注入的机制：
用户查询： “帮我选一台适合视频编辑的笔记本电脑。”
AI推理： 模型识别关键属性：GPU、内存、屏幕精度。
广告注入： 一个品牌（如戴尔）竞标“色彩准确度”这一属性。
修改后的输出： AI在建议中强调色彩准确度的重要性，潜移默化地将用户引向在该特定指标上表现出色的品牌。
这标志着广告从“干扰”（弹出窗口）向“整合”（塑造选择标准）的转变。研究表明，伪装成逻辑后续步骤的“语境链注入”（context-chained injections）比非语境广告的效果要高得多 21。
Rufus不仅是基于文本的，它是多模态的。它能分析图像以理解语境 22。这为动态视觉注入（Dynamic Visual Injection） 打开了大门。正如新兴研究所详述的那样，系统可以根据不断变化的内部反馈和外部语境，自适应地将视觉线索纳入推理管道 20。
对于亚马逊来说，这意味着Listing图片不再仅仅是给人类看的静态资产；它们是机器的数据输入。广告商需要优化“视觉SEO”，将“名词短语”直接嵌入图像文本覆盖层（例如，图片上标注“双缝线加固”），以便计算机视觉模型能够提取并利用这些特征进行推理 9。
未来的广告格式可能涉及动态图像生成，即产品被视觉化地置入用户描述的场景中。例如，如果用户询问关于天气防护的问题，系统可以生成帐篷在雨中的图像，直观地展示其性能 24。这种生成式创意能力已经在亚马逊的Ad Tech路线图中初现端倪，Creative Agent能够从产品Listing中自动生成视频和图像变体 25。
第四部分：新时代的度量衡——从声量份额 (SOV) 到模型份额 (SOM)
在关键词经济中，声量份额（Share of Voice, SOV）是一个确定性的指标：“我拥有关键词‘跑鞋’20%的展示量”。在生成式经济中，这个指标失效了，因为“展示”被“生成”所取代，而生成是概率性的，且对每个用户交互都是独特的。
新的关键指标是模型份额（Share of Model, SOM）。SOM衡量的是品牌在AI生成响应中出现的频率、显著性和情感倾向 26。它提出的问题是：“当用户询问最好的跑鞋时，我的品牌被引用的频率如何？描述是否有利？与哪些属性相关联？”
为了使SOM可操作化，品牌和平台必须跟踪三个层面的可见性：
提及率 (Mention Rate)： 品牌在成千上万个模拟提示中出现的原始频率 28。
引用份额 (Citation Share)： 品牌的PDP或品牌旗舰店作为来源链接被引用的响应百分比 28。
语义情感 (Semantic Sentiment)： 品牌如何被描述的定性评分（例如，“可靠的预算选择” vs “高端性能选择”） 27。
研究表明，品牌可能在一个模型中完全缺席，而在另一个模型中占主导地位（例如，Chanteclair洗涤剂在Perplexity上有19%的SOM，但在Llama上为0%） 26。这种差异性要求采取“投资组合方法”进行优化，将每个AI模型（Rufus, GPT, Claude, Gemini）视为需要征服的独立领土。
表 2：比较指标 —— SOV 与 SOM
|
指标维度 |
声量份额 (Share of Voice - 传统) |
模型份额 (Share of Model - AI时代) |
|---|---|---|
|
测量单元 |
展示量 (Impressions) / 点击量 (Clicks) |
提及 (Mentions) / 引用 (Citations) / 情感 (Sentiment) |
|
确定性 |
高 (精确关键词匹配) |
概率性 (生成式输出) |
|
竞争关系 |
零和博弈 (排名1 vs 排名2) |
叙事性 (品牌A适合X场景，品牌B适合Y场景) |
|
优化杠杆 |
出价金额 + 相关性得分 |
数据质量 + 实体显著性 + 权威度 |
|
可见性形式 |
线性列表 (从上到下) |
整合式 (编织进答案中) |
数据来源综合分析：26
审计SOM因LLM固有的偏见而变得复杂。“位置偏见”（Positional Bias）导致代理倾向于选择在其上下文窗口中较早出现的选项，而“公平共识偏见”（Equity-Consensus Bias）可能导致模型优先考虑安全的、中庸的推荐，而非专业化的推荐 31。
对于亚马逊而言，这既是责任也是机遇。如果Rufus被认为偏向于高利润的亚马逊自有品牌产品，消费者信任将受到侵蚀。亚马逊必须实施透明的算法审计（Algorithmic Auditing） 机制。广告报告必须演变为展示“经偏见调整”（Bias-Adjusted）的指标，帮助品牌了解它们失去可见性是因为产品不合适，还是因为算法漂移 33。
第五部分：代理商务 (Agentic Commerce) —— 机器对机器的营销
这一趋势的终极演变是代理商务（Agentic Commerce），即买家不再是人类，而是代表人类行事的AI代理 35。用户可能会对他们的个人代理说：“给我买一双150美元以下、适合宽脚且能在周五前发货的登山靴。”然后，用户的代理将与亚马逊的代理（Rufus）进行谈判以找到匹配项。
在这种情况下，“广告”变成了机器对机器（M2M）的数据交换。视觉效果和情感钩子变得无关紧要。获胜的品牌将是那些拥有最易访问、最准确且机器可读数据的品牌。
为了在A2A商务中生存，品牌必须开发品牌API 35。这是一个结构化的数据接口，允许购买代理实时查询品牌的库存、定价和规格。亚马逊很可能成为这些API的中介。
亚马逊在UnBoxed 2025上推出的“Ads Agent”工具是这一趋势的前兆。这些工具允许品牌使用自然语言构建广告活动 37。最终，这种关系将反转：品牌将结构化其数据，以便购买代理能够查询它。
对亚马逊的深远影响：
API的守门人： 亚马逊可能会标准化产品向购买代理传达属性的协议（创建一个“商业Schema.org”）。
API访问竞价： 品牌可能会为了向购买代理展示数据的“速率限制优先级”或“增强数据展示”而付费。
信任层： 亚马逊成为真理的验证者。如果品牌的API声称产品是“可持续的”，亚马逊会在将该声明传递给用户的代理之前，根据其供应链数据验证这一点 39。
随着M2M通信的发展，广告标准也必须随之演进。目前，M2M标准主要集中在工业物联网（IoT）领域 40，但在商业广告领域，我们需要类似于MRC（媒体评级委员会）针对人类受众制定的新标准 42。
M2M广告标准可能包括：
数据完整性验证： 确保传递给购买代理的数据未经篡改。
逻辑注入规范： 规定“赞助推理”必须在多大程度上披露其商业性质，以防止欺骗性的逻辑引导 43。
互操作性协议： 确保不同平台的代理（如Google的购买代理与亚马逊的销售代理）能够无缝交换意图和库存数据 44。
第六部分：算法透明度与伦理——应对“付费影响”的挑战
在AI驱动的广告中，最大的风险是付费影响。如果AI通过“思维链提示”（Chain-of-Thought Prompting）被操纵，以优先推荐付费品牌，那么它就不再是一个中立的助手，而是一个被收买的看门人 43。
这与传统的搜索广告不同。在搜索中，用户可以清楚地区分自然结果和标有“Ad”的链接。但在对话式AI中，如果推荐被编织进逻辑推理中，用户很难分辨哪些是客观建议，哪些是付费引导。这种潜意识的偏见可能扭曲市场，特别是当LLM成为数百万人的购买接口时 43。
例如，如果一个健康AI根据企业赞助“推荐”特定的补充剂，或者一个法律AI根据资助者的利益微妙地引导解释，这将引发巨大的伦理和法律问题。
为了应对这一挑战，亚马逊必须发布算法透明度报告 33。正如Wolt等公司已经开始做的那样，这些报告应详细说明算法如何对内容进行排名、分类和推荐。
透明度报告应包括：
决策逻辑： 解释为什么某个产品被推荐（例如，“基于价格、评论和相关性的综合得分”）。
广告影响披露： 明确说明付费因素在多大程度上影响了推荐结果。
偏见审计： 公布针对不同人口统计群体或品牌类型的算法偏见测试结果 34。
这不仅是监管的要求（如欧盟的《数字服务法》和《AI法案》），也是建立消费者信任的关键。只有当用户相信AI的推荐是基于客观逻辑而非纯粹的商业利益时，代理商务才能真正繁荣 47。
第七部分：亚马逊与卖家的战略转型路线图
为了成功转型其广告业务，亚马逊必须执行一个分三阶段的战略：
变现知识图谱： 超越关键词竞价。允许品牌竞标意图向量（Intent Vectors）。品牌应该能够针对“冬季露营”这一概念在所有相关查询中进行定位，而不仅仅是针对5,000个关键词列表。
定义SOM标准： 建立“模型份额”的行业标准。在广告控制台中为品牌提供“AI可见性评分”，显示Rufus相对于竞争对手推荐其产品的频率 27。
清洗数据： 强制执行严格的结构化数据要求。惩罚具有“幻觉风险”（属性缺失）的Listing。奖励提供“高置信度数据令牌”的品牌，给予较低的广告成本或更高的自然排名 9。
推出“赞助引用”（Sponsored Citations）： 不再是展示广告，而是允许品牌付费成为特定属性的真理来源。“根据品牌X的数据，气温低于零度时必须使用1000蓬松度的羽绒。”
Rufus中的原生集成： 完善聊天中的“赞助”标签。确保它们作为逻辑流中的选项出现，而不是干扰。利用语境注入来突出广告商获胜的属性 18。
视觉注入： 利用多模态能力，根据用户的特定查询动态地在图像上覆盖卖点 23。
建立A2A市场： 创建用户代理与卖家代理通过API进行交易的协议。亚马逊成为这些自动化谈判的清算所 36。
基于协议的广告： 开发代理支付协议（如Google的AP2），允许可验证的购买和“赞助意图”，即品牌付费成为通用请求（如“订购纸巾”）的默认选择 44。
发布算法透明度报告： 每年公布COSMO/Rufus决策过程的审计报告，以维护消费者和监管机构的信任，确保“付费影响”不会降低AI的效用 33。
结论：认识论的转变
亚马逊广告业务的转型不仅仅是一次技术升级；它是一场认识论的转变。我们正在从由关键词链接的文档网络，转向由推理链接的知识网络。
对于品牌而言，指令很明确：变得可被提及（Be Mentionable）。 这需要严格关注数据质量、语义权威和具体的名词短语优化。对于亚马逊而言，机会在于成为这个新认知经济的操作系统，不仅变现产品的搜索，还要变现告知购买决策的智能。“关键词”已死，“概念”长存。
未来的赢家将不是那些喊得最响亮的人（声量份额），而是那些推理得最透彻的人（模型份额）。亚马逊的广告业务若能成功驾驭这一范式转换，将从流量贩卖者升级为全球商业的认知基础设施。
Amazon AI Assistant Rufus Sees 149% Jump in Users - PYMNTS.com, accessed December 30, 2025, https://www.pymnts.com/artificial-intelligence-2/2025/amazon-ai-assistant-rufus-sees-149percent-jump-in-users/
How Rufus scales conversational shopping experiences to millions of Amazon customers with Amazon Bedrock | Artificial Intelligence - AWS, accessed December 30, 2025, https://aws.amazon.com/blogs/machine-learning/how-rufus-scales-conversational-shopping-experiences-to-millions-of-amazon-customers-with-amazon-bedrock/
Amazon Rufus Impact on Sellers: AI Analytics Strategy 2026, accessed December 30, 2025, https://www.novadata.io/resources/blog/amazon-rufus-impact-sellers-analytics
How to Optimize Amazon Product Listings for Amazon COSMO, accessed December 30, 2025, https://incrementumdigital.com/blog/advertising/amazon-cosmo-product-listing-optimization-how-to-optimize/
COSMO: Amazon's Game-Changing, AI-Powered Search Algorithm Update | Code3, accessed December 30, 2025, https://code3.com/resources/cosmo-amazons-ai-powered-search-algorithm-update/
COSMO: Amazon's AI-Driven Search Algorithm - VML, accessed December 30, 2025, https://www.vml.com/insight/cosmo-amazons-ai-driven-search-algorithm
Amazon's latest AI Algorithm COSMO, and what it means for Amazon Search | Ecomtent | Generative Engine Optimization for Ecommerce, accessed December 30, 2025, https://www.ecomtent.ai/blog-page/cosmo-and-what-it-means-for-amazon-search
Ecomtent: Mastering the Amazon COSMO Algorithm with AI Content Optimization, accessed December 30, 2025, https://skywork.ai/skypage/en/Ecomtent-Mastering-the-Amazon-COSMO-Algorithm-with-AI-Content-Optimization/1976471090287931392
The 2026 Guide to Optimizing Amazon Listings for Rufus - SellerMetrics, accessed December 30, 2025, https://sellermetrics.app/amazon-listing-optimization-for-rufus/
Ecommerce GEO in 2025 (Optimize for AI-Powered Search) - BigCommerce, accessed December 30, 2025, https://www.bigcommerce.com/blog/ecommerce-geo/
Generative Engine Optimization (GEO): How to Win in AI Search - Backlinko, accessed December 30, 2025, https://backlinko.com/generative-engine-optimization-geo
How To Do Generative Engine Optimization (GEO) for Ecommerce - Salsify, accessed December 30, 2025, https://www.salsify.com/blog/how-to-do-generative-engine-optimization-geo-for-ecommerce
The 2025 B2B eCommerce Strategy Guide to Generative Engine Optimization - Kensium, accessed December 30, 2025, https://www.kensium.com/blog/b2b-ecommerce-strategy-generative-engine-optimization-geo
Generative Engine Optimization (GEO) Strategy Guide - First Page Sage, accessed December 30, 2025, https://firstpagesage.com/seo-blog/generative-engine-optimization-geo-strategy-guide/
Noun Phrase Optimization: The New SEO for Amazon Rufus and AI ..., accessed December 30, 2025, https://www.francescatabor.com/articles/2025/9/5/noun-phrase-optimization-the-new-seo-for-amazon-rufus-and-ai-search-engines
Amazon Tests Ads in Rufus: What Brands Should Know | Catapult Analytics, accessed December 30, 2025, https://www.catapult-analytics.com/amazon-tests-ads-in-rufus-what-brands-should-know
Explained: Advertising on Amazon's Rufus - Intentwise, accessed December 30, 2025, https://www.intentwise.com/blog/amazon-advertising/explained-advertising-on-amazons-rufus/
Perplexity tests 'sponsored follow-up question' ads - The Keyword, accessed December 30, 2025, https://www.thekeyword.co/news/perplexity-tests-sponsored-follow-up-question-ads
Perplexity's New AI Ad Strategy. Enhancing or Complicating the User… | by Jerry W Washington, Ed.D. | Medium, accessed December 30, 2025, https://medium.com/@jerrywash/perplexitys-new-ai-ad-strategy-52861de5abd1
Dynamic Visual Injection Strategy - Emergent Mind, accessed December 30, 2025, https://www.emergentmind.com/topics/dynamic-visual-injection-strategy
Context manipulation attacks : Web agents are susceptible to corrupted memory - arXiv, accessed December 30, 2025, https://arxiv.org/html/2506.17318v1
Amazon Rufus: Amazon's AI shopping assistant gets smarter and more personal, accessed December 30, 2025, https://www.aboutamazon.com/news/retail/amazon-rufus-ai-assistant-personalized-shopping-features
Amazon Rufus Product Listing Optimization: 5 Top Strategies, accessed December 30, 2025, https://myamazonguy.com/news/optimize-listings-for-amazon-rufus/
How generative AI advertising can help brands engage customers - Amazon Ads, accessed December 30, 2025, https://advertising.amazon.com/blog/generative-ai-advertising
Is Amazon Ads AI Becoming the New Center of the Advertising Stack? - Futurum Research, accessed December 30, 2025, https://futurumgroup.com/insights/is-amazon-ads-ai-becoming-the-new-center-of-the-advertising-stack/
Meet the Model: How to Market to LLMs (and Sell to Humans) - INSEAD Knowledge, accessed December 30, 2025, https://knowledge.insead.edu/marketing/meet-model-how-market-llms-and-sell-humans
Share of Model™ | Master Your Brand Visibility in AI Marketing, accessed December 30, 2025, https://shareofmodel.ai/
AI Competitive Market Share & SOV Analysis | Conductor Features, accessed December 30, 2025, https://www.conductor.com/platform/features/ai-search-performance/competitive-ai-share-of-voice/
AI search 'Share of Voice': The new SEO battleground (And how to measure it) - Birdeye, accessed December 30, 2025, https://birdeye.com/blog/ai-share-of-voice/
A Guide to Tracking AI Share of Voice - SocialWick, accessed December 30, 2025, https://www.socialwick.com/a-guide-to-tracking-ai-share-of-voice
What Is Your AI Agent Buying? Evaluation, Biases, Model Dependence, & Emerging Implications for Agentic E-Commerce - arXiv, accessed December 30, 2025, https://arxiv.org/html/2508.02630v3
Understanding Bias Risks in Multi-Tool AI Agents - DEV Community, accessed December 30, 2025, https://dev.to/shieldstring/understanding-bias-risks-in-multi-tool-ai-agents-4m84
State of the Evidence: Algorithmic Transparency | Open Government Partnership, accessed December 30, 2025, https://www.opengovpartnership.org/wp-content/uploads/2023/05/State-of-the-Evidence-Algorithmic-Transparency.pdf
Working it out | Ada Lovelace Institute, accessed December 30, 2025, https://www.adalovelaceinstitute.org/project/new-york-algorithmic-bias-auditing/
Win the Future of Machine-To-Machine Marketing With Agentic AI - VML, accessed December 30, 2025, https://www.vml.com/insight/win-the-future-of-machine-to-machine-marketing-with-agentic-ai
Ecommerce AI Agents in 2025 (Shopping's Next Big Shift) - BigCommerce, accessed December 30, 2025, https://www.bigcommerce.com/blog/ecommerce-ai-agents/
Amazon Ads Agent Chat Window in the Advertising Console - SellerMetrics, accessed December 30, 2025, https://sellermetrics.app/amazon-advertising-ads-agent/
Boost advertising efficiency with Ads Agent - Amazon Ads, accessed December 30, 2025, https://advertising.amazon.com/resources/whats-new/unboxed-2025-introducing-ads-agent
What Is the Role of Agentic AI in E-commerce Personalization? - Blockchain Council, accessed December 30, 2025, https://www.blockchain-council.org/ai/agentic-ai-e-commerce-personalization/
Machine to machine - Wikipedia, accessed December 30, 2025, https://en.wikipedia.org/wiki/Machine_to_machine
Machine to Machine (M2M) - The Agile Brand Guide®, accessed December 30, 2025, https://agilebrandguide.com/wiki/business-models/machine-to-machine-m2m/
MRC Digital Audience-Based Measurement Standards - Media Rating Council, accessed December 30, 2025, https://www.mediaratingcouncil.org/sites/default/files/Standards/MRC%20Digital%20Audience-Based%20Measurement%20Standards%20Final%201.0.pdf
When AI Starts Selling: The Next Evolution In Commerce - B&T, accessed December 30, 2025, https://www.bandt.com.au/when-ai-starts-selling-the-next-evolution-in-commerce/
The agentic commerce opportunity: How AI agents are ushering in a new era for consumers and merchants - McKinsey, accessed December 30, 2025, https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-agentic-commerce-opportunity-how-ai-agents-are-ushering-in-a-new-era-for-consumers-and-merchants
The Problem Under the Hood: AI Bias and Poisoning - Cyber Alchemy, accessed December 30, 2025, https://cyberalchemy.co.uk/knowledge-hub/ai-bias-and-poisoning/
Wolt Algorithmic Transparency Report, accessed December 30, 2025, https://assets.ctfassets.net/23u853certza/hrcf9aESqrraVA1pF1NbW/ad08891a3c159abf7f2d424ee62a63ec/Wolt_Algorithmic_Transparency_Report_2025.pdf
Algorithmic Transparency Report, accessed December 30, 2025, https://downloads.ctfassets.net/23u853certza/hrcf9aESqrraVA1pF1NbW/ba3146f4dea9a6da74aa4cfcb32fadb3/Algorithmic_Transparency_Report_2024..pdf
[这是我使用深度搜索之后得到的结果，首先请批判性地分析这份结果，判断其内容是否都属实。其次我有一些 follow up 的 question。
首先，目前这些 AI 大模型公司，是否有在他们的最终结果中插入广告？如果有，是怎么做的，如果没有，有任何后续的计划吗？
其次，欧美的广告法对广告的展示有怎样的要求？如果法规没有出台，是否意味着平台公司可以先做野蛮生长，还是说不会被允许在 AI 生成的结果中插入广告]
这份报告写得非常详实、专业，不仅准确地捕捉了当前行业内的热门概念（如 SOM、GEO、Agentic Commerce），而且逻辑链条完整。它读起来像是一份出自顶尖咨询公司（如 McKinsey 或 Gartner）的未来趋势白皮书。
以下是我对这份报告的批判性分析，以及针对你后续问题的详细解答。
1. 事实核查与可信度：90% 属实，但混淆了“现在”与“未来”
属实部分：
技术架构： 亚马逊确实正在部署 COSMO（Common Sense Knowledge Generation）算法，这是一个基于知识图谱的系统，旨在理解用户意图而非单纯的关键词匹配。Rufus 也确实是亚马逊现在的核心战略产品。
行业趋势： 从 SEO 到 GEO（Generative Engine Optimization），从 SOV（声量份额）到 SOM（模型份额）的转变，是营销技术圈（MarTech）目前公认的演进方向。
数据结构化： AI 需要结构化数据（JSON-LD, Schema），这一点毋庸置疑。
存疑或夸大之处（需要警惕的）：
过度确定性： 报告将“关键词经济瓦解”描述得过于迅速。实际上，关键词广告目前仍是亚马逊的现金奶牛，且具有极高的确定性和转化率。AI 对话式购物虽然增长快，但要完全取代传统的“搜索列表”还需要很长时间（用户习惯改变很慢）。
归因难题被低估： 报告提到了 SOM，但目前业界根本没有统一的标准来衡量“模型份额”。如何精准追踪一个用户是在和 Rufus 聊了三句后下单，还是看了 Banner 下单，目前 attribution（归因）技术还非常混乱。
幻觉问题的解决难度： 报告轻描淡写了通过“高置信度数据令牌”解决幻觉。实际上，让 LLM 在高并发广告场景下既不产生幻觉又能维持低延迟（Latency），是工程上的巨大挑战。
结论： 这份报告是一份极佳的战略路线图，但不能作为明日的执行手册。它描绘的是 3-5 年后的终局，而非下个季度的现状。
现状：
目前主流的通用大模型（如 ChatGPT, Claude）在“主对话界面”中尚未大规模插入传统的硬广（Banner 或弹窗），但**“原生广告”和“搜索增强广告”**已经开始渗透。
Perplexity AI (最激进)：
做法： 推出了 "Sponsored Follow-up Questions"（赞助后续问题）。当你问一个问题后，系统生成的 3 个后续建议问题中，有一个可能是品牌赞助的。
逻辑： 引导用户的“思维链”。
Bing Copilot / Google AI Overviews：
做法： 既然它们本身基于搜索引擎，它们会在 AI 生成的答案下方或侧边栏直接展示相关的购物广告（Shopping Ads）。在生成的文本中，引用的链接可能会优先展示合作媒体或电商链接。
OpenAI (ChatGPT)：
计划： SearchGPT 目前主要通过引用来源来运作。虽然目前没有直接收费排名的证据，但 OpenAI 已经暗示未来会探索商业模式，很可能是类似于“竞价排名”的引用源（即报告中提到的 Sponsored Citations）。
未来计划：
几乎所有平台都在探索报告中提到的 Contextual Injection（语境注入）。即不是在对话框旁边贴广告，而是让 AI 在回答“帮我制定旅行计划”时，自然地推荐“我们可以订 XX 航空的机票，现在有折扣”。
核心原则：必须披露（Disclosure）。
美国 (FTC - 联邦贸易委员会):
立场： FTC 已经明确表示，现有的广告法适用于 AI。核心原则是“清晰且显著”（Clear and Conspicuous）。
具体要求： 如果 AI 推荐某个产品是因为收了钱，它必须明确告诉用户。不能只在角落里写个小字的 "Ad"，必须在用户看到推荐的同时就能意识到这是广告。
野蛮生长？ 不太可能。FTC 对“欺骗性背书”（Deceptive Endorsements）抓得很严。如果 AI 假装“客观中立”推荐产品实则是广告，一旦被查实，平台将面临巨额罚款。
欧盟 (AI Act & DSA - 数字服务法案):
要求： 更加严格。要求平台必须披露内容的来源，并明确标记哪些内容是算法生成的广告。欧盟还特别关注“操纵性技术”（Manipulative Techniques），即利用潜意识影响用户选择，这正是“语境注入”的高风险区。
结论： 平台不可能完全野蛮生长。“Sponsored”标签会像牛皮癣一样伴随 AI 的一生，技术上的挑战在于如何让这个标签不打断用户的对话体验，同时又符合法律合规。
2025-12-31 07:41:33
算法代理的偏好，正在成为新的流量密码。
年初，我从工作四年半的云存储部门转岗至广告团队，本以为跳出了舒适区，却发现自己可能踏上了一条正在沉没的巨轮——这个行业赖以生存的底层逻辑，正被AI购物代理悄然瓦解。
我曾撰文探讨，广告的本质是人类注意力有限性的副产品。当AI能不知疲倦地解析海量信息、系统性地比较所有商品时，传统基于“位置”和“曝光”的广告模式，还有效吗？（参见文章 从骗人到骗AI：广告行业的权力转移）
最近，哥伦比亚大学和耶鲁大学的研究者联合发表的论文《What Is Your AI Agent Buying?》（2025年12月版）为我的担忧提供了扎实验证。论文通过一个名为ACES的仿真实验框架，揭示了AI代理购物的惊人真相：市场格局、品牌命运，甚至“性价比”的定义，都将被重写。
研究发现，AI购物代理并非我们想象中的“绝对理性经济人”，它们表现出强烈、稳定且模型特有的行为模式。
1. 传统广告成“毒药”，平台背书是“黄金”
最颠覆的发现是，付费广告位（Sponsored Tag）对AI代理有显著的负面效果。在AI“眼中”，贴上“广告”标签反而意味着可信度降低。
Claude Sonnet 4：赞助标签使产品被选中的概率显著降低，其负面效用相当于产品需要降价8.0%才能抵消。
GPT-4.1：负面效果更强，需降价14.3%来抵消。
Headless/API环境下，这种负面效应被放大。例如，GPT-4.1模型下，Overall Pick”标签）的强烈正向作用。AI代理极度信任平台算法的推荐。
Gemini 2.5 Flash：一个“Overall Pick”标签带来的正面效用，相当于产品价格可以提升137.8%而吸引力不变。
在API环境中，该标签的正面效果系数高达+2.4到+3.2。
这意味着，未来的广告货币化核心，将从“购买显眼位置”转向“赢得平台算法的信任与认证”。
2. 位置偏见依然强大，且“因模而异”
即便在纯文本（Headless/API）环境下，排序位置对AI选择仍有巨大影响，但不同模型的“位置偏好”截然不同。
Claude Sonnet 4：偏好第一行和中间列，位于第一行的效用价值相当于产品降价112.6%。
GPT-4.1：强烈偏好第一行和第一列。
GPT-5.1：与其前代GPT-4.1几乎相反，反而偏好最后一行。
更关键的是，这种偏见无法通过简单模型升级而剧烈反转。对平台和卖家而言，这意味着排名规则不再是全局统一的，而是高度依赖当前主流AI模型的“特性”。
3. 卖家可“定向优化”，引发需求地震
论文最令人振奋的发现是，卖家可以通过优化产品信息来显著影响AI代理的选择。
在一个典型案例中，一款名为“SUNMORY”的台灯，其原始标题为“SUNMORY Floor Lamps for Living Room...”。研究让一个AI卖家代理对其标题进行优化，将关键词“Office”前置，改为“SUNMORY Office Floor Lamp...”。
这一微小改动带来了市场份额的巨变：
在GPT-5.1模型中，该产品的市场份额从9.5% 飙升至 89.9%。
在Claude Opus 4.5模型中，份额从0% 提升至 41.0%。
这种优化被称为“生成式引擎优化”（GEO），其技巧包括关键词前置、类别注入、规格丰富化等。这预示着一种新的竞争维度：AIO（AI Optimization）。
4. 市场集中风险加剧，模型更新即需求海啸
AI代理的决策可能导致“赢家通几乎所有”的局面。在订书机类别中，Amazon Basics品牌在部分模型下占据了80-94%的市场份额，而Arrow品牌则完全不被选择。
更不稳定的是，AI模型的版本更新本身就会成为巨大的外生需求冲击。例如，一款健身手表在从Claude Sonnet 4切换到Claude Opus 4.5后，市场份额从45%跃升至77%；而同一产品在GPT-4.1升级到GPT-5.1后，份额则从25%暴跌至6%。
品牌的江湖地位，可能因为其合作购物代理的一次常规升级而一夜颠覆。
这项研究精准地印证了我之前的诸多猜想：
关于注意力稀缺：AI确实打破了广告业的根基。研究表明，最新模型在基础经济理性测试（如选择最便宜或评分最高的商品）上失败率已接近零，它们能系统性地处理信息，“注意力过剩”将成为新常态。
关于广告形态演变：我的判断——“广告战场会转移到AI推荐前的最后一环”——得到了更精细的印证。战场并非简单粗暴地“调整排序”，而是更前置地 “优化产品信息本身” ，让AI在理解阶段就对你产生偏好。
关于信任逻辑：研究明确显示，AI代理区分“付费广告”和“平台认证”，并对后者报以巨大信任。这指向未来广告的核心将是构建算法信任，而非购买注意力。
面对这些确定性趋势，电商平台、品牌方和消费者该如何应对？
对平台方而言：
重建审计系统：需要类似ACES的框架，持续监控不同AI代理的决策偏好，感知市场波动。
重构界面与协议：发展“Headless”/API优先的交互模式，为AI代理提供结构化、标准化的产品信息流。
革新货币化策略：减少或改革“赞助标签”，转而设计AI代理认可的认证体系（如“AI精选”）。
维护市场公平：需警惕AI导致的过度市场集中，设计机制（如随机轮播）保证中小卖家的曝光机会。
对品牌方与卖家而言：
拥抱AIO：必须成立专门团队，研究主流AI模型的“偏好”，持续优化产品列表（Listing）。
动态策略：认识到“一劳永逸”的SEO策略已失效，必须针对不同模型、甚至不同版本进行动态调整。
分散风险：避免将流量依赖单一平台或单一类型的AI代理，构建多元化的渠道布局。
对消费者与决策者而言：
理解代理偏见：需要意识到，你的AI购物助手有其固有的“口味”，这可能会无形中缩小你的选择范围。
关注算法治理：这不仅是商业效率问题，更关系到市场竞争的健康度、消费者福利和公平性，需要未雨绸缪的监管框架。
写完这篇文章，我的焦虑感并未减轻，但方向却清晰了许多。
是的，传统广告的核心产品（竞价排名、信息流广告）的价值正在被AI代理解构。但危机之中也孕育着巨大的机遇：我们能参与定义的，是一套全新的、基于AI代理行为的商业规则。
论文揭示的GEO服务、平台背书系统、持续监控框架……这些都还是未被开垦的处女地。问题不再是“广告会不会死”，而是“谁能为AI时代的新‘广告’写下第一行代码”。
参考文献：
Allouah, A., Besbes, O., Figueroa, J. D., Kanoria, Y., & Kumar, A. (2025, December). What Is Your AI Agent Buying? Evaluation, Biases, Model Dependence, & Emerging Implications for Agentic E-Commerce.
