AI 如何重写搜索漏斗:从发现到合成的时代
蓝色链接时代的终结
传统的搜索漏斗正在瓦解。过去二十年里,流程是可预测的:用户输入查询,浏览十个蓝色链接,然后点击网站寻找答案。这个循环正在终结。如今,搜索引擎不再是目录,而是“答案引擎”。大语言模型(Large language models)现在横亘在用户与信息之间,将整个网站的内容浓缩成一段话。这不仅是界面的改变,更是互联网价值流动方式的根本转变。曝光不再保证流量。品牌可能出现在生成式摘要的顶部,但如果用户无需点击就能获得所需信息,网站就无法获得任何流量。这对依赖搜索生存的创作者和企业造成了巨大压力。我们正从一个“发现”的世界转向一个“合成”的世界。在这个新环境中,成功指标正在实时重写,因为平台将用户留存置于外部网络生态健康之上。
机器如何为你阅读网页
这一变化背后的技术转变在于从“关键词匹配”转向“语义意图”。在旧系统中,搜索引擎索引的是单词;在当前系统中,它们索引的是概念。当你提问时,AI 不仅仅是寻找包含这些词的页面,它会阅读最相关的页面并撰写独特的回复。这通常被称为 AI 概览(AI Overview)或生成式摘要。这些摘要旨在成为最终目的地。通过从多个来源提取数据,AI 创建了一个综合答案,往往让点击进入原始来源变得多余。这是导致点击率压力的主要驱动力。搜索引擎结果页面正在变成一个封闭的循环。
BotNews.today 使用人工智能工具进行内容研究、撰写、编辑和翻译。 我们的团队审查并监督整个过程,以确保信息有用、清晰和可靠。
全球信息经济
这种转变对全球信息经济产生了巨大影响。在世界许多地方,搜索引擎是人们获取政府服务、健康信息和教育资源的主要方式。当 AI 总结这些主题时,它引入了一层可能具有危险性的解释。如果发展中国家的 AI 摘要基于西方数据集提供了略有错误的医疗指导,后果将是直接的。此外,经济影响对小型发布者打击最大。大型媒体集团可以与 AI 公司协商授权协议,但独立创作者和本地新闻机构却被排除在外。他们在没有任何补偿的情况下失去了流量。这可能导致互联网更加整合,只有最大的参与者才能生存。我们正在目睹不同语言和地区发现模式的转变。在某些市场,聊天界面已经比传统的搜索栏更受欢迎。这意味着人们了解产品或新闻的方式正变得更加对话化,而非探索性。全球受众正被汇集到少数几个控制信息流的占主导地位的聊天界面中。这种权力的集中是监管机构关注的重点,他们已经在审视这些公司如何利用市场地位来偏袒自己的工具。曝光与商业价值之间的鸿沟正在扩大,对于许多公司来说,触达全球受众的旧剧本已经过时。他们必须寻找新方法,通过 newsletter、app 和社区平台与用户建立直接关系,而不是依赖一个日益将用户留给自己的搜索算法。
信息时代的新曙光
考虑一下当今典型用户的体验。Sarah 正在为即将到来的日本之旅寻找一台新相机。过去,她会在搜索栏输入“最佳旅行相机 2026”。她会打开四五个来自不同评论网站的标签页,比较规格,查看样张。这个过程需要二十分钟,并为科技博客贡献了多次点击。今天,Sarah 打开聊天界面并询问同样的问题。AI 会根据她的具体行程给出三款相机的优缺点列表。她继续追问关于镜头尺寸和电池寿命的问题。AI 在 Sarah 无需离开聊天框的情况下回答了一切。她找到了完美的相机,并直接前往大型零售商处购买。提供数据的评论网站甚至没见过她。他们提供了价值,却没有得到回报。这就是搜索漏斗的新现实。漏斗的中段,即研究和比较发生的地方,正在被 AI 界面吞噬。这改变了公司对内容的思考方式。如果 Sarah 从不访问网站,该网站就无法向她展示广告、让她订阅 newsletter 或追踪她的行为以进行未来的营销。发现过程已从一张大网变成了一根细管。为了生存,创作者必须专注于成为 AI 引擎无法忽视的权威来源。这涉及几个关键的策略转变:
- 专注于在其他地方无法找到的原创研究和一手数据。
- 建立强大的品牌标识,让用户专门搜索该品牌。
- 优先考虑专家引用和独特摄影等高质量信号。
- 创建服务于漏斗底部的内容,即在交易必要时提供价值。
点击率的压力不仅仅是一种趋势,更是一种结构性变化。随着我们深入 2026,零点击搜索的比例预计会上升。这意味着即使网站保持在排名顶部,其流量也可能持续下降。曝光与流量之间的差异从未如此明显。公司现在被迫通过在 AI 回复中被提及的频率,而非分析工具中记录的会话次数来衡量成功。对于一个建立在页面浏览量指标上的行业来说,这是一个艰难的转型。
即时答案的隐形成本
我们必须对这种效率带来的长期成本提出尖锐的问题。如果搜索引擎停止向它们抓取的网站发送流量,为什么还会有人在开放网络上发布高质量内容?这是一个经典的“公地悲剧”。AI 模型需要新鲜的、人类创造的数据来保持准确性和相关性。然而,通过提供即时答案,它们正在摧毁人类创造这些数据的经济激励。如果网络变成旧信息的坟墓,AI 摘要最终会变得陈旧或开始更频繁地产生幻觉。此外还有隐私问题。在传统搜索中,你是在寻找公共资源;在聊天界面中,你往往在分享个人背景以获得更好的答案。这些数据去了哪里?它们是如何存储的?大多数用户没有意识到他们的对话查询正被用于进一步训练模型。还有能源成本。生成 AI 回复所需的计算能力远高于传统关键词搜索。随着数十亿次搜索转向 AI 摘要,我们信息获取行为对环境的影响将会增加。我们正在用开放网络的健康和大量的电力来换取几秒钟的节省时间。这笔交易公平吗?我们还必须考虑单一答案中固有的偏见。当搜索引擎给你十个链接时,你可以看到各种观点;当 AI 给你一个摘要时,你看到的是经过过滤的现实版本。这对我们如何形成观点和理解复杂问题有着深远的影响。新搜索漏斗中缺乏摩擦力,对于一个需要看到多种观点才能有效运作的社会来说,实际上可能是一种劣势。
现代检索的底层逻辑
对于高级用户来说,理解这种转变的机制至关重要。大多数现代答案引擎使用一种称为“检索增强生成”(Retrieval-Augmented Generation,简称 RAG)的技术。这个过程涉及 AI 在其索引中搜索相关片段,然后将这些片段输入模型以生成回复。这与 AI 仅凭训练数据知道答案不同。RAG 允许 AI 保持更新并引用来源。然而,这个过程有严格的限制。上下文窗口(Context windows)决定了 AI 一次能处理多少信息,这仍然是一个瓶颈。如果主题太复杂或涉及来源过多,AI 可能会遗漏关键细节。此外,API 限制和 token 成本意味着搜索引擎必须在摘要质量与生成成本之间不断平衡。许多公司现在正在使用本地存储和这些模型的私有实例来构建自己的内部搜索工具,以避免将敏感数据发送到云端。这是企业科技领域的一个重大趋势。他们完全绕过了公共搜索引擎,为员工创建了自定义的发现模式。这涉及将搜索集成到 Slack 或 Microsoft Teams 等现有工作流中。这个新漏斗的技术挑战包括:
- 管理生成式回复相对于即时关键词结果的延迟。
- 确保基于 RAG 系统的引用准确性。
- 应对可能每天变化的 AI 排名波动。
- 针对 LLM 爬虫而非仅仅是传统搜索机器人优化内容。
向 **AI 搜索优化** 的转变已经在进行中。这涉及使内容尽可能易于机器解析和总结。这意味着使用清晰的结构,避免废话,并对常见问题提供直接回答。然而,即使是最好的优化也无法解决流量下降的根本问题。该行业的极客群体目前正痴迷于如何在不再愿意引流的索引中保持相关性。这导致了一个新的技术 SEO 时代,即专注于数据密度和语义清晰度,而非关键词密度。
你有什么想让我们报道的AI故事、工具、趋势或问题吗? 向我们提交你的文章想法 — 我们很乐意听取。
发现的未决未来
搜索漏斗不仅仅是在被重写,它正在被压缩。问题与答案之间的差距已经缩小到几乎为零。虽然这对用户体验来说是一场胜利,但对维持互联网的生态系统来说却是一个挑战。我们正在目睹答案引擎的兴起,它们将速度和便利性置于深度和多样性之上。这改变了“高质量内容”的定义。过去,质量是由人类想读什么来定义的;今天,质量正日益被机器能轻松总结什么所定义。随着我们前进,大问题依然存在:如果搜索引擎的主要目标是在不点击的情况下提供答案,那么世界信息的创作者将如何获得资金?这仍然是当今科技行业最重大的未决问题。曝光与流量之间的平衡是每个拥有在线业务的公司的新战场。成功的公司将是那些能够找到既对 AI 又对最终用户不可或缺的方法的公司。
编者按:我们创建本网站,旨在作为一个多语言人工智能新闻和指南中心,为那些并非电脑极客,但仍然希望了解人工智能、更有信心地使用它并关注正在到来的未来的人群服务。
发现错误或需要更正的地方?告诉我们。