AI Agent 时代的营销 / 一个 SEO 老兵眼中的 GEO 与社群 - INDIGO TALK EP 51
AI 推荐的答案只有三到五个位置，没被推荐就没有流量。这期 Indigo Talk 请来了 HashMatrix 合伙人大罗，一位把产品做进 a16z AIGC 榜单的 SEO 老兵，拆解 AI 到底凭什么推荐一个品牌：训练数据与 RAG、一个问题拆成十几个 Query、投毒为什么正在失效。聊到最后，两人得出一个反直觉的结论：Agent 时代最被低估的增长杠杆，是活人社群和线下连接。
Apple Podcast & Spotify 播客 ｜ 小宇宙播客
主持：Indigo（温哥华）
嘉宾：大罗 Roger，HashMatrix 合伙人，负责搜索与 Organic Traffic 业务；前跨境电商创业者，AI 图像生成产品 ZMO 联合创始人
时长：约 76 分钟
时间戳
- 00:02:30 一个 SEO 信徒的起点：从印象笔记到 ZMO
- 00:07:28 AI 在营销里真正提效的是什么：两三周变成十分钟
- 00:12:42 AI 做不好的：无中生有、爆款，以及那点人味
- 00:19:23 第四种流量入口：被 AI 推荐，还是被 AI 遗忘
- 00:23:57 AI 到底怎么推荐：训练数据、RAG，与一个 Query 变成十几
- 00:31:29 频率、可信度与投毒：GEO 这场博弈的现状
- 00:36:20 最被低估的增长杠杆：社群，以及 Brand Mention
- 00:41:32 AI Slop 时代：稀有度、基因，与你自己的 Voice
- 00:47:55 悲观的一面：营销成本上升、马太效应，与线下这个新结构洞
- 00:55:11 一个人加一支 Agent 军团：Gabby 与十倍产能
- 00:58:46 专业服务的解构：FDE 模式与 Agent Vendor
- 01:05:55 Humanize 的真实含义：先过算法这一关
- 01:12:48 给新人的一句话：做回人
01
一个 SEO 信徒的起点
从印象笔记到 ZMO
大罗对 SEO 的信仰不是理论推导出来的，而是在 ZMO 这个产品上"一线感受"到的：一个 AI 图像生成产品，主要用户几乎全部来自搜索。
节目开头有个小插曲颇有意思。大罗和 Indigo 其实在很多年前就在北京理想国际大厦同一栋楼里工作过，一个在印象笔记（Evernote 中国），一个在微博。两人在温哥华重逢，如今一个在 Vancouver，一个在 Richmond，算是大温地区的邻居。
大罗的创业路径很典型地踩中了几个时代节点。2017 年他离开北京回到加拿大，一开始并不知道要做什么，索性做起了跨境电商，把 Home & Kitchen 类目做到了几个头部产品。但真正把他推向 AI 的，是女装类目里一个非常具体的痛点：拍照太难、太贵，要租 Studio、要雇模特。2019 年，他和几个合伙人想到，如果有一个 AI 能把衣服直接"套"在模特身上，这些成本就都省了。这就是 ZMO 的由来，一个在 2019 年就切入 AI 图像生成的产品，后来拿到了大约千万美元的融资。
Indigo 补充了一个时代背景：2019 年初切入，随后疫情来了，所有人都在网上买东西，模特拍片反而不方便，ZMO 正好站在了第一波浪潮上。ChatGPT 出来之后，ZMO 一度频繁出现在全球热门 AI 应用榜单上，包括 a16z 的 Top 50 AIGC 项目。
大罗对此的解释很直接："主要原因是因为我做 SEO 做得好了。" [07:05] 当时 AI Image Generator、AI Model 这些关键词，ZMO 都排在 Google 第一。他之前对 SEO 只是"稍微了解过"，但在 ZMO 期间彻底见识了 SEO 能带来多强劲的用户增长。后来项目转型，不断有朋友来问"你们当时怎么拿到这么多用户的"，几乎每天都有人问，他意识到这是一个真实存在的需求，于是和小庞、Jenny（两位都上过 Indigo Talk）一拍即合，成立了 HashMatrix，专门帮助出海产品在海外做流量和获客，大罗负责其中的搜索与 Organic Traffic 板块。
这段经历的意义在于：接下来所有关于 AI 搜索、GEO、Brand Mention 的判断，都不是一个咨询顾问的推演，而是一个亲手把产品送上搜索第一位的人在实战中形成的直觉。
02
AI 在营销里真正提效的是什么
两三周变成十分钟
核心观点：营销有上百个可以 Niche Down 的细分操作，但 AI 目前真正带来数量级提效的，是那些重复性强、流程多的工作，典型的例子是内容的多平台切片与再分发。
Indigo 抛出的第一个问题是双重的：HashMatrix 服务的很多客户本身就是 AI 公司，而他们又在用 AI 做营销，那么身处其中，AI 到底在营销里起了什么作用，能提效多少？
大罗先给了一个坐标系。营销是一个非常大的话题，细分下去有上百种具体操作和渠道，HashMatrix 主要聚焦四个方向：Search Marketing（搜索、SEO），Paid Marketing（Google Ads、Meta/Facebook Ads 这类广告），Social Media（自己做内容运营），以及 Influencer / KOL 红人推广。
在这些方向里，能用到 AI 的地方很多，但"真真正正提效"的，是那些相对重复、流程环节多的工作。他举了一个自己团队过去最耗时间的例子：做出一篇 Long Form Content 之后，要把它做成视频，视频要再切成大约 60 秒的小片段，片段还要再改写成适合各个文字平台的短文案，然后针对 Instagram、Meta、TikTok，根据目标受众可能还要覆盖 Pinterest，甚至 Tumblr 这种"特别上古"的平台，以及最近特别火的 Reddit 和 Quora。每个平台都需要定制化的内容，因为不同平台对内容有不同的倾向性。
在 AI 出现之前，这套流程需要大量人力，速度慢，效果也未必好。从一个内容做出来到分发到所有平台，通常要两到三周，这还是在有成熟团队的前提下，中间还夹着内容审批的时间。而现在，通过他们自己训练的 AI Workflow，5 到 10 分钟就能完成，"这个以前是完全不可以想象的"。[11:28]
Indigo 把这一点总结为：多平台的重复工作、内容自动剪裁、按照不同平台受众重新定位内容。他顺带引出了一个概念，后面会反复出现，那就是结构洞。他自己玩 X 比较多，X 的受众和 Instagram 完全不一样，Lifestyle、美妆类内容发到 X 上基本没人看。不同平台之间的这种信息差和受众差异，就是结构洞。"大家想做 Marketing，就是要发现不同平台之间的结构洞，你就很好去做增长。" [12:35] 这个词来自社会网络理论，指的是网络中两个群体之间缺乏直接连接的位置，谁站在这个位置上，谁就能套利。
03
AI 做不好的
无中生有、爆款，以及那点"人味"
AI 擅长在已有东西的基础上优化和调整，但让它"无中生有"地做出一个 Viral 的、Engaging 的内容，至少目前几乎看不到成功案例。解决方案是给足 Context 和 Harness，然后多生成几版挑选。
Indigo 接着问了反面：AI 做不好的是什么？
大罗的回答先是一个趋势判断：做不好的东西随时间推移"越来越少了"。早期连普通的内容生成都需要大量修改，现在通过调整 Prompt，加上新模型的能力，尤其是他提到的 Opus 4.7 和 4.6（他觉得 4.6 在文字上比 4.7 稍好），对文字的把控已经几乎可以在不需要人参与的情况下直接使用。
但有一条边界没有变：如果你需要它无中生有，就很难。已有的东西让它优化、调整，它做得非常好；但如果基于一个比较虚的概念，让它写出一个能 Viral 的内容，或者做出非常 Engaging 的 Content，难度就很大。在创意、在"有可能产生高 Virality 的内容生产"上，AI 做得好的例子"几乎没有"。[14:14] 反过来，只要你能给出明确的起点、终点和中间节点，告诉它要 Optimize 成什么样，这类 Instruction 型的工作 AI 都会做得很好。
Indigo 对此深有同感，并从读者的角度补充了一层：做营销文案很重要，而人对文字是非常挑剔的，AI 生成的东西"人还是一眼能看得出来"。两人还聊到了一个有趣的观察：Opus 4.6 刚出来时 Indigo 觉得它完全可以替代人写作，但 4.7 不知道做了什么，可能是把 Agentic 能力训练得更强、针对 Coding 做了强烈优化，结果说话就"有点机械味了"，更 Programmatic、更压缩。Coding 追求的是 Efficiency，代价就是少了一点人的感觉。当时已经有 4.8 的传闻，两人笑说"小心升级，拭目以待"。这段闲聊其实点出了一个真实的张力：模型能力的优化方向和"人味"之间，未必是同向的。
那么从零创作到底怎么用 AI？Indigo 分享了自己准备这期节目的方式：他把大罗的课程大纲、简历，以及自己想问的问题一起扔给 Claude，让它 Remix，能给出不错的内容；但如果只是单纯让它"从一个大纲生成另一个大纲"，就做不好。他的体感是需要给它结构、给足够多的 Reference，它才能从中找出结构来。
大罗把这套方法论提炼成两块。第一是上下文（Context）：它要做的事情是什么，框架是什么，哪些信息是重点、哪些不是。AI 经常"发散得比较厉害"，不给足信息它就会乱搞。第二是 Harness，这个词最近在 Agent 圈很热，但大罗指出它在内容生产层面同样重要：你一定要告诉它什么是好的、什么是不好的。你不能只说"给我生成一篇爆款文章"，因为 AI 自己并不懂什么是爆款。[17:30] 你要把爆款文章的风格、Title 怎么起、框架是什么、Headings 的结构、承上启下的方式、哪些文字模式容易增加 Engagement，都通过案例喂给它。这些给足了之后，产出质量会大幅提升。
Indigo 补了一个实操细节：AI 的好处是比人快，给足 Reference 它每一点都能触及到、快速形成连接，把零散的参考组合成看上去不错的东西。所以他一般让它生成三到五版，从中挑一个好的，"肯定不能只是一遍"。但也要有个终点，就像用 Midjourney 选图选到眼花缭乱，"有时候还是得有个终点"。
Indigo 在这一节结尾留下了一个伏笔：模型越来越强，我们参与得越来越少，"但是最后如果不参与的时候，我们价值在哪？" [19:20] 这个问题贯穿了后面整场对话。
04
第四种流量入口
被 AI 推荐，还是被 AI 遗忘
传统流量入口有三种：搜索、平台推荐的信息流广告、人推荐的 KOL。现在出现了第四种：AI 推荐。行业唯一的共识是，它会成为极其重要的渠道，而 AI 给出的答案只有三到五个位置。
Indigo 先梳理了传统的流量结构。搜索是一种；广告是一种，包括 Google 的搜索广告和 Meta 的信息流广告（他以前在微博，对 Feed 广告很熟）；KOL 是第三种，本质上也是一种信息流，只不过一种是平台机制推荐的，一种是人推荐的。而现在，用户大量的时间都在聊天窗口里，AI 产生的推荐成了新的东西。他举了自己的例子：想买一台投影仪，直接问 AI，AI 推荐了极米，他真的就买了，上午下单下午送到。
大罗说，目前行业对这件事"唯一的共识"就是 AI 推荐将会是一个非常非常重要的渠道，没有人怀疑。随着时间推移，人们只会越来越多地通过 AI 获取答案，区别只是用哪个 AI：Gemini、Claude、OpenAI，还是国内的豆包、DeepSeek。他甚至认为 AI 可能会占领几乎所有的流量入口，传统入口如果不快速 AI 化就会被淘汰。
这一点在日常使用中已经能感受到。Google 迅速推出了 AI Overview，你搜任何东西，最上面先是一段 AI 总结的答案；再深一层是 AI Mode，点进去继续聊就是纯粹的对话界面。TikTok、Facebook、Reddit 也在做类似的事情，虽然 TikTok 没有把所有 Query 都开放，但搜得多了就会发现它也开始给总结了；小红书也在做。大罗的判断是：入口本身不会变，但 AI 会入侵到所有入口里去。[23:00]
这带来一个结构性的挤压。以前在 Google 上搜索，你会看一两页结果，自己总结；现在 AI 给你的回答是有限的，通常只提供三到五个 Recommendation 就结束了，你后续的 Drill Down 也是基于这三到五个展开。如果你的产品没有出现在这三到五个里面，那么正如大罗所说，业界现在的共识是："如果你没有被 AI 推荐，你可能未来就不会有任何的流量。" [23:40] Indigo 把它总结成一句话：现在有一个核心命门，就是你如何被 AI 记住。
Indigo 顺着这个思路给了一个技术圈的例子。用 Claude Code 的人都知道，让它推荐一个数据库、一个在线 API、一个开源软件，它会有默认的优先选项。未来大量的软件模块不是给人用的，而是给模型用的，这就出现了一个巨大的市场：让模型选择你，像选秀一样，"我凭什么被 Claude Code 选中，每天编码的时候第一个默认就用我"。他的猜测是，模型在强化学习训练时，哪个项目在 GitHub 代码库里出现最多、优化得最好，模型就会记住它。这是一个有数据、有反馈的领域。但对于买东西这类事情，你怎么被记住？他提到之前"315 曝光豆包投毒"的事情，结果是曝光之后大家的生意反而更好了，"大家一看这玩意真管用"，315 起到了反作用。
05
AI 到底怎么推荐
训练数据、RAG，与一个 Query 变成十几个
AI 推荐基于两种信息来源，训练数据和检索（RAG）。前者商业上几乎无法影响，后者本质上是 AI 在用 Google 和 Bing 搜索，但 AI 搜索和人搜索的最大区别是，它会把你的一个问题自动拆成几个到十几个 Query。这就是为什么 SEO 和 GEO 差别不大。
大罗坦言，AI 推荐的机制变化速度非常快，没有特别确定的答案，但按形式可以分成两种信息来源。
第一种是训练数据（Training Data）。模型在训练当前版本时用了什么内容，就会"记住"什么。但从商用角度讲，你几乎没有办法影响它，除非你已经很知名了，大量出现在它的训练语料里。
第二种是行内术语叫 RAG（检索增强生成）的东西。你可以把它理解成：AI 遇到自己不知道答案的问题时，会做一件我们人也会做的事，就是去搜。用什么搜？主要就是 Google，如果是 OpenAI 也会用 Bing，还有一些其他搜索引擎，但主要就是这两个。
关键在于 AI 搜索和人搜索的区别。人的搜索量是有限的，你想买一辆电动自行车，可能就搜一句 "What is the best electric bike for under 500 bucks"，一个 Query 完事。但 AI"就猛了"。它会根据当前用户的喜好、Location、以及之前聊天中积累的信息，自动把这一个问题拆成四五个、五六个甚至十几个 Query。如果是 Indigo 在问，它可能会搜 "best electric bike in Vancouver"，因为购买这个 Intent 背后隐含着本地购买；它会搜 "in 2026"，因为时间相关；它不一定搜 "under 500 bucks"，可能搜 "around 500 bucks"、"less than a thousand dollars"、"most affordable but reliable"。然后把这一大堆搜索结果组合起来，挑出它认为有效的东西，组成一段话呈现给你。
所以结论很清楚：你必须先能在 Google 和 Bing 上被搜到，才有可能被 AI 搜到。这就是为什么大罗说 SEO 和 GEO 差别不大。[29:10]
Indigo 在这里做了一个补充，把前面关于 Claude Code 的猜想和这套机制对上了。对于技术人来说，进入训练数据的路径是清晰的：在开源社区把项目做到最好，文档最清晰，对模型友好，被"引用"最多，就像写论文被专家 Refer 最多一样，模型自然会用你。这对 Geek 来说很容易理解和执行。大罗也认同：如果你的项目能被 AI 当作训练数据来参考，你本身其实已经很成功了。
Indigo 还分享了一个自己观察 AI 搜索的体感。他现在特别喜欢用 Grok 搜索，会强调让它优先看 X 上用户的正面和反面消息，后来 Grok 记住了这个偏好。他提到 Grok 4.3 有四个 Agent 同时干活，有的负责查、有的负责问、有的负责验证结果，"很明显的看到他在帮我组织问题"。这比单纯问一个问题要全面得多。由此引出的问题是：在这么全面、多方验证的搜索面前，你的东西怎么还能脱颖而出？以前 SEO 的玩法是写篇文章说自己很牛，天天在网站上发，Google"很傻"，权重慢慢就加上去了。他半开玩笑地问大罗："你们以前做 SEO 都这么干的，对不对？"大罗的回答是：对，而且现在还好用。
06
频率、可信度与"投毒"
GEO 这场博弈的现状
当前 AI 推荐的权重逻辑仍然是"出现频率越高越重要"，投毒本质上就是利用这一点。但模型正在给高权重平台和"很多人在说"更高的置信度。不过截至目前，没有任何大语言模型真正知道什么是真、什么是假。
大罗根据实战经验（他强调"不一定准确"）描述了目前的权重逻辑：你的内容出现的频率越多，权重就越高。所谓投毒，本质上就是把一个概念在多个平台上发布，这样 AI 一搜，假设搜到 100 个答案，其中 30 个都提到了你，从 Frequency 的角度 AI 就认为你很重要。这个逻辑现在"仍然是一个有效并且很重要的逻辑"。[32:40]
但随着越来越多人做这件事，大部分 AI 模型加入了新的判断机制。新算法会把更多权重给传统意义上权重更高的平台，比如 CNN、BBC 这种相对严肃的新闻平台，它们提供的信息置信度肯定比一个名不见经传、连流量都没有的小网站高。你很难把毒投到 BBC 上去。所以随着时间推移，"信息来源越可信，权重越高，出现在推荐里的机会越多"，这一点已经能明显看到。
另一个判断维度是：这是一个人在说，还是很多人在说。社媒平台上 Engagement 比较高的帖子，AI 也会采纳，但它会区分单人发声和群体讨论，后者权重更高。
不过大罗说了一句很实在的话："目前为止，没有任何一个大语言模型，至少在我们的实际测试中，真真正正知道什么是真的什么是假的。他没有办法去判断。" [34:40] 所以 GEO 这件事还有空间可做。
Indigo 提供了一个来自个人工作流的反例。他有一套 Telegram 接 Claude Code 的系统，经常把读到的文章扔进去，有时候 Claude 会告诉他这是一篇营销文章、标题和内容不符，然后从另一个角度重新解读，因为他之前给过 Context，要求"思辨地看"。这看起来像是模型有了一点判断真假的能力。
大罗的解释很精准：它只是从逻辑上判断，读文章结构，发现标题党和内容之间明显的冲突，它并不知道事实本身、没法去验证。如果文章写得粗制滥造、强行推荐、不符合逻辑，AI 现在比较容易看出来；但如果你很谨慎地做一个不太容易被看出来的东西，"AI 仍然还是比较容易能够被骗过，AI 还是很好骗的"。[36:10]
07
最被低估的增长杠杆
社群，以及 Brand Mention
品牌在不同渠道、不同平台被提到的频率，与被 AI 推荐的可能性正相关。而活跃的真人社群几乎无法伪造，是中长期 ROI 极高的投入，也可能是唯一有机会进入训练数据的有效路径。
Indigo 问了一个很好的问题：AI 进入这个时刻之后，对一个产品的增长来说，现在最被低估的能力是什么？是数据优化、内容分发、品牌价值，还是用户社区的反馈？
大罗的回答把整场对话推向了高潮。随着越来越多人用 AI 搜索，有一个特别重要的点：你的品牌在不同渠道、不同平台被提到的频率，和你被推荐的可能性成正相关。这其实又回到了最传统的 Marketing：营销的目的是什么？就是让品牌被更多人知道、更多人讨论。
现在生产内容非常容易，"你让 AI 一天写 100 篇文章，它都给你写出来"，但搜索引擎和大语言模型也有能力分辨哪些是粗制滥造的营销、哪些真正有价值。从 AI 的角度，一个品牌被提及的频率越高、平台越多越广，Inherently 就认为你是真的受欢迎。
而现实是，他接触到的很多品牌方都执着于做 Viral 的东西、做各种 Tactic、想办法快速起量，却不太关注"我怎么能让更多人讨论我，我们的社区怎么做"。大罗的判断是：做社区在目前这个场景下，应该是中长期 ROI 特别特别高的一件事。理由是它几乎无法伪造。"你很难去伪造一个很活跃的社区来讨论你的产品。这是为什么像 Reddit 这种平台反而它的权重越来越高了，因为真的有活人去参与的东西，是非常非常难去模拟出来的。" [39:15]
如果让他只选一件事做，他会优先把社区打造起来，让更多人谈论你，随之带来的就是 Brand Mention：在 Facebook、Reddit、Quora，你的品牌被更多人讨论，而这些都是能被 AI 拿来训练的。所以，"这可能也是唯一一个，你有机会能够进入到 Training Data 的比较有效的方法"。[40:05]
Indigo 听到这里非常兴奋，因为这正是他坚持做社群的原因。他的表述是："社群这个真实感，在 AI 这个时代是不可被替代的，而且它有可能现在是最被低估的。" 大家都知道 AI 能快速生产内容、搞数据、自动分发，但唯一做不到的，是把活人连起来。他描述了一条完整的链路：有了社区积累，品牌的口碑存在于人类直接传播时留下的痕迹里，这些痕迹留在网上，被 AI Agent 读到、综合分析，然后 Agent 给它的主人一个结论：这个品牌不错。
两人都承认，社群同时也是最难做的，因为它最"货真价实"，来不得假，天天在里面骗人很快就翻车了。Indigo 还分享了一个小技巧：看到任何电商或产品概念，直接问 ChatGPT"这是不是智商税"，它会一五一十回答，基本可以剔除 90% 骗人洗脑的东西。这个技巧本身也印证了前面的逻辑：AI 正在成为消费者的过滤器，粗糙的营销越来越难穿过它。
08
AI Slop 时代
稀有度、基因，与你自己的 Voice
AI Slop 会不可避免地充斥网络的各个环节，但正因如此，真正难以制作的东西会更有价值。可以被 AI 轻易模仿的东西稀有度会迅速归零；AI 拷贝的只是你的基因，它造不出一个新的宫崎骏。所以让内容更像你自己，是唯一的护城河。
Indigo 问：如果 AI 营销大规模自动化，所有人都在用，市场会变成什么样？是满眼的 Slop、人在垃圾里找宝，还是会形成一个不一样的结构？
大罗承认 AI Slop 会不可避免地充斥到网络的各个环节。但当内容生产越来越容易时，真正好的内容、真正难以制作的东西，反而会变得更有价值。他对 AI 内容的评价是"很缺乏一个灵魂"，你几乎没有办法持续用 AI 生产出爆款；你可能能复制，但当一个内容很快被各种各样地复制之后，它本身就没有传播性了，因为大家都看到了。
所以 AI 在营销场景中被大量使用不是坏事，它把人从 Mundane 的任务里解放出来，比如切分、重复性 Workflow，这样你就可以把时间腾出来，不是去产生更多的 AI Slop，而是去思考你的内容要怎么做才能让目标受众更感兴趣，怎么把真正符合自己调性的东西有创意地做出来，怎么打 Differentiation。
他还观察到一个有趣的现象：人脑很快就被训练出来了，大家天天看 AI Slop，现在你用 AI 写篇文章发出去，很多人一眼就知道是 AI。AI 模型在搜索推荐时同样能通过大量训练学会识别。他提到 Google 已经在做的一件事：所有 Gemini 生成的内容都带有 SynthID 数字指纹，无法去除，用 Nano Banana 生成的图片一直都有 SynthID，Google 一看就知道是 AI 生成的。虽然目前他们并没有把它当作内容推荐的标准，但随着时间推移，AI 生成的内容和"古法打造"、真正人手做的东西，还是会有区别。
Indigo 从"品味"的角度延伸了这个话题，这也是他四月份在自己线下活动上分享过的观点。AI 的 Taste 是模仿，如果一个东西极其容易被 AI 模仿，它很快就会扩散出去，稀有度立刻降到零，就像 NFT 一样，稀有度归零就没有意义了。所以我们永远在找什么是不容易被模仿的。他给出了一个很精彩的比喻："即使 AI 可以把它拷贝出去，它拷贝的也是你的基因。它拷贝的是宫崎骏，那还是宫崎骏的基因，AI 并没有办法造一个新的宫崎骏出来。" [46:00]
由此推出的结论是：在生产内容、做营销、树立品牌时，让你生产的内容更像你自己。好的品味到极致之后是极简，是回归一个完全纯自我的状态。艺术家在不同时期发现自我、找到自我、表达自我，每个人最终都是要把自己表达出来，只是用各种工具。"我有非常强的风格，那一出去即使人家复制，那也是在帮我传播。"
大罗表示认同，并把它落到了营销人身上：你首先得有自己的 Voice，这个 Voice 很难被复制，别人一看就知道是你。复制以前还有时间成本，现在几乎没有价值了，所以"你得有真正的创意，不能简单复制"。对新一代市场人来说，这意味着挑战更大了。
09
悲观的一面
营销成本上升、马太效应，与线下这个新结构洞
大罗对未来"相对比较悲观"：营销成本会越来越高，AI 推荐会偏向已经在系统里获得认可、拥有 Brand Equity 的大玩家，Organic 的机会会减少，广告反而成为稳定渠道。但注意力被稀释的另一面，是线下和真人连接成为新的结构洞。
当 Indigo 问"未来三年，一个品牌的 Marketing 部门应该变成什么样"时，大罗坦白说自己"也不是很 Sure"，但在 Voice 之外，他给出了一个相对悲观的判断。
Marketing 的成本会越来越高。 以往还有一些不用花什么钱就能 Viral 的东西，未来可能还会有，但会越来越少。随着内容生产成本的变化，真正能获得推荐的，会是已经在系统里得到认可、已经有权重的东西。这意味着有资本的 Big Players 更容易得到认可，因为它们有过往的 Brand Equity。他举例：能在福布斯上拿到专访，不是每个品牌都做得到的，而福布斯本身是权重很高的平台，能上福布斯就更容易在其他高权重平台拿到曝光，形成正向循环。反过来，没有资本、没有 Budget 的品牌，拿到曝光和流量的机会会更少，"Unfortunately"。
最扎心的是，大罗说自己是做 SEO 起家的，但他认为随着时间推移，特别 Organic 的东西会越来越少，反而是广告会成为一个相对持续稳定的获取流量的渠道。人永远会搜索，在 AI 里搜、在各种平台里搜，但搜到的结果会是什么样，你怎么出现在里面，如果一点资源都不投入，可能很难不花钱打造一个响亮的品牌。
Indigo 从另一个角度解释了成本上升的原因：竞争会越来越激烈，因为大家很容易复制，生产内容的时间变短了，你有限的时间里会被更多内容填充，注意力被稀释了，"所有人就更难得抢到这一点点可怜的注意力了"。他在 X 上明显看到中文圈的号越来越多，同质化竞争严重，平台也在学习怎么判定原创和转载。
他由此提出了一个猜想：会不会出现一种反 AI 的小众路线，"我就百分之百人"，人味很重，哪怕有 AI 帮忙也看不出来？大罗认为肯定会有，这种"纯手工打造"的东西会拿到更高的溢价。这又回到了人和人之间口口相传的机制，它不会被替代，反而会更有价值。所以他再次强调，如果只选一个最被低估的渠道，就是创建一个社群，回到凯文·凯利的 1000 个铁粉：你不需要获得特别多人的认可，只需要想办法拿到 1000 个人的认可，就够了。而在 AI 时代，拿到 1000 个人的认可可能真的需要通过人传人来实现，"中间还要绕过好多 Agent，你的 Agent 和我的 Agent，他们都挡在前面"。
两人在这里达成了高度共识，并观察到一个反直觉的趋势。Indigo 承认下一代的社交方法已经全变了，非常 Digital，哪怕站在一块也在 Discord 上聊天，但至少还是在和真人聊，聊天渠道变了，并不是要跟 Agent 聊天。他有一个"偏执的观点"：技术越发达，人不会真的去跟 Agent 交友，人只会越来越想跟人聊天、跟人 Connect。这是我们这个时代的一个结构性机会：不能忽略社群，不能忽略人和人的连接，尤其不能忽略 IRL（In Real Life）线下的真实体验，它比之前更重要。他自己以前懒得参加线下活动，现在反而参加得多了，因为再过两年 AI 更发达，你在线上都不知道是在跟人开会还是跟 Agent 开会。
于是他们一起推出了一个漂亮的闭环：线上的 Attention 很难获得，但你可以把大把的人类通过社群搞到线下去获得 Attention，绕开所有 Agent，让人和人直接 Connect，满足感和传达感百分之百传递；然后回去鼓励他们发一点人类写的 Reddit、X、Instagram，提一下你的品牌，AI 和 Agent 的权重马上就起来了。Indigo 把它称为"新产生的一个结构洞"：之前大家都瞧不起线下，后来发现线下见面原来还有这种效率。[54:00]
10
一个人加一支 Agent 军团
Gabby 与十倍产能
HashMatrix 今年团队人数没有增长，反而减少了流程类岗位，全部交给了内部 Agent Gabby。Capacity 扩大了至少 10 倍，从服务二三十个客户到两三百个。但情绪价值和客户沟通仍然无法被 AI 替代，而且 General AI 做到的"平均"在零和博弈的搜索优化里等于没做。
Indigo 注意到大罗没有直接回答"未来 Marketing 部门什么样"，于是换了个问法：分享一下你家里那支"很牛的 Agent 军团"。他的想象是，未来就是"你这样的一个人加上一群 Agent"。
大罗确认这已经是一个比较成熟的模式。作为 Agency，他们一直是人力很重的业务，以往每年都要雇很多新人，但今年团队基本没有增长，反而减少了一些没有必要的岗位，大部分流程类岗位全部交给了 Agent。
他们内部的 Agent 叫 Gabby，基于 OpenClaw 搭建。他们把几乎所有已经成熟的 Workflow 都训练给了她。这里有一个重要的工程细节：不是纯粹靠 Skills 这类东西，他们还写了一些 Python 代码，因为很多比较复杂的东西需要 100% 可靠地执行，"像 Python 这种简单的文字处理还是非常可靠的，比 Agent 可靠多了"。Gabby 可以根据需求调用各种功能；因为服务的客户多，每个客户都有自己的 Context，她清楚每个客户过往的情况；他们还接入了 Google Analytics、Google Search Console 以及很多 External 工具，让 Gabby 基于数据来协助判断。更进一步，团队每次和她的沟通她都会记下来、总结下来，寻找可以改进的地方，回头再训练成一个 Skill。大罗后来才发现这就是现在流行的 Self-Improvement Agent，"我们早就用了"。
结果是：这套系统落地后，Capacity 至少 Expand 到了 10 倍，同样一拨人以前只能服务二三十个客户，现在两三百个没什么问题。
但大罗立刻加了一个限定：这只停留在"做事"这件事情上。真正服务一个客户，有很大一部分仍然无法被 AI 替代，那就是提供情绪价值，和客户沟通交流。客户很难接受和一个纯粹的 AI 沟通，还是希望看到有人脸。Indigo 打了个比方：打电话找客服，"赶紧给我接人类，不要找 AI 了"。
Indigo 接着问 Gabby 是否开放给客户使用。目前还只是内部使用，但未来某一天应该会开放。大罗解释了背后的市场逻辑：传统 Agency 成本很高，服务费几千刀上万刀，不是所有企业都承担得起；很多企业其实只需要做一些简单的、完全可以被 AI 完成的事情，但他们不知道怎么做。
那为什么不直接用 Claude 这类 General AI？大罗的回答很关键：Claude 给的建议不是不对，但它是基于 Common Knowledge 训练的，给出的建议是"平均"的。做大部分事情做到平均是可以的，但搜索优化是一个零和博弈，你要做到平均就等于没有做，你要排到前面就得比别人好。用 General Agent 做 AI 搜索优化，一开始可能有点效果，但随着所有人都这么做，"所有人都优化就等于你没有优化"。[60:20] 所以非常 Specialized 的、有 Special Know-How 的、知道的人不多的 Unique Knowledge 和 Domain Expertise，用它训练过的 AI 来做事，反而仍然有价值，这也是 General AI 短时间内不会替代的东西。
11
专业服务的解构
FDE 模式与 Agent Vendor
未来的专业服务不是简单的 SaaS，也不是传统 Agency，而是"一个有 Know-How 的人类团队 + 一个把 Context 传递给客户 Agent 的工具"。人站在边缘，负责聊天、压缩 Context 和背责，Agent 负责执行。几乎所有有门槛的专业行业都会被这样解构。
顺着"能不能给客户用"的问题，Indigo 描绘了他一直在想的一种模式。现在很多 Vendor 在做 AI Marketing 工具，可以给很多人用，但他觉得应该有一种更好的模式，就像 FDE（Forward Deployed Engineer，前线部署工程师）一样：你驻场进去帮客户解决营销问题，而这个工具背后是一个有自己 Know-How 的专业人类团队，通过工具把 Context 传达给客户。这样的工具就不是一个简单的 SaaS，因为 Agent 已经能做 Context 传达和自动化执行，你只需要人和客户聊天。
他把这个模式概括为"人在边缘"：聊完之后，通过一些手段把信息压缩成 Context，让 Agent 在这个 Context 下执行任务，下一次它就会执行得很好，比它自己整理的还好，因为你是专业的。他认为企业以后会被这样解构掉：Marketing 是一个方向，研发、业务执行、法律、Accounting，都会被这种 AI Vendor 或 Agent Vendor 来实施，不像 SaaS，也不像传统 Agency，但人在里面背责、提供情绪价值。
他还引用了上一期和 Cresta 的 Jove 的对话作为佐证。Jove 带领的 FDE 团队自己开发小工具，去客户那里把需求会议全部录下来，转成语音进工具，工具整理一遍模式，翻译给客户，再把 Context 写进去，然后在这个基础上快速完成研发部署。
大罗非常认同："几乎所有有一些门槛的专业行业，应该都会变成这种模式。"他的理由很接地气：付钱的客户是懒的。"我能跟人喷，然后你就能把事情做好，为什么还要我去跟 AI？"跟 AI 聊天有时候 AI 蠢，不一定真正理解你；但找一个人过来说一下，"我不 Care 你是用 AI 做还是怎么做，你最后把结果给我做好就行了"。
Indigo 把范围进一步扩大：Website Agency、Developer Agency、Accounting Agency、Lawyer，都会往这个方向变，这是又一个范式的结构性变化。他还观察到大模型公司也在做这件事，成立 JV 公司想获取别人的 Know-How，但他判断这个市场不可能一家吃下，最后会打成"地头蛇市场"：谁和谁关系好，谁用我的 AI、你用你的 AI，人到前面去卖 AI，归根结底还是人和人之间的交往和 Relationship。
12
Humanize 的真实含义
先过算法这一关
Humanization 有两个层面，给人看的和给机器看的。大罗课程里的 Humanization 主要是后者，本质上是操纵算法，让内容通过前几层 Filter。你可以充满创意、有自己的 Voice，但如果突破不了算法的封锁，写得再好也不见天日。
Indigo 提到自己在做社群，想给社群提供更系统的有价值内容，而大罗正好在做一门营销课程，其中有一节叫 Humanize，如何让内容有人感。
大罗的回答出人意料地坦诚。这里面有两个层面：一个是给人看的，一个是给机器看的。他课程的 Scope 更多是针对给机器看的，让机器判断这是 AI 写的还是人写的。他直接说：AI Humanization 本身更多是 Manipulation，是一个操纵算法的东西。营销到最后要击败的是算法。
他解释了为什么这在 Google 搜索场景下尤其重要。尽管 Google 一直强调不在意内容是 AI 写的还是人写的，只在意内容好不好，但"内容好不好"是一个特别抽象的东西。Google 现在也许能用 AI 判断一篇文章的逻辑好不好、是不是在刻意营销，但在每天扫描几十亿上百亿内容的规模下，它不可能有足够的资源用大语言模型理解每一篇内容，仍然要用特定的算法一层层筛选。所以 Humanization 更多是说，怎么比较有效地组织内容，让它能通过前几波 Filter，这样才有被推荐的机会。
他说了一段很清醒的话："你可以说我充满了创意，我非常 Unique，我有我自己的 Voice，但是你写的这么一个非常 Unique 的东西，如果你都没有办法突破算法对你的封锁，那不管你写的东西再好，它也是不见天日的，没有人能够去发现你。" [68:30] 所以第一层必须通过算法的封锁，巧妙地让内容至少进入前两页前三页；那时再来谈品牌调性和 Voice，是第二阶段的事情。而从长期看，完全没有人味的 AI Slop 肯定不会被任何推荐平台最终推荐，所以必须从算法角度把内容"伪装成"人写的。Indigo 笑称这是"奇技淫巧"，大罗也没否认。
关于课程本身，大罗说它没有那么复杂。他在做 Agency 时发现，营销这件事你首先得知道怎么做、什么叫做好，才能判断 AI 给你做的对不对，即使 AI 很发达也是如此。所以这门课是帮你快速理解各种营销方式，但不只是知识，而是融会贯通了怎么用 AI 来做好这件事：每一个角度都 Package 成一个 Skill，教你概念，同时告诉你怎么用 AI 实现，并把实现的框架交给你。你可以装上直接用，也可以根据需求调整。
他把它定位为一门"启蒙课"。现在做产品、写代码、做软件的成本已经很低了，但如果你比别人稍微多懂一点怎么做营销，比如怎么做广告才是好的、怎么配置才是好的，这些仍然需要大量学习，完全交给 AI 也很难。他的设计思路是找到 Minimum Learning Unit（最小可学单位）：给你足够的信息，再给你可以直接拿来用的东西，让你有足够的认知去判断产出好坏，同时在使用和学习的过程中搭建一个产品增长的知识框架。以后不管 AI 变成什么样，这些东西都持续有用，因为归根结底营销针对的不是工具而是人，它本质上是获取 Attention 的事情，而"怎么去获取人的 Attention，这个框架结构它是不会变化的"。
13
给新人的一句话：做回人
不要被卖课的忽悠。核心是你对目标受众的理解，你要卖给谁、他们怎么做决策、怎么发现信息。不管用什么工具，没有这个就做不好营销。
聊了 70 分钟，Indigo 最后问：给新进入 Digital Marketing 这个"古老又崭新"的行业的人一句话。
大罗想了很久，先是自嘲了一句"不要被那些像我们这种卖课的忽悠"，两人赶紧互相澄清"我们真的不是卖课的"。然后是正题：归根结底，你要影响的是一个人，你要从人的角度、从受众的角度去思考这件事。只有你对产品了解、对产品的受众了解，才会有特别深刻的认知。AI 给你推荐的、网上看到的那些都是虚的，核心是你对目标受众的理解。"你如果不知道你要卖给谁，你如果不知道你要卖给的这些人他是怎么去做决策的、他是怎么去发现信息的，那你是做不好 Marketing 的，不管你用什么样工具。" [74:20] Indigo 总结为：基于对目标受众的理解，搞清楚你的 ICP（Ideal Customer Profile，理想客户画像）是什么，有了这个之后都好说。
两人的收尾很有他们各自的风格。Indigo 说："AI 的终途仍然还是人，人是用工具的。我们还是要做一个好的网感少年，直到 AI 把我们替代了，我们变成电池。"大罗接："那一天应该迟早会来的，但在我们有生之年，我们还是需要做影响人类的事情。"Indigo 补充：如果我们这个种族把自主权和解释权完全交给 AI，我们确实就没什么存在价值了，这是我们最后的坚持，也是初心，"要回来成为我们自己，做自己最重要的"。
节目最后预告，大罗的课程上线后会再来聊一期，两人将合作在 Rewired 社群里新增一个 Marketing 栏目的课程。
延伸思考
从 SEO 到 GEO，本质上是从"优化给爬虫看"变成"优化给一个会多轮检索、会交叉验证、但仍然不懂真假的读者看"。 大罗描述的机制里有一个值得反复琢磨的细节：AI 会把一个 Query 拆成十几个，并且会带上用户的地点、时间、预算模糊区间和聊天历史。这意味着传统 SEO 里"抢一个精确关键词"的思路正在失效，取而代之的是覆盖一个 Intent 周围的整个语义邻域。你的内容需要同时回答"最好的"、"温哥华的"、"2026 年的"、"500 刀左右的"、"便宜但可靠的"这些变体，而这恰恰是 AI Workflow 擅长批量生成、人类擅长判断取舍的分工。
"频率"和"可信度"两条权重曲线正在交叉。 投毒的逻辑是频率，反投毒的逻辑是来源可信度和"多人在说"。这两条曲线交叉的地方，恰好就是真人社群：它同时满足高频提及、多平台分布、群体发声、且难以伪造。这解释了为什么一个做 SEO 起家的人，最后给出的建议是"去做社群"。它不是情怀，是对推荐算法演化方向的一个理性押注。
"平均等于没做"是一个被低估的判断。 大罗关于 General AI 的批评，可以推广到几乎所有零和竞争的领域：当所有人都能以零成本获得平均水平的执行，平均水平的价值就归零，竞争重新回到 Unique Knowledge、Domain Expertise 和 Taste 上。这和 Indigo 的"稀有度归零"、"拷贝的是基因"是同一个观察的两个侧面：AI 拉平了执行，抬高了判断。
线下作为"新结构洞"的说法值得认真对待。 结构洞的价值来自连接两个原本不通的群体。当数字世界被 Agent 层层中介，线下反而成了唯一没有中介的通道，而线下聚集的真人回到线上留下的痕迹，又会反哺 AI 的推荐权重。这是一个线上线下互相强化的飞轮，对于社群运营者来说，它提供了一个比"涨粉"更清晰的目标函数：制造真实的、可被 AI 读到的人类提及。
Humanization 的坦诚揭示了一个尴尬的中间态。 一边是平台宣称只看内容质量，一边是规模限制下不得不依赖的启发式过滤器；一边是 SynthID 这样的溯源技术，一边是"AI 还是很好骗的"。在这个中间态里，"让 AI 写的内容看起来像人写的"和"让人写的内容不被算法误杀"是同一套技术。这个窗口会持续多久，取决于平台愿意为真伪判断投入多少算力，而这本身又是一个成本问题。
精华收获
关于 AI 在营销里的边界。 AI 真正带来数量级提效的是流程型、重复型工作，比如一篇长内容到多平台切片分发，从两三周压缩到十分钟。它做不好的是"无中生有"，特别是有 Virality 的创意内容。解决方法是给足 Context 和 Harness：告诉它什么是好的、什么是不好的，用案例而不是形容词，然后生成三到五版挑选。
关于被 AI 推荐。 AI 推荐只有三到五个位置，来源是训练数据和 RAG 检索。训练数据你几乎影响不了，除非已经很知名；检索层面 AI 用的还是 Google 和 Bing，所以 SEO 和 GEO 差别不大，但 AI 会把一个问题拆成十几个 Query 并带入用户画像。目前的权重逻辑是频率优先，正在叠加来源可信度和"多人在说"，但没有任何模型真正知道真假。
关于最被低估的杠杆。 品牌在多平台被提及的频率与被推荐的概率正相关，而活跃的真人社群几乎无法伪造，是中长期 ROI 最高、也可能是唯一能让你进入训练数据的路径。凯文·凯利的 1000 个铁粉在 AI 时代不但没过时，反而成了穿越 Agent 中介层的必要条件。
关于 AI Slop 时代的护城河。 可被 AI 轻易模仿的东西稀有度会归零；AI 拷贝的只是你的基因，造不出新的宫崎骏。让内容更像你自己、拥有别人一看就知道是你的 Voice，是复制成本归零之后唯一还有价值的东西。
关于成本与结构。 营销成本会上升，注意力被稀释，AI 推荐偏向已有 Brand Equity 的大玩家，Organic 机会减少，广告成为稳定渠道。但线下和真人连接成为新的结构洞：把人从线上带到线下，再让他们回线上留下人类的痕迹。
关于组织形态。 一个人加一支 Agent 军团已经是成熟模式：HashMatrix 今年没有增员，产能扩大十倍。但情绪价值和客户沟通无法替代，专业服务会被解构成"人在边缘 + Agent 执行"的 FDE 式 Vendor 模式。General AI 给的是平均答案，而在零和博弈里平均等于没做。
关于起点。 不管工具怎么变，营销的对象是人，核心是对目标受众的理解：你卖给谁、他们怎么做决策、怎么发现信息。这个框架不会变化。