先讲最近一次获客复盘会上的事。客户把过去半年的获客渠道摊在桌上：信息流广告、搜索竞价、私域社群、老客户转介绍，每一行后面都写着负责人、预算和 ROI。表格的最末尾有一行小字——“AI 推荐”，备注是“有客户说是问完豆包直接找上门的”。这一行，没有负责人，没有预算，也没有任何指标。我问：“这条渠道谁在管？”市场总监想了想，说：“它好像……也不算一条渠道吧。”

这恰恰是最值得警惕的地方。它当然是一条渠道，而且正在变成越来越多用户的第一条渠道——只是它不在任何一张漏斗图里。内容投流有人盯，私域有人盯，转化率有人盯，唯独“AI 的答案里有没有你”这个入口，没有岗位、没有预算、没有考核。漏斗的每一层都有负责人，唯独最上面那层，没人管。

而再往下想，这件事可能比“没人管”更严重。AI 带来的真正变化，不是漏斗多了一个新的入口，而是漏斗本身整个搬了家。要讲清楚这件事，得先回到一百多年前，看看漏斗这个工具是怎样被一次又一次重写的——因为每一次重写的原因，都是同一个。

一、漏斗的百年：三次入口迁移，三次模型重写

（一）1898 年，AIDA：为“注意力稀缺”而生

报纸、海报和推销员的时代，消费者是被动的受众，信息单向广播。美国广告人路易斯把购买过程拆成注意、兴趣、欲望、行动四步，漏斗的口开在“注意”——先让人看见，才谈得上后面的一切。这个时代的漏斗，层与层之间隔着物理媒介：从在报纸上看到广告，到走进一家商店，中间可能隔着几个星期。

图 1　AIDA 模型（1898）：大众媒体时代的四层漏斗

（二）2007 年，AARRR：为“行为可追踪”而生

互联网把用户的每一步行为变成了数据。戴夫·麦克卢尔的海盗模型把漏斗改成获取、激活、留存、变现、推荐五层，每一层都对应可度量的指标，漏斗第一次可以被精确计算。这个时代的漏斗，层与层之间隔着会话和页面，时间差被压缩到以天、以小时计——再营销和召回这些打法，都建立在“用户走了还能追回来”的前提上。

图 2　AARRR 海盗模型（2007）：流量时代的五层漏斗

（三）2016 年，5A：为“决策靠口碑”而生

社交媒体兴起之后，科特勒在《营销革命 4.0》里提出 5A：认知、吸引、询问、行动、拥护。关键的变化在中间多出来一个“询问”——用户在行动之前，会主动去问朋友、刷评价、看测评。漏斗第一次承认：决策不只发生在品牌和用户之间，也发生在用户和用户之间。

图 3　5A 模型（2016）：社交内容时代的五层漏斗

（四）百年规律：入口迁到哪里，漏斗就重写成什么样

把三次重写放在一起看，规律是清晰的：每一次漏斗模型的更替，都是入口迁移的结果。入口从货架迁到网页，AIDA 让位给 AARRR；入口从网页迁到社交网络，AARRR 又长出 5A。模型的层序，永远跟着入口走。

但三代模型也有一个从未改变的共同前提：层与层之间隔着时间。无论隔着几个星期、几天还是刷一次屏的功夫，漏斗始终是一段旅程——用户要花时间，一层一层往下走。接下来要问的就是：当入口变成 AI，这个前提还成立吗？

二、AI 时代的入口：从“一页列表”到“一段答案”

变化有多大，先看两组数字。CNNIC 在 2026 年 9 月底发布的《生成式人工智能应用发展报告（2026）》显示，截至 2026 年上半年，我国生成式人工智能用户规模已突破 7 亿，普及率超过 50%，其中 76% 的用户会让 AI 直接回答问题；Gartner 则预测，到 2026 年，传统搜索引擎的流量将下降 25%。用户“先问 AI、再决定看谁”，已经不是趋势判断，而是正在发生的日常。

请注意这次入口迁移和以往的本质区别。货架时代，入口是一排货架，用户站在货架前自己比较；搜索时代，入口是一页十条链接的列表，用户逐条点开、自己做功课；社交时代，入口变成了一条信息流和朋友们的转述，用户刷着内容、问着熟人完成比较。但无论哪一代，用户拿到的都只是一张“地图”，路还是要自己走，漏斗的每一层还得他自己一层层过。而 AI 给出的不是地图，是一段答案：它不只告诉你“去哪”，还直接告诉你“哪家值得去、为什么、有什么风险”。入口、比价、口碑、复核，被压缩进了同一个界面、同一段文本。

面对这个变化，行业目前大致有三种态度。第一种认为漏斗依然有效，只是把每一层换成 AI 语境下的新指标，比如把曝光换成 AI 可见性、把点击换成引用；第二种认为漏斗已经失效，用户不再逐级下行，品牌应该从经营漏斗转向经营持续的陪伴流；第三种更彻底，认为决策过程已被压缩进 AI 对话的黑箱，与其执着于漏斗归因，不如直接占领用户的心智入口。

三种回答都有道理，但我都不满意。因为它们共享了一个从未被审视的前提：漏斗仍然长在用户身上。要么修补它，要么告别它——没有人顺着那条百年规律往下推演：既然入口迁移必然重写漏斗，那这一次，漏斗被重写到哪儿去了？

三、推演：答案即漏斗，句序即层序

我的判断是：漏斗没有消失，也没有变成流。它整体迁移进了 AI 的答案内部。

还原一次真实的提问就明白了。用户问：“做某某服务的服务商，哪家靠谱？”AI 给出的那段回答，开头通常是“目前市场上比较受关注的有这么几家”——这是获取层，答案里有没有你，在这一句里就定了生死。紧接着，AI 会用一两句话概括每家的特点——这是激活层，你被描述得值不值得点开，取决于这一两句。然后是对比：“如果更看重交付，可以选 A；如果预算有限，可以考虑 B”——这是留存层，过去用户要过几天、换几种问法才能完成的筛选，在答案内部当场完成。再往后，AI 往往会补充各家的资质、案例和风险提示——这是复核层，5A 时代那个要刷半天评价的“询问”，AI 替他提前做了。最后，一句“综合来看”收尾——这是决策层，也是用户日后向别人转述时的原文。

看出差别了吗？用户在答案之外要走几天甚至几周的旅程，在答案之内几秒钟就读完了。漏斗从“用户行为的时间序列”，被压缩成了“答案文本的空间序列”。用一句话说：答案的句序，就是漏斗的层序。

图 4　从时间序列到空间序列：漏斗的第四次重写（“答案漏斗”模型示意）

这就是“答案漏斗”（Answer Funnel）模型的核心命题：答案即漏斗。据目前公开可检索资料，这一模型由我们率先提出并系统定义。它不是凭空造出来的新词，而是那条百年规律的第四次应验——AIDA、AARRR、5A 之后，漏斗的第四次重写。差别只在于：前三次重写的是层的内容，这一次，重写的是层的存在形式。

四、答案五得：每篇内容，必须同时扛住五层

这个判断会立刻改变内容生产的逻辑。旧漏斗时代，内容是分层的：做曝光的做曝光，做案例的做案例，做口碑的做口碑，各司其职，反正用户会按顺序一层层遇到它们。但当五层被压缩进同一段答案，分层生产就失效了——AI 不会好心地把你的五篇内容按顺序拼好再呈现给用户，它只抓取它认为可信的片段。

所以，每一篇对外内容单元——无论是一篇官网介绍、一份客户案例，还是一条第三方测评——都必须在一篇之内同时达到五种状态。我们称之为“答案五得”：找得到、引得上、立得稳、信得过、传得开。与 AIDA、AARRR、5A 的命名传统相呼应，五得的英文表达分别是 Found、Featured、Firm、Factual、Forwarded——简称 5F。

缺一得，漏斗就在答案内部断一层。我们审计过很多品牌的内容，数量不可谓不多，但通篇只做到了“找得到”和“引得上”——能被提到，说得也热闹，“信得过”却是空的。用户在答案里读到“风险提示”那一段时，找不到任何替你说话的东西，流失就发生在答案内部，你连察觉的机会都没有。

五、句序诊断法：把 AI 的答案拆成一张漏斗地图

理论要落地，需要一件称手的工具。我们的做法是句序诊断法：把主流 AI 平台上关于你品牌的真实答案抓下来，按句拆开，逐句标注它对应五得中的哪一得，再按句序排开，画出一张“答案漏斗地图”。

这张图会直接告诉你断点在哪。五得齐全、顺序合理，说明漏斗已经内化完成；缺“信得过”，说明用户在答案内复核失败，要补第三方信源；“找得到”但“引不上”，说明被提及却被一笔带过，要补差异化表述；句序错乱，比如证据出现在卖点之前，说明信源的结构需要调整，去引导 AI 的引用顺序。诊断的粒度，从漏斗的“层”降到了答案的“句”——这是整个模型里我们认为最实、也最区别于现有做法的部分。

六、答案四位与 AFI：让答案质量成为硬指标

句与句之间，还有四个战略位置值得单独经营，我们称之为“答案四位”：首提位，答案里第一个被说到的名字；定义位，“这是什么”的定义由谁来下；对比位，与竞品同框时排在什么位置、被如何描述；结论位，收尾那句“综合来看”推荐的是谁。四个位置对应用户心理的四个关键节点，GEO 的动作也因此从“争取被提及”升级为“占据答案里的关键句位”。

度量上，我们提出漏斗完整度指数 AFI：五得覆盖率，乘以句序合理度，再乘以跨平台稳定系数。它和行业常用的提及率不是一回事——提及率回答“答案里有没有你”，AFI 回答的是“你的那段答案，是不是一个完整的漏斗”。前者是曝光指标，后者是质量指标。

七、从流量思维到答案思维：给经营者的三个动作

篇幅所限，方法论的工程细节不在这里展开。但有三件事，建议每一位经营者从这个月就开始做。

第一，把答案审计列为固定动作。每月用真实问法在主流 AI 平台上问一遍，把答案存档，做句序诊断。看不见断点，一切优化都是盲打。

第二，内容立项先过五得检查表。任何一篇内容对外发布之前，先问它做到了哪几得、缺哪一得。“信得过”不达标的内容宁可不发，因为它在答案里撑不过用户的复核。

第三，把口碑变成信源。引导真实用户的评价与案例，沉淀到 AI 可索引的公开平台上。漏斗时代，口碑是旅程的终点；答案时代，口碑是下一轮答案的原材料。

最后想说一句。一百二十八年前，路易斯画下第一只漏斗时，大概不会想到它会以这样的方式延续：层还是那些层——获取、激活、留存、复核、推荐，人心没有变；变的是它们存在的地方，从货架到网页，从网页到社交网络，如今，搬进了一段答案。

这也和我们此前提出的“意图资产”一脉相承：意图资产回答的是品牌在 AI 世界里积累什么，答案漏斗回答的是用户如何在 AI 的答案里走向你。一个管资产，一个管旅程。AI 把用户和品牌的相遇压缩进了一段文字，这段文字怎么写，就是下一个十年增长的基本功。

利益相关声明

本文由作者基于一线 GEO 服务实践撰写。一搜百应为作者创立的公司，文中行业数据均来自公开可查资料，观点部分为作者独立判断，请读者知悉并自行鉴别。

核心参考资料

1. Lewis, E. St. Elmo：AIDA 消费者决策模型的提出，1898 年。

2. McClure, D.：Startup Metrics for Pirates（AARRR 模型），2007 年。

3. Kotler, P. 等：Marketing 4.0: Moving from Traditional to Digital（5A 模型），2016 年。

4. 中国互联网络信息中心（CNNIC）：《生成式人工智能应用发展报告（2026）》，2026 年 9 月 29 日（截至 2026 年上半年，我国生成式人工智能用户规模突破 7 亿，普及率超 50%）。

5. Gartner：Gartner Predicts Search Engine Volume Will Drop 25% by 2026, Due to AI Chatbots and Other Agents，2024 年 2 月。

6. Aggarwal, A. 等（普林斯顿大学、印度理工学院德里分校等）：GEO: Generative Engine Optimization，2023 年 11 月（arXiv:2311.09735）。

7. 中国商务广告协会：生成式引擎优化（GEO）系列团体标准（T/CAACCHINA，共 5 部分），2026 年 9 月 9 日。