🏛️ 官方动态
从提问到实践：全球如何让 ChatGPT 投入工作
这篇文章揭示了全球用户如何从提问走向实践。核心价值在于，OpenAI 首次发布国别级 ChatGPT 使用数据，覆盖超过 10 亿人的使用行为。这是 GEO 从业者的一手参考资料，我强烈推荐。
数据很有说服力：工作场景中，“doing”占主导，用户完成任务的比例是工作外的两倍；多媒体生成增长最快，全球占比 7.8%，巴西和哥伦比亚超过 10%。拉美、非洲和大洋洲正在追赶早期市场，秘鲁、乌拉圭和哥斯达黎加排名上升最快。35 岁以上用户群体在扩大，法国和捷克占比提升超过 10 个百分点。
有意思的是，多媒体消息占比上升受到 Images 2.0 发布的推动，用户行为正从文本转向多模态。这给 GEO 带来三个启示：第一，内容优化要涵盖图片生成场景；第二，行动型查询优先级提升；第三，国别差异意味着本地化策略需要调整。我建议同行去 OpenAI Signals 下载原始数据，结合行业做垂直分析，这比多数市场报告更有参考价值。
改进 ChatGPT 中的 GPT-5.6 Sol——并扩大免费用户对 GPT-5.6 Luna 的访问
OpenAI 改进了 ChatGPT 中的 GPT-5.6 Sol，把事实准确度和回答聚焦度提升到新高度。GEO 从业者应关注这个信号。
Sol 现在先给结论，再补充细节。官方示例中，骑行天气回答直接点出“风是主要问题”。内部测试里，金融、医疗、法律类错误率下降。Free 用户升级到 Luna，获得无限聊天和 Think 按钮。每周 10 亿人使用 ChatGPT，直接影响搜索行为。
我的建议：内容要结论优先、事实可验证。答案变短后，引用权重更高，GEO 策略应转向精准数据支撑。
在欧洲推进负责任 AI
这篇 OpenAI 文章讲的是在欧洲推进负责任 AI 的具体落地动作，值得 GEO 从业者一读。
OpenAI 支持欧盟 AI 法案下的 GPAI 行为准则和 AI 生成内容透明度准则，用 Preparedness Framework 和 Frontier Governance Framework 把合规变成可执行的评估流程。内容溯源方面，C2PA Content Credentials 配合 SynthID 水印，从图像扩展到音频。我最有感触的是，OpenAI 把网络安全当作动态治理样板，强调规则要务实、适度、以风险为基准。这提醒我们：AI 内容标注和溯源是一套多层生态。对 SEO/GEO 来说，内容来源透明以后可能成为可验证的信任信号，现在布局正当时。
构建丰裕智能
OpenAI 以“构建丰裕智能”为题，阐明了其全栈策略。
核心结论：AI 的价值在于让更多人获得廉价智能，我推荐 SEO/GEO 同行阅读。文章给出的数据很有说服力：Luna 输入 token 降至 0.2 美元/百万，输出 1.2 美元；Terra 相应降至 2 和 12 美元；服务成本下降 20%，解码效率提升 15%；ARC-AGI-3 分数从 13.3% 升至 38.3%，输出 token 减少六倍。这些数字显示智能成本正在快速下降。OpenAI 目前服务 10 亿用户、200 万企业，六个月后用户消息量增加 50%，工作类型翻倍，Codex 承担 99.8% 的输出 token。我认为，GEO 应关注 outcome 成本，而非 token 单价，内容策略应围绕任务完成度优化，顺应 agentic 搜索趋势。这篇文章宏观战略价值高，落地细节略少，但趋势判断值得跟踪。
使用 ChatGPT Work 和 Codex 学习与教学的新方式
使用 ChatGPT Work 和 Codex 的新教育插件，是 OpenAI 这篇文章最值得关注的信息。
我认为它适合追踪 AI 产品趋势的同行，一线操作参考有限。文章介绍了三个插件：K-12 教师插件对接 Learning Commons 和本地课标，能自动生成差异化教案；大学教师插件帮老师更新大纲、搭建交互网站、制作多媒体评估；大学生插件提供引导式辅导、学习卡和测验生成。数据上，OpenAI 与美国教师联合会合作，五年计划培训 40 万 K-12 教师，约占全美十分之一。插件通过 ChatGPT Edu 和教师版部署，机构保留权限控制。我的判断：OpenAI 正把 agentic 能力封装成教育场景的 workflow，降低使用门槛。对 SEO 从业者，这是理解 AI 应用生态的信号，实操价值要结合具体场景判断。
🤖 GEO·SEO 精选
AI 推荐流量正在重现转化优化中最古老的错误
AI 推荐流量正在重现 CRO 最古老的错误：机器读深页，用户落首页。这篇文章用三份独立数据讲透问题，并给出了可落地的修复方案。
Similarweb 2026 报告显示，ChatGPT 引用的 URL 中 65% 位于网站第二、三层深处，58.8% 的推荐流量却落在首页。Previsible 分析 166 个网站、677 万次 AI 会话，发现 28.8% 的 ChatGPT 点击落到 site search 结果页。Ahrefs 自家数据也一致：超过 80% 的 AI 搜索点击流向首页、产品页和免费工具，编辑内容库占比很小。三份数据方法论不同，方向却完全相同：高意图访客被送到最不匹配的页面。
我在 CRO 领域干了多年，这相当于过去广告点击落到 collection page 的悲剧，只是被 AI 放大了。好消息是修复路径清晰：将落地页匹配 AI 引用的那个深层页面。我建议立刻排查网站上被 AI 引用最多的 URL，为这些深层页补上明确转化路径；同时认真优化 site search 结果页——那个长期保持默认模板的页面正在承接 28.8% 的高意图流量。对 GEO 从业者来说，这篇文章数据扎实、建议可执行，值得精读。
AI Overviews 内嵌热门报道：对 2026 年及之后的发布商与品牌意味着什么
本文用 NewzDash 数据证实，Google 已在 AI Overview 内嵌 Top Stories，新闻出版商必须重新理解 opt-out 机制。这是理解 2026 年 AI 搜索格局的重要参考。
具体数据很有说服力：美国 15.5% 的 trending news queries 中，Top Stories 直接嵌进 AI Overview；英国比例为 17.46%；娱乐类最高，美国超过 35%。同一查询仅显示一处 carousel，两者互斥。
关键点在于 Google-Extended 的边界：它只管 AI 训练和 grounding 场景，真正的退出入口是 Search Console 新推的生成式 AI 排除控制，目前仅限部分英国站点。想退出 AI Overview，应使用该控制。
我认同作者的判断：AI Overview 的核心矛盾是信任。把带 byline 的 Top Stories 嵌入生成回答，是 Google 重建可信度的一步棋，但布局后果尚不明确。
新闻类 SEO 应主动检查 Search Console 的 AI 控制项，别急着用 robots.txt 屏蔽，持续监测嵌入率后再定策略。
我曾帮助将 Google Ads 扩展到数十亿——今天我会这样构建 AI 搜索策略
作者曾帮助将 Google Ads 规模化到数十亿，这是他的真实履历。他把竞价时代的决策逻辑完整搬进了 AI 搜索策略。我认为这是近期最值得读的 AI 搜索指南，评分 9/10。
数据很震撼：Semrush 研究发现，ChatGPT 引用的页面近 90% 在传统排名 21 位以后，“抢前三”的旧思路在 AI 时代让位于“被引用”。一个案例很有说服力：客户在 Reddit 和行业媒体口碑好，Google 排名一般，但 AI 频繁点名；另一家排名首页，核心购买词却一个 AI 答案都没进。
他总结6个信号：品牌第三方提及、内容新鲜度、实体识别、提取友好结构、跨平台共识、自然媒体报道。这些大多属于品牌和PR，站内SEO只占小头。90天框架也务实：头30天跑20个买家prompt，覆盖四个AI平台，记录“点名、引用、缺席”。少于12次，说明存在citation problem。中30天选差距最大的渠道做小测试。后30天放大有效动作。
我的建议：今天下午就做那个20-prompt审计。AI搜索窗口期还开着，早动手比等最佳实践手册强。
ChatGPT 中主题权威如何传播（以及它在哪里不传播）[研究]
Semrush这份基于28万+条数据的研究，直接回答了SEO圈最关心的那个问题：ChatGPT中主题权威到底能不能跨品类迁移。结论很清晰：citation能外溢，brand mention不能，深度比广度值钱得多——这是AI搜索优化实测数据，不是拍脑袋经验，值得所有做GEO的同行细读。
研究跟踪了2026年1-6月1,094个类目，核心发现有三个：
-
被引用门槛低，被点名门槛高：在品牌核心专长附近的类目中，74%的出场会获得citation，44%获得brand mention；但到了不相关的类目，这两项分别掉到50%和25%。citation很容易外溢，brand name的传播范围却收缩得很厉害。
-
深度碾压广度：一个品牌在20个类目各出现1次，brand mention份额反而出现负效应。只有在一个类目的至少5个prompt中出现3次以上，建立起“稳定记忆”，品牌被点名的概率才会真正兑现。而citation则没有spread-thin的问题。
-
行业门槛各不相同：金融和地产是“广撒网就能被引用”的行业，但法律和医疗类目门槛更高，即使做到全覆盖和重复引用，brand name份额也不一定跟上。
有意思的是，品牌想借主题权威切入新类目，相邻类目是跳板，跨行业是降维打击。我的观点是，这套数据真正验证了“做精不做杂”的内容策略——与其追100个热点类目，不如在3个强相关类目中做到稳定出现。Build depth where you want to be named, not just cited.
利用Bing产品Feed进行电商AI SEO
这篇评分9/10的文章值得每位做Ecommerce SEO的同行细读：利用Bing产品Feeds（Product Feeds）布局AI搜索，已经成为影响ChatGPT等LLM输出的关键抓手。Brodie Clark用大量实操细节证明了一件事——微软商家中心（Microsoft Merchant Center）不再是“Google Merchant Center的附属品”，而是电商AEO策略中独立且必须管理的一环。
文章最有价值的部分有三个：第一，从Google Merchant Center直接导入产品Feeds的完整路径，包括账号实体验证的坑——他提到客户账号未在正确的实体下完成验证，最终被迫重开账号，进度严重回退。第二，一个大胆的对照实验：他验证了付费广告与免费产品列表之间的关系，结论是广告需保持开启状态，免费列表才会稳定出现在Bing Shopping标签页。这个结论值得所有同时跑Google和Bing渠道的团队警惕。第三，Bing已上线UCP（Universal Commerce Protocol）设置，说明微软正加速将产品Feeds接入生成式AI产品。
有意思的是，他直言微软商家中心目前仍有明显bug——免费产品列表报告自7月6日起就卡住未更新，文档更新也有滞后。我的观点是：别等一切完美再入场，先把Feeds导入和验证跑通，至少在ChatGPT引用Bing数据的链路里占个位置。行动建议只有一个：本周内完成Microsoft Advertising账号的实体验证，再谈其他。
50K Query Fan-Outs 揭示了品牌的哪些信息（附免费数据！）
50K Query Fan-Outs 数据集是今年 LLM 搜索研究里最扎实的免费资源之一，Moz 用 50,000 条 Gemini 生成的提示词揭示了品牌在 AI 搜索中的真实权重，值得每一位做 AI SEO 的同行下载研究。
这份分析有几个关键结论：品牌提及高度集中在 Entity 和 Comparison 两类 fan-out 中，两者合计占 97%，说明大模型的品牌偏见比我们想象的更结构化；Alignment 均值 0.67 表明模型生成的 fan-out 既保持相关性又具备多样性，这个平衡点值得借鉴；prompt 平均长度 8.2 词，接近人类自然提问的中间值。我特别认同作者对 cosine similarity 的解释——0.22 分的不一定差，只是靠近长尾边缘。
实战建议很简单：直接去 Moz 下载这份免费数据集，将你自己的品牌代入 subtopic，观察 Gemini 会生成哪些 fan-out，这就是你的 AI 搜索内容缺口地图。别把时间和预算浪费在猜测上，数据会告诉你答案。
🔗 Moz Blog
AI 可见性度量：该跟踪什么与忽略什么
做AI可见性度量该跟踪什么？这篇文章直接给出答案：抛弃citation和推荐流量，改用prompts、跨模型visibility和自报告归因。
作者用自家数据说话——80-90%来自ChatGPT等平台的leads被CRM误标为organic或direct，加一个“你怎么找到我们”的字段就能抓出5%隐藏AI流量。有意思的是，多数AI visibility工具自动推荐的prompts并不靠谱，它们只是把现有页面逆向映射。我觉得最有价值的是分模型看visibility：ChatGPT偏消费端，Claude偏企业，B2B业务盯Claude更有意义。对GEO/SEO同行来说，这是把AI可见性真正绑定到pipeline revenue的实操指南。
Google 现在报告 AI 搜索展示量：如何解读
Google现在报告AI搜索展示量，这篇文章教你读懂Search Console新增的Generative AI报表。我的核心收获是：这是一份诊断工具，适合做对比分析；若要考核绩效，则需另寻指标。
新报表覆盖AI Overviews和AI Mode，支持按页面、国家、设备、日期切片。它回答一个具体问题：你的哪些页面出现在Google生成式搜索里，以及出现了多少次。queries、clicks、CTR、平均排名、引用位置这些关键数据，Google暂时没给。现阶段只适合做基线诊断。
有意思的是展示量的计数逻辑。在总览图里，一个AI响应同时链接你两个URL，只算一次property级展示；在页面明细里，两个URL各算一次。所以页面展示量加总可能与总览数字不同，这是由维度差异造成的。
更需要注意的是，AI展示量与传统搜索展示量的计量口径不同。AI Overviews里，用户滚动或展开链接才计一次；AI Mode里，follow-up question触发新查询，可能产生额外展示。合并两者只会得到无意义的数字。
我的建议：把AI展示量和organic排名并排看。高organic低AI，说明页面在传统搜索强但没被AI检索；低organic高AI，则说明页面是AI检索中的黑马，值得分析其被选中的原因。Google还在测试排除控件，默认状态为包含。先用报告建立baseline，再决定是否opt-out，避免丢失潜在流量。
AI 搜索数据现已纳入 Google Search Console：您需要了解的内容
AI搜索数据现已纳入Google Search Console的官方报告，这篇文章帮你第一时间读懂这项重大更新。
Neil Patel 详解 GSC 新增 AI 搜索数据报告：品牌可观测 AI 曝光
Neil Patel 这篇指南讲的是 GSC 新增的 AI 搜索数据报告，我觉得这是 2025 年 SEO/GEO 领域最重要的数据更新之一。现在你能看到品牌在 Google AI Mode、AI Overviews 中的曝光量、点击率和展示位置，这些都是此前完全无法观测的。文章提供了几个关键操作点：第一，新报告能识别你的内容是否被生成式 AI 引用、在多大程度上被引用；第二，数据可以按 query、page、country 过滤，且保留 18 个月历史数据；第三，Google One 订阅用户的 AI Mode 数据也包含在内。这意味着 AI 驱动的搜索流量具备了可量化、可优化的闭环。
实际操作上，我建议你立即去 GSC 查看这份报告，建立数据基线（baseline），后续追踪品牌在 AI 搜索结果中的可见度变化。传统 CTR 思维需要调整——在 AI 搜索中，引用频率比点击率更能衡量品牌心智渗透。这篇文章时效性极强，值得作为 GEO 策略的数据基础设施来读。
如何使用 Moz API MCP 服务器构建完整的 SEO 分析仪表板
想了解如何使用 Moz API 吗？这篇 Moz 官方教程演示了如何用 MCP 服务器把一句提示词（prompt）变成完整的 SEO 分析仪表板。作者 Jonathan Berthold 在 Claude Code 输入“run an SEO analysis comparing bose.com to jbl.com and sennheiser.com”，几分钟内就能拿到品牌对比、关键词、外链数据的整合报告。
三个关键收获：MCP 直接连接 Moz 的全部 API 端点，省去了手写代码的环节；backlink gap 分析会自动调用 Fetch Link Intersect 端点，精准找出竞争对手有、而你没有的高价值外链来源；在对话结尾说一句“build me a dashboard from all this”，就能输出可分享的完整报告。
我觉得最有价值的是外链机会挖掘——Claude 会基于 Moz 数据直接建议把“best of”榜单和 gift guide 类网站作为数字 PR 与建链目标。对想用 AI 提速 SEO 工作流的同行来说，这篇的 prompt 示例和 MCP 配置指引可以直接照抄。
🔗 Moz Blog
GEO 的现状：与 Profound 的 Josh Blyskal 对话
这篇播客把 GEO 的现状盘得清清楚楚，嘉宾是 Profound 的 Josh Blyskal。
核心发现：别再执着于 prompt 频率，真正的难题是归因（attribution）。Josh 的数据很直接：10x/天的 tracking 和 1x 几乎不影响 visibility score。有意思的是他分享的新归因模型——用 agent attention 作为 human attention 的代理，把 citation 折成“clicks”。ChatGPT referral 流量自 3 月中旬涨了 60%，CPG 尤其明显。他还点破了 GEO 的本质是关系生意：Reddit 和 Google 谈判，Claude 几乎不引用 Reddit，walled garden 才是真正的问题。我的建议：把精力从 frequency 挪到归因模型上，再想想你的内容是不是模型需要的“卡路里”。
我实测了 15 款最佳品牌监测工具：以下是我的 8 强推荐
Moz 这篇实测文章值得收藏。作者 John Iwuozor 实测了 15 款最佳品牌监测工具后发现，品牌监测早已不是简单的社交媒体监听——AI answers、forum、news 和 earned media 都在争夺你的品牌可见性。他花了大量时间实测每款工具，最终筛选出 8 款，覆盖 AI 可见性、social listening 和 media monitoring 三大场景。
几个关键发现：
- Moz AI Visibility（自家产品，但确实有亮点）：覆盖 ChatGPT、Gemini 和 Google AI Mode，光 prompt tracking 和 citation analysis 就值回票价，从 $99/月起步。
- Brandwatch 适合企业级 social listening，功能强大但上手成本高，小团队慎入。
- Google Alerts 依然是最实用的免费选项，适合预算有限的团队起步。
有意思的是，作者特别强调 query flexibility——如果品牌名容易撞车，选工具时一定要看 inclusion/exclusion filters，否则 monitoring 数据会脏到你怀疑人生。
我的建议：先明确你要解决的核心问题——是 AI 搜不到你、社交媒体噪音大，还是媒体覆盖看不清？再按这个决策框架选工具，别为用不上的功能付费。实测对比的价值就在这：帮你少走弯路，避开那些数据好看但不解决实际问题的花架子。
🔗 Moz Blog
可发现性的未来
这篇文章拆解了可发现性的未来，是 Telegraph SEO 总监 Harry Clarkson-Bennett 写给同行的一剂清醒药。他用第一手数据说明，靠 Google 吃老本的时代已经结束，搜索、社交与 AI 驱动的发现路径正在分崩离析，出版方必须在“被动发现”阶段就开始争夺用户。
有意思的是，文章用硬数据说话，而不是空谈趋势。iPullRank 研究显示，52.3% 的 18-24 岁人群搜索零点击，而 55-64 岁仅为 42.7%；Google 点击中有高达 86% 是 discovery-led 流量。最扎心的是，年轻人每天花在出版方网站的时间只有 4 分钟，对比 55 岁以上人群的 19 分钟，相差近五倍。我说句实话，做 SEO 的同行看到这组数据，应该意识到 direct traffic 和品牌搜索的下滑不是周期波动，而是习惯迁移。
我特别认同文章提出的“三阶段发现模型”：passive、active、owned。难点在 passive phase——用户根本没在找你的品牌，他们要的是灵感，可能自己都说不清在找什么。按作者的逻辑，连接用户的关键在于创建能 break the scroll 的内容，而不是继续纠结关键词排名。
文章还点破了一个行业潜规则——平台都是 walled gardens：LinkedIn 压链接流量、Google 用 AI Overviews 吃掉信息型查询、LLM 在内部消化答案。生态越封闭，你离开系统的价值就越低。说白了，这是一场便利性战争，出版方和品牌在 commodity content 上赢不了 AI，拼“便捷”必死，拼“moment”才有生路。想搞清楚 2026 年流量往哪走的人，这篇文章值得花 13 分钟精读，零点击数据和年轻人行为洞察这两块尤其有价值。
当 AI 截获点击，点击价值（Click Worthiness）应成为你的策略指南
当 AI 截获点击，点击价值（Click Worthiness）应当主导 SEO 规划。
Bill Hunt 在 SEJ 提出了这个框架。他用美联航案例说明：简单事实查询由 AI 终结，复杂决策查询仍需品牌互动。搜索量只衡量信息需求，点击价值衡量互动余量。文章点明：内容完整性只是入场券，竞争优势源于 AI 回答后的深度互动。有意思的是，这一逻辑早年已在烈酒品牌营销中得到验证。我建议团队用这个模型审计关键词，把预算转向高决策价值查询，这比追逐零点击流量更务实。
报告：Cloudflare 的 AI 机器人拦截导致 Googlebot 无法索引网站
有报告称，Cloudflare 的 AI 机器人拦截功能正在误伤 Googlebot，这条 Reddit 案例值得所有 SEO 关注。
具体来说，有用户开启 AI Training Block 后，Googlebot 和 Bingbot 抓取 sitemap 直接返回 403；关闭后则恢复正常。Cloudflare 官方文档确认，自 9 月 15 日起新域名默认拦截“混合用途”爬虫，Googlebot 恰好属于“Search+Training”类别。Google 的 John Mueller 已经介入了解。我觉得这给行业敲响了警钟：安全设置和 SEO 可见性正在发生冲突。建议在 Cloudflare 面板单独放行 Googlebot，使用更精细的控制；在官方修复前，用日志验证真实爬虫行为。
The Page 2 播客：SEO 从业者必须了解如何被 AI 选中
这期ThePage2播客节目值得每个关注AI搜索的SEO从业者收听——Yoast的Principal SEO Alex Moss在节目中系统拆解了AI agent时代品牌被选中的底层逻辑，听完能直接帮你校准2026年的优化方向。
节目核心观点有三个：
1. 优化目标要从clicks转向被AI agent”选用”，这意味着机器可读性比排名权重更关键。
2. Markdown在某些场景下比HTML更适合LLM解析，这颠覆了很多人的技术SEO认知。
3. llms.txt值得现在就开始测试，但别指望它能单独解决问题，需要配合structured data和entity map一起使用。
Alex Moss特别强调了entity relationships的价值：AI理解品牌的方式从关键词匹配转向实体图谱，谁能把自己的业务关系图谱梳理清楚，谁就更容易被AI推荐。这个观点我认同——与其纠结rankings下滑，不如先把machine-readable的source of truth建好。
我的建议：如果你还没碰过llms.txt，这期节目是最好的起点；如果你已经在做AI SEO实验，节目中关于Markdown和structured data的对比分析也值得反复听。搜索流量的游戏规则正在重写，早点听这期，就晚点被淘汰。
按需求分类：代理机构适用的 7 大 AI 可见性追踪工具
这篇文章按需求对工具进行分类，是目前最实用的AI Visibility追踪工具对比，尤其适合代理机构。
作者亲自测试了七款工具：输入品牌域名后，三秒内即可返回提及数据。关键发现：Semrush AI Visibility Toolkit月费$99，适合监测+优化；OtterlyAI $29起，适合预算有限的agency；Peec AI $245起，能灵活匹配客户需求变动；Profound适合大型代理机构。我觉得最有用的是Topics & Sources报告，它直接显示竞争对手被引用、而你缺席的prompt。缺点也很明显：Semrush推广自家产品，客观性打折扣。建议代理机构先按客户规模筛选，再用试用版验证。
Reddit CEO 计划展示更多评论与推荐内容
Reddit CEO的计划揭示了平台新方向：更多评论与推荐内容将进入feed。
这直接影响依赖长尾内容的SEO策略。据Search Engine Journal报道，Reddit在Q2财报会上公布了此计划。CEO Steve Huffman明确表示，对于”该看什么”、”该买什么”这类查询，Reddit提供互联网最佳答案。COO Jen Wong补充，搜索页将加入产品图片与rich media模块，并测试购物广告。关键数据：当前推荐系统仅展示一周内的帖子，海量evergreen内容被白白浪费。Huffman称，模型速度、规模、候选选择都有数量级改进空间。未来一年内，Reddit将大幅提升feed推荐能力。我认为，这是SEO同行必须重视的信号——Reddit正把自身UGC转化成推荐引擎，与Google Discover、YouTube竞争。对于做Affiliate或产品评测的站点，Reddit的流量红利即将出现。我的建议：第一，研究你所在领域的头部subreddit，理解其讨论模式；第二，在内容中强化第一手体验和对比数据；第三，留意Reddit搜索广告的开放，这可能是新的高性价比广告位。总之，Reddit的战略方向明确，留给先行者的窗口期有限。
付费搜索承接了自然搜索的崩溃，但Q2增长放缓
这篇文章值得所有做SEO/PPC的同行一读——付费搜索承接了自然搜索的流量崩塌，但Q2增速已经显现疲态。
作者基于Tinuiti Q2 2026 benchmark data指出，Google paid search clicks在Q1同比增长14%；进入Q2，spending同比增速放缓至14%（去年同期为15%），YouTube从20%降到15%，Instagram为17%。背后的关键变量是AI Overviews导致organic CTR大幅下滑（Pew数据显示，有AI摘要时传统结果点击率从15%降到8%），广告主曾预期paid search会持续补位。但Q2的放缓提醒我们：tougher comparisons只是一部分原因，H2 planning需要重新评估”paid growth会一直加速”这个假设。我的看法是，预算分配要考虑Amazon Prime Day shift这类calendar effect，同时重新审视organic的长期价值。
Shopify 表示 AI 搜索正在推动更多流量和销售，而非取代 Google
Shopify表示AI搜索正成为电商SEO的增量引擎，而非替代者。这份财报解读值得所有电商从业者细读，因为它提供了AI搜索对转化率影响的第一手量化数据，而非空泛的行业预测。
核心数据很有说服力：Q2 AI驱动的流量和订单同比翻三倍；传统搜索会话过去两年增长1.3倍，仍占storefront sessions的三分之一；更关键的是，50%的AI推荐会话直接落地到产品详情页，转化效率是传统搜索的2.5倍。
有意思的是，75%的AI归因购买发生在top 100类目之外，恰好是长尾商家的主战场。这意味着AI agent通过理解多维需求（如”三张儿童座椅能否放进轿车”）匹配产品，而非单纯匹配关键词，从而直接拉高了长尾商品的成交率。
我的判断是：电商SEO的策略重心该从”关键词排名”转向”结构化数据深度”，让产品信息能支撑AI agent的多维度检索。这不只是技术调整，更是思维转换——你的listing不再是写给搜索引擎看，而是写给AI的推理逻辑看。Shopify已经给出方向，接下来看谁执行得快。
