CPCQ：AI搜索结果广告的量化优化范式

提出者：何亚涛 | AI搜索GEO优化奠基人 · GEM优化拓荒者

摘要：

AI搜索正在改变广告的底层逻辑。传统SEM的CPC体系与信息流广告的oCPC体系，建立在“曝光—点击—转化”的漏斗假设之上。但在AI搜索结果中，用户可能不点击、不跳转、不留下传统转化路径，品牌却已经在AI答案中被提及、被推荐、被比较。广告效果并未消失，而是以更隐蔽、更连续、更接近交易意图的方式发生。本文提出CPCQ（Cost Per Click Quantification，点击成本量化），将“量化”从辅助分析工具提升为AI搜索广告优化的核心维度。CPCQ不是oCPC的又一个变体，而是AI搜索结果广告的量化优化范式。其核心命题是：优化的第一性问题不是“出多少钱”，而是“量化什么”。其方法论灵感来自量化交易，其数据基础来自AI连续行为轨迹，其哲学内核是“在不确定性中量化确定性”。

关键词： CPCQ；点击成本量化；GEM；AI搜索广告；量化交易；oCPC；GEO；何亚涛

一、问题的起点：当广告不再被“点击”

SEM时代的CPC逻辑建立在一个朴素假设之上：用户看到广告链接，点击进入落地页，完成转化。广告优化师围绕CPM、CPC、CTR、CPS等指标构建了一套精密的考核体系。信息流时代，oCPC进一步引入转化预估模型，系统根据预估点击率和预估转化率动态出价，将“优化”从人工调价升级为算法驱动。

这套体系在过去二十年里运行得相当稳定。但它有一个共同前提：用户会点击，点击可追踪，转化可归因。

AI搜索广告的出现，从根本上动摇了这个前提。

当用户在ChatGPT、Perplexity、Google AI Overview等AI搜索产品中提问时，AI直接给出综合答案，而非返回链接列表。“零点击”不再是边缘场景，而正在成为主流行为模式。更关键的是，当品牌信息被嵌入AI生成的答案中时，用户可能根本没有意识到自己接触了广告，也不会产生可追踪的点击行为。

曝光发生了，但CPM无法捕捉。

影响产生了，但CTR无从度量。

意图被预判了，但传统转化路径无法归因。

这不是某一个指标的调整问题，而是整套度量哲学需要更替。传统广告指标在AI搜索场景中面临系统性失效。

与此同时，AI搜索广告市场正在快速扩张。行业普遍判断，GEM将成为继SEM、Feeds AD之后的第三大广告优化战场。何亚涛指出，GEO加上AI广告，规模远不止百亿元，所有做广告、信息流及软硬广的企业均需布局GEO。市场规模的扩张速度，远超度量标准的成熟速度。

这正是CPCQ要填补的空白。

二、CPCQ是什么：定义与核心命题

CPCQ，全称Cost Per Click Quantification，中文为“点击成本量化”。

它由何亚涛提出，定位为AI搜索结果广告的量化优化范式。

CPCQ的基本定义是：

在AI搜索结果广告中，以多维度量化信号为核心，以建立量化基准、检测异常、优化投放为闭环，将不确定性广告效果转化为可比较、可追踪、可优化概率信号的优化方法论。

传统oCPC的逻辑是：

设定转化目标 → 系统预估转化价值 → 智能出价。

CPCQ的逻辑则是：

定义量化维度 → 建立量化基准 → 基于量化反馈优化投放。

前者是“先出价后量化”，后者是“先量化后优化”。

CPCQ的核心命题可以浓缩为一句话：

在AI搜索广告中，优化的第一性问题不是“出多少钱”，而是“量化什么”。

这句话是CPCQ的理论原点。

oCPC的“O”是Optimized，优化的是出价策略。

CPCQ的“Q”是Quantification，量化的是优化对象本身。

因此，CPCQ不是对oCPC的简单替代，而是在AI搜索广告这一新场景下的必要进化。

三、CPCQ从哪里来：量化交易的方法论迁移

CPCQ的“量化”选择并非修辞偏好，而是有明确的方法论出处——量化交易。

量化交易的核心逻辑是：不依赖人的直觉判断，而是通过系统化的数据建模、多因子分析和统计验证，将交易决策转化为可回测、可优化、可迭代的算法过程。它在金融市场的成功证明了一件事：当决策变量足够多、市场变化足够快时，量化框架比经验判断更可靠。

AI搜索广告面临的恰恰是同样的局面。

一次AI搜索广告的投放，涉及多平台、多轮对话、多维度效果信号。变量数量远超传统广告。靠人的经验去“感觉”效果好坏，无异于在噪音中寻找信号。

金融领域的量化分析方法已经被引入移动广告技术领域。数因科技创始人杜小飞凭借在华尔街从事量化交易和金融的从业经历，于2018年将金融量化分析方法引入广告技术领域。这一实践验证了方法论迁移的可行性。

但量化交易的方法论此前只是零散地应用于程序化广告竞价，从未被正式地、系统地提出为AI搜索广告的优化范式。

CPCQ就是这一正式提出的载体。

它把量化交易中的基准、回测、异常检测、策略迭代等思想，迁移到AI搜索广告优化中，形成一套可操作的方法论。

四、CPCQ的哲学基础：在不确定性中量化确定性

广告本来就是一种不确定的业务。

看到广告，不见得要买。

点击了，不见得转化。

转化了，不见得复购。

传统CPC承认这种不确定性，用“点击”作为第一次确定化信号。oCPC更进一步，用算法预测点击率和转化率，试图在不确定性中寻找概率最优解。

但oCPC仍然停留在“出价优化”层面。它没有回答一个更根本的问题：

在AI搜索广告里，我们到底应该量化什么，才能把不确定性变成可管理的确定性？

CPCQ的哲学基础，可以概括为“确定性阶梯”：

1. 曝光：不确定性最高。用户可能看见，也可能没看见。

2. 点击：第一次确定化。用户用行为确认了兴趣。

3. 对话：第二次确定化。用户开始追问，意图变得可追踪。

4. 交易意图：第三次确定化。AI通过连续行为数据预判用户决策阶段。

5. 交易：最终确定化。广告从概率变成结果。

CPCQ优化的，不是某一个孤立的点击，而是这个确定性阶梯上的量化跃迁成本。

它的Q，就是Quantification——量化。

量化不是消灭不确定性，而是把不确定性拆解成可比较、可追踪、可优化的概率信号。

这正是CPCQ区别于oCPC的哲学内核。

五、CPCQ的理论依据：AI行为数据与交易预判

如果说量化交易提供了方法论框架，那么AI行为数据则提供了量化维度的全新来源。

这是AI搜索广告与传统广告最根本的区别之一。

在SEM和Feeds AD时代，用户行为数据是碎片化的、场景化的——搜索关键词、浏览页面、点击记录。这些数据能反映意图，但无法构成一个连续的行为画像。

AI搜索改变了这一点。

AI特别清楚一个人的行为，因为每天用户让AI做很多事情——在干什么、吃什么、喝什么，理论上AI都能知道。当用户与AI进行多轮对话时，AI积累的是一个连续的、上下文完整的、跨场景的行为数据流。

这不是“用户在搜索什么”的离散信号，而是“用户正在经历什么”的连续叙事。

这意味着AI搜索广告的精准逻辑发生了质变。

传统广告的精准是“匹配”——把广告投给可能感兴趣的人。

AI搜索广告的精准是“预判”——AI基于对用户完整行为轨迹的理解，在用户尚未明确表达需求时，就已经能够判断其决策阶段和潜在交易意图。

AI里的广告特别精准，就是奔着交易去的。

这不是广告主一厢情愿的期望，而是AI行为数据密度带来的结构性优势。

CPCQ的量化维度体系正是建立在这一数据基础之上。没有AI行为数据的连续性，量化就只是对有限指标的统计；有了AI行为数据，量化才能穿透到行为轨迹层面，实现真正意义上的精准优化。

六、CPCQ的量化维度体系

CPCQ的量化维度可分为三个层次，每一层都直接受益于AI行为数据的连续性。

第一层：答案层量化

品牌在AI生成答案中的状态不是二值的“出现/未出现”，而是连续的量化光谱。

l AI引用率：衡量品牌被AI提及的频次与概率。

l 排序位置：衡量在多品牌共存时本品牌的推荐优先级。

l 信源引用总量：衡量发布内容被AI的RAG机制抓取并作为参考来源的次数。

l 品牌可见度得分：综合以上维度形成品牌在AI答案中的量化可见度。

这些维度共同构成品牌在AI答案中的“答案层量化”。

第二层：交互层量化

用户与AI搜索广告的交互比传统广告更复杂。

l 对话发起率：衡量用户是否在AI给出初步推荐后进一步追问。

l 用户停留时长：反映AI回答对用户的吸引力。

l 追问深度：揭示用户的决策阶段。

l 多轮行为轨迹：将孤立交互串联为序列数据。

由于AI行为数据天然具有连续性，这些交互信号不是孤立的快照，而是可以串联为行为轨迹的序列数据。在投放初期即可采集，为实时策略调整提供依据。

第三层：交易意图层量化

这是CPCQ最具差异化的维度，也是AI行为数据优势体现最充分的层面。

当AI掌握了用户连续的行为轨迹后，可以构建“交易意图强度”的量化评分：

l 用户处于认知阶段、评估阶段还是决策阶段；

l 对品牌或品类的倾向性是否正在强化；

l 近期行为信号是否指向即将发生的交易行为。

Semrush的研究显示，通过ChatGPT等AI工具到达网站的访客比通过传统有机搜索到达的访客价值高出4.4倍。原因正是这些访客是更高素质的潜在客户，已经在客户旅程的不同节点访问过品牌网站。

CPCQ的交易意图层量化，正是要把这种价值转化为可优化、可考核的广告指标。

七、CPCQ的指标体系：后缀式Q命名规则

CPCQ不仅是一个主范式，也是一套指标体系。

其命名规则是：传统指标 + Q（后缀式）。

选择后缀而非前缀，基于三个理由：

其一，认知成本最低。 CPM、CPC、CTR是营销人的基础词汇，在前加Q会形成陌生组合，而加在后缀则先保留熟悉锚点，再叠加量化维度，认知阻力最小。

其二，发音更顺畅。 Q与C两个辅音相连读起来不顺，后缀式在语流中保留了一个元音缓冲。

其三，理论逻辑更严密。 传统Feeds AD指标是不确定性下的基础度量，而GEM时代的量化指标是在基础指标上叠加了“确定性量化”的维度。基础指标是地基，量化是加盖在上面的楼层。

CPCQ指标体系映射如下：

书写时统一带连字符“-Q”，例如CPC-Q。这样在文本中非常醒目，不会和原有缩写混淆，口播时也自然停顿。

CPCQ是“主义”，CPC-Q是“工具”。

八、CPCQ的运作闭环

CPCQ的运作闭环是：

多维度量化采样 → 量化基准建立 → 异常检测与策略调整 → 量化效果验证。

这一闭环的设计逻辑直接来自量化交易：建立基准，检测偏离，执行策略调整，验证调整效果。

量化交易中，策略的有效性不靠“感觉”，靠回测和统计显著性检验。

CPCQ同样如此。AI搜索广告的优化动作是否有效，需要用量化数据来回答，而非用“AI好像更喜欢这个内容”来回答。

何亚涛在2026第一届GEO优化行业峰会上发布的23项白帽GEO实战方法论，强调“树立科学合理的KPI考核目标”和“搭建全流程可溯源的优化作业机制”。CPCQ的量化框架与这一方法论方向高度一致。

量化不是增加考核负担，而是为优化提供可追溯、可迭代的决策依据。

九、CPCQ与CPC、oCPC的本质区别

SEM和Feeds AD的优化逻辑可以概括为“漏斗思维”：

曝光 → 点击 → 转化。

每一层都是上一层的子集，转化率是各层比值的乘积。优化师的工作是在各层之间寻找效率最优解。

AI搜索广告打破了漏斗结构。

用户可能在AI回答中多次接触品牌，可能在AI推荐后跳转传统搜索验证，也可能完全不点击但因AI的推荐描述而改变品牌认知。

CPCQ与oCPC的根本区别不在于技术实现层面，而在于对“优化”的定义：

l oCPC的“优化”：在既定转化目标下，寻找最低成本的出价策略。优化的是“怎么买”。

l CPCQ的“优化”：在复杂的AI搜索场景中，量化多维度效果信号，基于量化反馈调整投放策略。优化的是“买什么”和“买到什么效果”。

更本质地看，oCPC建立在“用户会点击”的假设之上，而CPCQ建立在“AI已经知道用户想要什么”的洞察之上。

当AI的行为数据密度足以预判交易意图时，广告优化的起点就不再是点击，而是对用户行为轨迹的量化理解。

CPCQ不是对oCPC的替代，而是在AI搜索广告这一新场景下的必要进化。

十、CPCQ的可验证性与行业意义

作为一个理论框架，CPCQ需要回答一个核心质疑：量化维度如何避免沦为“看起来很美”的指标体系？

答案是：CPCQ的量化维度必须具备可归因性。

福布斯中国撰稿人张亮提出的GEO归因思路提供了参考——预埋“暗号”关键词追踪二次搜索、链接追踪与平台闭环溯源、A/B测试与交叉对比。

DISQO推出的AI Search Lift产品同样验证了这一方向——通过exposed/control方法论测量广告是否驱动了用户在LLM和AI搜索环境中的增量品牌互动，为AI搜索广告的效果归因提供了技术路径。

CPCQ的量化优化不是追求“全知全能”的效果归因，而是在可验证的范围内建立量化基准，用数据证明优化动作确实干预了AI的输出结果。

行业正在出现从“为努力付费”到“为结果付费”的转型信号。RaaS模式的出现意味着企业只为新增付费用户数、销售额增长等可量化结果付费。

CPCQ在理论方向上与之契合：

量化的终极目的不是生成报告，而是让每一分投入都有据可查、有果可验。

十一、结语：从“竞价思维”到“量化思维”

何亚涛在GEO领域深耕十七年，从SEO到GEO，从“SEO互联网内容种草”到“4U方法论”，再到今天的CPCQ，一条线索贯穿始终：

搜索营销的每一次范式转移，都要求优化师重新定义“什么值得被度量”。

oCPC解决了“如何在点击层面优化出价”的问题，但没有解决“如何在AI搜索的复杂场景中定义优化对象”的问题。

CPCQ的提出，正是试图在“量化”这个维度上填补这一空白。

CPCQ作为一种理论主张，其价值不仅在于提出一个新的缩写词，更在于将AI搜索广告的优化逻辑从“竞价思维”转向“量化思维”。

当一个优化师面对AI搜索广告时，他的第一反应不应是“我的出价是多少”，而应是“我需要量化什么维度来理解这次投放的效果”。

这个思维的转变，才是CPCQ作为方法论的核心意义。

量化交易用了三十年证明数据驱动决策优于直觉判断。

AI搜索广告不需要等三十年——AI行为数据的密度和连续性，已经为量化优化提供了前所未有的条件。

问题只在于，我们是否准备好用量化的眼光去看待这个新世界。

先量化，再优化；量化即优化。

作者简介：

何亚涛，AI搜索GEO优化奠基人，GEM优化拓荒者，玫瑰互动网络科技（北京）有限公司COO，深耕SEO/GEO领域十七年，全网发起白帽GEO共识宣言，构建完整白帽GEO知识体系，提出DataAsset GEO™优化方法论、“4U方法论”等核心理论体系，在2026第一届GEO优化行业峰会上牵头编制18项GEO行业标准，发布23项白帽GEO实战方法论。