鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

ChatGPT和传统搜索引擎,在一条钢丝上越走越近

编程导航
编程导航
2025-12-26 23:53
阅读 110
编程导航
2025-12-26 23:53
阅读 110

文 | 直面AI,作者 | 苗正,编辑 | 王靖

奥特曼此前曾多次公开表示,在AI回复中加入广告让他感到不安,他认为这是企业的“最后手段”。

可是在现实面前,奥特曼选择了低头。

在ChatGPT最新的安卓测试版1.2025.329代码中,赫然出现了“ads feature”、“search ad”、“bazaar content”等广告相关的字符串。

这些代码片段虽然只有十几行,但足以说明OpenAI正在为ChatGPT植入广告做技术准备。

诚然,广告会为OpenAI带来巨大的收入。

但是这样一来,AI搜索长期建立的结构化、纯净无广告等标签将会荡然无存。如何在广告以及优质输出内容之间找到平衡点,已然成为了2026年所有大模型企业的共同难题。

01

广告即将成为OpenAI的最大收入来源之一。

根据OpenAI披露的数据,公司在2025年上半年的支出就达到25亿美元,照此以往,到2029年时,公司将烧掉1150亿美元。

即便ChatGPT的周活跃用户目前接近9亿,但其中只有约5%的用户付费订阅。

按照OpenAI的定价,ChatGPT Plus每月20美元,ChatGPT Pro每月200美元,按5%的付费率计算,这些订阅收入也远不足以覆盖成本。

为了填补这个财务黑洞,OpenAI制定了免费用户变现计划。根据公司内部预测,2026年开始,免费用户的人均年度营收将达到2美元,到2030年这个数字将增长到15美元。

最直接的变现方法就是广告。而OpenAI希望通过广告业务,到2030年实现总营收中20%来自广告相关收入。

奥特曼在最近的访谈节目中也调整了说法,称广告“虽然令人不适,但并非完全不可接受”。这种态度的变化,与其说是理念转变,不如说是现实妥协。

从OpenAI内部讨论的情况来看,其广告形式与传统搜索引擎有着本质区别。奥特曼称之为“意图导向的变现”,核心是将广告转化为“对话式推荐”,而不是简单地在搜索结果中插入广告链接。

这种模式的运作方式是:当用户询问“最好的跑鞋推荐”时,AI会在提供专业建议的同时,自然地推荐某个付费品牌。

据The Information报道,推荐不会生硬地标注“这是广告”,而是融入对话流程,比如“根据你的训练强度,Nike的Pegasus系列可能很适合,它的缓震技术能有效保护膝盖”。OpenAI可能通过购买分成或收取“优先进入推荐逻辑”的费用来实现盈利。

OpenAI在内部制作了多种广告展示原型,用于模拟不同的呈现方式。其中一种方案是在ChatGPT主回复窗口的侧边栏显示赞助信息,并明确标注“包含赞助结果”。这种设计参考了谷歌搜索的广告展示方式,但试图让广告看起来更像“补充建议”而非传统的页面广告。

OpenAI的另一种方案是在用户点击进一步信息时,在页面侧边展示广告。

比如用户询问巴塞罗那旅行建议,ChatGPT会先推荐圣家堂等景点,这个推荐本身不是赞助内容。但当用户点击圣家堂的介绍链接时,会看到一个包含多家付费旅游服务商赞助链接的弹窗。

这种“二次触发”机制的目的是避免用户在首次对话中就感受到商业推广的压力。

OpenAI还在探索“生成式广告”模式。AI不是简单展示广告商提供的文案,而是根据用户的具体需求和对话语境,自动生成定制化的推荐内容。

比如同样推荐一款跑鞋,对马拉松选手会强调耐久性和支撑性,对新手则会强调舒适性和性价比。OpenAI认为这种动态生成的广告内容理论上能带来更高的转化率。

OpenAI内部员工在评估这些方案时,他们的核心争论点在于“如何在不引发用户反感的情况下展示广告”。

同时团队内部也达成了一种共识,那就是广告绝不能打断或干扰自然对话节奏,所有广告曝光都应设定在对话推进至一定深度后触发。

这个原则意味着免费用户不会在每次对话中都看到广告,只有当对话内容明确指向消费、出行或产品决策时,广告才会出现。

02

2025年11月,OpenAI推出了Shopping Research功能,将ChatGPT变成个人购物助手。用户可以语音或文字描述购物需求,AI会提出针对性问题,然后提供完整的购买建议,包括产品链接和价格对比。

OpenAI在推出这个功能时明确表示,目前不收取任何佣金或联盟营销费用,商家也不能付费影响排名。但业内普遍认为这只是暂时的策略。Shopping Research使用了专门训练的GPT-5 mini模型,能够读取产品页面、规格表和可信评论,这个基础设施完全可以无缝对接广告系统。

OpenAI已经与Walmart、Target、Etsy等零售商建立合作关系,用户可以在ChatGPT中搜索和购买这些平台的商品。虽然现在是免费流量导入,但一旦广告系统上线,这些合作关系就能立即转化为付费推广渠道。

在2025年黑色星期五期间,ChatGPT带来的电商网站流量同比增长28%,Cyber Monday当天AI带来的零售网站流量增长670%。如果OpenAI能在这些流量中插入广告,即便转化率只有传统电商的一半,收入也将非常可观。

然而,为了抵御其对购物入口及广告收入的冲击,亚马逊在临近圣诞节时,屏蔽了ChatGPT、 Meta、谷歌等多家公司的AI爬虫,阻止其抓取商品信息。

同时,亚马逊推出了自研的AI购物助手Rufus,以守住平台的入口,应对AI搜索带来的变革。

为了进一步探索广告业务,OpenAI从谷歌挖来了广告业务高管希瓦库马尔·文卡塔拉曼(Shivakumar Venkataraman),他曾负责谷歌搜索广告的多个核心项目。

此外,OpenAI还在LinkedIn上发布了多个与广告相关的职位,包括广告工程师、广告产品经理和广告策略分析师。

这些动作都表明,广告对OpenAI来说已经不是要不要做的问题,而是怎么做的问题。

推动OpenAI做这个决定的,除了成本压力,还有竞争压力。谷歌在2025年宣布将在Gemini中引入广告,计划2026年正式推出。这给OpenAI带来了直接威胁。如果竞争对手都在通过广告降低用户成本并增加营收,OpenAI很难独善其身。

Perplexity AI已经推出了“赞助回答”功能,在搜索结果中明确标注赞助内容。虽然这个功能引发了一些用户不满,但也证明了AI搜索广告的可行性。OpenAI显然不想在这场竞赛中落后。

从市场规模来看,全球数字广告市场年产值超过1万亿美元,其中谷歌和Meta占据了大部分份额。如果OpenAI能通过ChatGPT切入这个市场,哪怕只拿到5%的份额,也将带来每年500亿美元的收入,足以支撑公司的长期运营。

但OpenAI也面临着用户信任的挑战。一旦AI的回答开始掺入商业利益,用户如何判断这个建议是基于客观分析还是广告商的付费?当ChatGPT推荐某款产品时,用户会怀疑这是因为产品真的好,还是因为品牌付了钱?

这个问题没有答案。

OpenAI现在正试图在"智力中立"与"财务自救"之间走钢丝。如果这个平衡失败,ChatGPT可能会从“AI助手”变成“推销产品的聊天机器人”。

03

但不可否认的是,AI搜索正在蚕食传统的关键词搜索。

传统搜索引擎的市场份额正在以肉眼可见的速度流失。根据highervisibility发布的2025年搜索行为研究报告,谷歌在通用信息搜索领域的份额从2025年2月的73%降至8月的66.9%,半年时间下降了6.1%。

中国市场的变化更加剧烈。百度的移动端搜索市场份额从2021年的94.72%下降到2025年第三季度的58.6%。

QuestMobile的数据显示,百度的媒介地位指数跌至第九位,排在抖音、淘宝、微信、快手、小红书之后。而且百度2025年第三季度的在线营销收入同比暴跌18%,这已经是连续第六个季度下滑。

然而这些用户并不是不再搜索了,而是把搜索行为转移到了AI工具上。

QuestMobile发布的《2025年中国AI终端生态发展研究报告》显示,截至2025年10月,AI移动端用户规模已达7.2亿,占中国网民总数的50%。AI搜索请求日均突破28亿次,其中商业查询占比41%。

德国数字行业协会bitkom对1000名用户的调查显示,50%的受访者有时会通过AI聊天查找信息,而不是使用传统搜索引擎。在16-29岁人群中,5%完全依赖AI搜索,11%主要使用AI,20%使用AI与传统搜索引擎的比例相当。

也就是说,超过三分之一的年轻人已经把AI作为主要或唯一的信息获取方式。

更能说明问题的是零点击率的变化。零点击代表用户搜索完关键词后,不进行任何页面跳转,转而直接下一次搜索或者关闭页面。

SparkToro的数据显示,谷歌搜索的零点击率已达58.5%,移动端更是高达77.2%。这意味着超过一半的搜索不再产生点击,用户在看到搜索结果和摘要后就离开了。传统搜索引擎最核心的广告模式正在失效。

AI搜索带来的转化率更高。大模型搜索转化率指的是用户从发起搜索到最终需求被直接满足的比例。ChatGPT的转化率是谷歌搜索的6倍,用户更愿意信任AI给出的直接答案。

这种转变背后是AI搜索解决了传统搜索长期存在的核心痛点。

传统搜索只提供链接列表,用户需要点开十几个网页逐一查看,不同网站信息质量参差不齐,相互矛盾,用户需要自行辨别真伪。一个简单问题往往需要花费很长时间拼凑完整答案,"搜索→点击→阅读→返回→再搜索"的循环让用户苦不堪言。

AI搜索直接给出完整答案,省去了筛选链接、逐一点击、拼凑信息的过程。根据OpenAI联合哈佛大学的调查《How People Use ChatGPT》,将近35%的用户将“获得直接答案”列为使用AI搜索而不是谷歌搜索的首要原因。

AI搜索支持多轮对话,这进一步丰富了搜索结果。第一次提问不清楚时,用户可以立即追问、补充条件、调整方向,像与真人对话一样逐步明确需求,而非反复修改关键词重新搜索。AI能记住上下文,形成连贯对话,而传统搜索每次都把用户当作"新用户"处理。

《AI搜索用户行为研究》显示,72%的AI搜索会话包含2轮以上对话,其原因是这种交互方式更符合人类自然的思维习惯。而在传统的关键词搜索中,并不存在"连续"这个概念,每一次搜索都只有当前的关键词。

用户更看重的是,AI给出的答案不受商业利益驱动,没有竞价排名的困扰。传统搜索引擎的广告模式长期以来饱受诟病,百度搜索结果前几页被竞价排名广告占据,真实信息被淹没,用户需要滚动数屏才能找到非广告内容。

虽然AI也可能出错,但至少不是“谁付费谁排前面”。

语音交互方式的便利性也是重要因素。移动端打字速度慢、容易出错,长问题输入体验极差,而语音输入速度是打字的3-4倍,特别适合复杂问题表达。Geokeji的研究显示,AI搜索应用中58%的用户使用语音输入,而传统的关键词搜索,即便拥有语音输入功能,使用率仍然不到20%。

语音搜索的平均问题长度是文字搜索的2.3倍,因为语音输入更便利,用户能够更完整地表达自己的需求,提高了搜索的准确性。在开车、做饭、带娃、运动等场景中,双手被占用时,语音搜索成为唯一选择。这些高频场景让用户养成了"遇事直接说"的新习惯。

Gartner预测,2026年全球搜索引擎访问量将骤降25%。这不是简单的市场份额转移,而是一场交互方式的革命。

从"打字输入关键词"到"语音描述完整问题",从“筛选十几个链接”到“获得一个直接答案”,从“单次查询”到“多轮对话”,传统搜索引擎赖以生存的“关键词匹配+竞价排名”模式,正在被基于大语言模型的"语音对话+直接答案"模式快速取代。

所以,传统搜索公司和ChatGPT一样,也处在两难之中。适应新的交互方式,那原本行之有效的商业模式就注定遭到破坏;但继续留在舒适圈吧,这个圈子的规模又肉眼可见越来越小。在这个新技术革命将来未来的转型期,他们只能自相矛盾、首鼠两端,但同时又坚定地走在钢丝上,钢丝对面,就是同样彷徨的ChatGPT。

原文链接: ChatGPT和传统搜索引擎,在一条钢丝上越走越近
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230