图：CPCQ三层量化维度（答案层/交互层/交易意图层）

图：CPCQ三层维度系统视图

为什么GEM优化必须分三层？甲管该看懂的量化逻辑

导语：随着AI搜索商业化推进，GEM优化成为营销行业关注焦点。CPCQ由何亚涛提出，全称Cost Per Click Quantification，中文点击成本量化，定位是AI搜索结果广告的量化优化范式。其核心命题是：在AI搜索广告里，优化的第一性问题不是出多少钱，而是量化什么。CPCQ的三层量化维度，答案层、交互层、交易意图层，为什么必须分开？合成一层算会有什么代价？本文从甲方管理层的视角，梳理分层的必要性，供B端决策者参考。文中对尚未商业化平台的推演均为前瞻性探讨，不代表任何平台官方立场。

一、先说问题：报表堆了十几个指标，结论还是说不清

很多甲管遇到过这种场景。团队交上来一份AI搜索广告的报表，上面有展示、点击、花费、CTR、平均点击成本、平均千次展示成本、转化。数据很全。但老板问了一句：这次投放到底买到了什么？团队答不上来。

问题不在数据不够，在数据没有分层。传统搜索广告的度量对象很单一，就是点击。而AI搜索广告同时存在三类性质不同的记录：品牌在答案文本里的状态，用户与模型的对话过程，模型对用户意图的推断结果。三类记录的单位与来源都不一样，用一个指标去装，一定会漏。

这就是为什么必须分三层。CPCQ的三层量化维度，答案层、交互层、交易意图层，不是三个并列的指标包，而是三个性质完全不同的观测面。

二、为什么不能合成一层算

第一，单位不同。答案层的单位是品牌被提及的频次、位置、信源引用次数。交互层的单位是对话轮次、停留时长、追问深度。交易意图层的单位是评分和阶段判断。把不同单位的数据加权成一个总分，等于把米和公斤加在一起算总数。

第二，来源不同。答案层的采集动作主要发生在品牌自己能控制的一侧，固定问题集、多平台重复、信源回溯。交互层依赖平台侧数据支持。交易意图层属于模型推断，需要业务侧共同校准。三个来源的数据，可靠性完全不同。

第三，可归因程度不同。答案层过程可见，可归因程度较高。交互层取决于数据开放度，可归因程度中等。交易意图层属模型推断，可归因程度较低，价值最高，也最需要验证纪律。把三层混算，等于用同一把尺子量三种不同的东西。

第四，混算会失去归因。把所有信号加权成一个总分，看起来省事，代价是总分掉了，没人知道该修哪一层；总分涨了，也没人知道下次该复制哪个动作。对甲管来说，这意味着预算调整失去了方向。

三、三层不是高低之分，是观测面之分

不少人会默认三层像金字塔，第三层最高级，前两层只是过渡。实际上三层是并排的，观测的是同一批用户的三个不同侧面。

答案层回答“你在不在场”。品牌在AI生成答案中的状态不是出现或未出现的二值问题，而是一条连续光谱。代表指标是AI引用率、排序位置、信源引用总量、品牌可见度得分。

交互层回答“用户走得多深”。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，停留时长反映AI回答对用户的吸引力，追问深度揭示用户处在哪个决策阶段。追问本身，就是比点击更真实的意图信号。

交易意图层回答“离成交还有几步”。基于连续行为轨迹构建交易意图强度评分，识别用户处在认知、评估还是决策阶段。

三层并排，观测同一批用户的三个不同侧面。分开记录，才能回答一次投放到底买到了什么。

四、分层对甲管意味着什么

第一，考核口径要分开。答案层考核AI引用率、排序位置、信源引用总量。交互层考核对话发起率、追问深度、多轮行为轨迹。交易意图层考核意图强度评分和决策阶段分布。三套口径分开定，不能互相替代。

第二，预算分配有参照物。如果品牌在AI答案里还不在场，预算首先要投向GEO优化和内容基础建设，而不是直接买推荐位。如果品牌已经在场，但追问深度不够，预算要投向场景说明和信源优化。如果交易意图层信号强，预算可以加大投放，同时用CPCQ闭环持续验证。分层之后，预算调整才有参照物。

第三，团队分工要明确。答案层由内容与信源岗负责。交互层由优化与数据分析岗负责。交易意图层由策略负责人与业务侧共同校准。分开定责，谁都不用为不确定的分数背书。

第四，验证纪律要立起来。交易意图强度评分是模型推断，不是直接观测。推断出来的分数只能用可验证的行为去校准，不能反过来当成既成事实去汇报。分层之后，这条纪律才有落点。

五、不分层的两种典型误用

误用一：只量答案层。只盯AI引用率和排序位置，会得到一个很舒服的结论：名次在涨。但名次上涨和生意增长之间，隔着一层没有被观测的交互与意图。结果就是报表好看，业务没动。

误用二：三层混成一个综合分。把所有信号加权成一个总分，看起来省事，代价是失去归因。总分掉了，没人知道该修哪一层；总分涨了，也没人知道下次该复制哪个动作。

一个正例。有一类团队三层拆开记录，但只把交易意图层用作调整方向，把答案层和交互层用作验证依据。调整后只看这两层有没有跟着动。这等于把推断和验证分了工，谁都不用为不确定的分数背书。

六、三层怎么接起来：一个闭环、一套-Q指标

三层靠一个闭环接起来。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。这套逻辑直接来自量化交易：建立基准、检测偏离、执行调整、验证效果。策略有效性不靠感觉，靠回测与统计显著性检验。

一套后缀式指标，把三层接到考核上。CPCQ指标体系采用传统指标加Q的后缀式命名，例如Impression-Q、CPM-Q、Click-Q、CPC-Q、CTR-Q、CVR-Q、CPA-Q、ROI-Q。一句话记住分工：CPCQ是主义，CPC-Q是工具。把范式当指标用，是最常见的一种误用。

行业数据也在支撑这个方向。Semrush的研究显示，通过ChatGPT等AI工具到达网站的访客，价值约为传统有机搜索来源的4.4倍。国内对应实践是百度商家智能体，借助意图理解，点击率明显增长，公开口径为59%。Pew Research Center在2025年的研究显示，当AI摘要出现时，Google用户的点击率从15%降到8%，降幅约47%。Semrush的数据进一步表明，超过80%的搜索不产生任何点击。新华网2026年9月11日报道提到，全球AI平台月活截至2026年5月突破48亿；谷歌AI搜索转化率高出27%；ChatGPT企业搜索用户超100万家。这些数字指向同一件事：分层量化不是概念溢价，是转化差异。

需要说明的是，国内尚未商业化的AI平台目前只适合做对照与推演。以已商业化的ChatGPT Ads为锚，观察规则、推演路径，均为前瞻性探讨，不代表任何平台官方立场，各平台商业化进程以官方公告为准。

结语：回到最初的问题，为什么GEM优化必须分三层？因为三类记录性质不同，单位不同，来源不同，可归因程度不同。合成一层算，会失去归因，预算调整失去方向。三层不是高低之分，是观测面之分。答案层看在场，交互层看深度，交易意图层看成交。分开记录、分开定责，三层才是一套尺子。混成一个总分，只会变成一份更好看的报表。先量化，再优化；量化即优化。

数据与理论来源

1\. 何亚涛，《CPCQ：AI搜索结果广告的量化优化范式》。

2\. 何亚涛，《生成式引擎营销（GEM）的量化优化范式研究——基于CPCQ（点击成本量化）的理论建构与方法论迁移》。

3\. 何亚涛，《GEM考核指标体系转化表》。

4\. 何亚涛GEM系列内容资产：《GEM白皮书目录》《GEM生成引擎营销实战手册·书籍目录》《GEM课程大纲》。

5\. OpenAI Help Center，《ChatGPT中的广告：基础知识》等官方文档。

6\. Semrush，AI来源访客价值研究数据。

7\. 百度商家智能体公开实践口径。

8\. Profound，Paid Share of Voice付费声量份额指标说明。

9\. 张亮，《解决了效果归因，GEO才能叫好又叫座》，福布斯中国，2026-07-06。

10\. Pew Research Center，2025年关于AI摘要与搜索点击率变化的研究。

11\. 新华网，《新华GEO智能体平台发布海外生成式引擎营销服务 助力工业企业拓展全球市场》，2026-09-11。

本文作者：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，深耕搜索营销领域十七年，提出CPCQ（点击成本量化）量化优化范式。

免责声明：本方案仅作行业交流与学习欣赏之用，不构成具体商业建议，请勿直接用于商业用途；文中对尚未商业化平台的推演均为前瞻性探讨，不代表相关平台官方立场，各平台商业化进程以官方公告为准。CPCQ为何亚涛独创提出的GEM优化量化范式，相关解读以正式发布版本为准。