广告，正在学会听懂对话

一个做了十年 SEM 的投手朋友，最近把搜索预算表重做了一遍。他对我说了一句话：‘我投了十年的关键词，可能正在变成一种遗产资产。’

这不是危言耸听。过去一个月，三条几乎独立的产业信号同时落地：Google 通过 Ads Decoded 项目披露 AI 模式下搜索行为的结构性变化；OpenAI 首次公开 ChatGPT 广告栈的技术细节，展示了一个由大模型驱动的广告编排系统；Walmart 则把 3300 个基于第一方交易数据的受众人群包，开放给自家 CTV 自助投放平台 Vibe 上的所有广告主。

三家公司、三种身份——搜索入口、对话入口、零售入口——却指向同一个方向：广告的分发逻辑，正在从‘关键词匹配’迁移到‘对话理解 + 交易数据闭环’。 这篇文章拆一拆这三条线，以及 2027 年前广告主该怎么排兵布阵。

📈 搜索行为变了：提问变长，发现变早

先看 Google 这边发生了什么。

Ads Decoded 是 Google 面向广告主的洞察项目，这一轮披露的核心是三个搜索行为变化。第一，AI 模式下的查询长度显著变长——按照 Google 公开的说法，AI 模式下的查询长度大约是传统搜索的 2 倍；用户不再输入‘跑鞋 推荐’这种关键词组合，而是用一整句话描述场景：‘我每周跑三次五公里，扁平足，预算一千五，有什么推荐’。第二，发现环节被前置——用户在研究早期、甚至还没意识到自己要买什么的时候，就已经通过 AI 对话进入决策链路。第三，用户对‘人的视角’的需求上升——AI 给出综合答案之后，用户反而更想看真实用户的评价、论坛讨论和测评内容。

这三条放在一起，冲击的是整个关键词广告的地基。

传统搜索广告的底层假设是：用户带着明确意图输入短查询，广告主通过出价抢占意图入口。但当查询变成一段话、当发现被前置到决策早期、当用户最终又跑去 Reddit 看真人评价，‘关键词’这个计价单位就开始失真了。一次对话可能覆盖十次传统搜索的信息量，而其中真正接近转化的时刻，AI 系统比关键词匹配更能识别。

Google 的建议已经写得很直白：广告主要为 2027 年做规划，重新思考在更长查询、更早触点、以及人类视角内容旁边的广告布局。另据业内流传的说法（此为未经 Google 官方确认的行业推测，请谨慎采信），Google 内部已经在讨论如何把 AI 模式下的对话上下文纳入广告信号体系——如果属实，这意味着竞价不再只看一次查询，而是看一段对话进行到哪一步。

用一句话概括这一节：搜索入口还在 Google 手里，但‘意图’的形态变了，谁先理解长对话，谁就握住新的意图信号。

🤖 ChatGPT 广告栈拆解：让大模型当竞价操盘手

OpenAI 这边走得更激进——它干脆让 LLM 来当广告系统的‘总编排’。

先看体量：ChatGPT 的周活跃用户在 2025 年已达到 8 亿量级，且移动端用户日均对话轮次持续增长（具体分层数据 OpenAI 未完整公开，此处为公开报道口径）。这样一个对话入口一旦商业化，本身就是对搜索广告存量市场的直接分流。而按照 OpenAI 公开的技术架构，ChatGPT 的广告栈是这样运转的：一个定制化的 LLM 编排器（orchestrator）实时解析多轮对话，理解用户此刻真正在讨论什么、处于决策的哪个阶段；然后由它‘提名’（nominate）一批候选广告进入竞价；竞价胜出的广告再被注入回复——但如果广告没能在响应时限内完成投放流程，这个位置会被直接丢弃，宁可不投，也不让回答变慢。

把这套流程画出来，你会看到一个和传统搜索广告完全不同的机器：

三个细节值得广告主认真琢磨。

第一，多轮对话是核心信号。传统搜索一次查询一次曝光，而 ChatGPT 的广告系统看的是一段对话的全貌——用户前后问了什么、纠正过什么、表现出什么偏好。这是关键词永远给不了的数据密度。

第二，‘提名制’改变了竞价逻辑。在 Google 搜索里，广告主靠关键词和受众定向‘申请参赛’；在 ChatGPT 这套架构里，是 LLM 判断你的广告是否与当前对话相关，相关才有资格进竞价。这意味着素材语义质量第一次成了准入门槛——广告内容与产品卖点的语义清晰度，直接决定你的广告会不会被 LLM 提名。

第三，响应时限是硬约束。OpenAI 明确说错过 deadline 的广告位直接放弃。这透露出一个产品哲学：对话体验优先于广告收入。对广告主而言，这意味着落地页加载、素材审核这些基建效率，会直接影响广告在 AI 对话场景里的实际可投性。

一位负责程序化投放的从业者私下说得很透：‘以前我们优化的是出价和关键词，以后可能要优化的是广告素材的语义清晰度——你得让一个大模型一眼看懂你在卖什么、适合谁。’

🛒 沃尔玛把 3300 个交易人群包搬上了大屏

如果说 Google 和 OpenAI 在解决‘理解用户’的问题，Walmart 在解决的是另一个更古老的问题：知道用户买了什么之后，怎么把钱花在下一单之前。

Vibe 是 Walmart 的 CTV 自助投放平台，让品牌可以直接在大屏上买广告。这次开放的，是 Walmart 基于 first-party 交易数据构建的 3300 多个受众人群包——也就是说，任何在 Vibe 上自助投放的广告主，都可以按真实购买行为来圈选人群：谁买过宠物食品、谁在母婴品类复购、谁的购物篮里有高端小家电。参考背景：Walmart Connect 的广告业务年增速长期保持在 20% 以上，零售媒体已成为其利润增长最快的板块之一（数据来自 Walmart 财报及公开披露口径）。

这组数据的稀缺性，圈里都清楚。零售媒体的魔力在于闭合回路：广告曝光在电视上，转化发生在货架和 App 里，而两者背后是同一个 ID 体系。数字广告圈流传一句话——‘零售商手里有收据，平台手里只有点击。’

对广告主来说，这个变化有两层含义。

其一，CTV 广告的可衡量性上了一个台阶。传统 CTV 最大的痛点是‘知道花了多少钱，不知道卖了多少钱’；当 3300 个交易人群包既能用来定向、又能用来做增量验证，CTV 就从品牌预算的‘信仰消费’，逐步变成可以核算 ROI 的效果渠道。

其二，零售媒体的边界在扩张。Walmart 不满足于在自家 App 和门店屏幕上卖广告，它把交易数据资产装进了 CTV 这个家庭最大屏幕的入口。零售媒体网络（RMN）正在从‘站内变现工具’升级为‘全屋覆盖的广告操作系统’。

把当前几个主要广告入口的牌面放在一起看，格局就清楚了：

🎯 三条线汇合：广告的护城河换了材质

把三条线放到一张图上，才能看清各自的位置和合力方向：

这个四象限揭示了一个有意思的错位：ChatGPT 在对话理解上领先，但缺交易闭环；Walmart 有最硬的交易数据，但触达场景在客厅大屏、缺少实时对话能力；Google 恰好站在中间——既有对话入口，又在补交易信号。所以接下来的产业悬念很清晰：谁能先把‘理解对话’和‘交易闭环’这两块拼图合到一起，谁就拿下下一代广告基础设施。 这也解释了为什么 Google 会在 AI 模式里急着铺广告、零售商拼命扩 RMN 边界、OpenAI 反复强调广告不能伤害对话体验——大家都在抢同一块拼图。

对广告主而言，2027 之前的动作清单其实不复杂，核心是四组‘痛点—解法’：

把这份清单展开成可执行的时间表，大致是这样一个节奏（时间划分是作者基于三条产品线的公开节奏做出的建议性推测，非任何官方路线图）：

未来 6 个月（盘点与补课期）：

1. 盘点预算结构：摸清当前搜索预算中，有多少花在‘短查询、高意图’词上，有多少其实可以迁移到对话场景。给出迁移假设清单，先记录、后验证。

2. 重写素材的‘机器可读性’：按‘产品是什么、卖给谁、解决什么问题、使用场景’四要素重写核心广告素材的描述，做一版内部语义清晰度评审——判断标准很简单：让一个没见过你产品的同事（或一个 LLM）读完广告，能否准确说出你在卖什么。

3. 打通第一方数据：把 CRM、交易数据与主要投放平台的人群能力做一次对接摸底，明确哪些渠道能吃到你的‘收据级’数据，哪些不能。

6—12 个月（实验期）：

4. 建立结构性实验池：拿出 10%—15% 的测试预算（这是作者基于行业常见的测试预算惯例给出的经验值，并非标准答案，各团队应按自身预算弹性调整），投入 AI 模式广告、对话场景广告和 CTV 交易人群定向，每条实验线设独立对照组。

5. 重建归因框架：对新触点不再只看最后一次点击，引入增量实验（geolift、holdout 组）来度量早期触点的真实贡献。

6. 小规模验证 CTV 人群包：选一两个品类，用 Vibe 的交易人群包做定向 vs 不定向的对照投放，用增量销售额而非曝光指标来评价人群包质量。

12—24 个月（能力配置期）：

7. 重组团队技能栈：把‘素材语义优化’‘增量实验设计’‘第一方数据运营’三类能力设为固定岗位或明确责任人，而不是散落在执行层。

8. 制定迁移预案而非 all in 决策：为关键词预算设定阶段性迁移上限（例如每季度不超过总预算的 5%），根据实验数据滚动调整——搜索广告不会死，但它的增量时代正在结束；新的增量藏在对话里、在收据里、在客厅的大屏里。

其中最反直觉、也最值钱的一条是素材语义质量。过去十年，广告优化约等于出价与定向优化，创意是最后一公里；在 LLM 提名制的架构下，创意的语义清晰度变成了第一道门槛——它决定你的广告能不能上牌桌。这不是玄学的‘品牌力’，而是可以被检验的工程指标：一个清晰描述产品、人群和使用场景的广告，和一个只有氛围感的广告，在 ChatGPT 这类系统里的命运会完全不同。

还有一点要泼冷水：别急着 all in。AI 模式的广告产品还在早期，ChatGPT 广告栈的规模效应尚未验证，Vibe 的人群包质量也需要用实验说话。正确的姿势是用小预算跑结构性实验，积累判断依据——而不是把关键词预算一夜清空。

小结： Google 看到了更长的提问，OpenAI 把竞价权交给了大模型，Walmart 把收据变成了大屏人群包——三条线在 2027 前汇成一个判断：广告的竞争从‘抢关键词’变成了‘抢对话理解 × 数据闭环’。对广告主，明年最该做的不是换渠道，而是按时间表换组织里的能力配置：前 6 个月盘点预算、重写素材、打通数据；6—12 个月用 10%—15% 的测试预算跑增量实验；12—24 个月把语义、实验、数据三类能力固化进团队。让懂素材语义的人、懂数据实验的人和懂交易数据的人坐到一张桌子旁。旧地图上的路还在，但新大陆的坐标已经印出来了。

数据与推测说明： 文中 AI 模式查询长度约为传统搜索 2 倍、ChatGPT 周活 8 亿量级、Walmart Connect 增速超 20% 均来自各公司公开披露或主流媒体公开报道口径；‘Google 内部讨论对话上下文纳入广告信号体系’‘10%—15% 测试预算比例’‘迁移时间表’为行业推测或作者建议，已在正文标注，请读者自行判断采信。