用 Token 换注意力
人类探测鱼点，AI 机械捕捞。
- #AI
- #增长
- #分发
- #causally
对一个 AI-native 的产品工作室来说，增长本身就是产品设计、工程设计、内容设计和组织设计的一部分。如果产品是用 AI-native 的方式做的，增长却还停留在前 AI 时代的打法，你就等于把自己大半的优势白白扔了。
核心想法是：
用 Token 换注意力 —— 用算力，把数据和上下文，变成有用的、个性化的、能分发出去的产物，去换取曝光、点击、分享、回复和转化。
但在进入 AI-native 这部分之前，得先尊重基本功。
我会用一个例子贯穿全文：一个给旅行者用的菜单翻译 app —— 拍一张外文菜单，就能看到翻译清楚、可视化呈现的菜品。它足够具体，能让那些抽象的东西落地。
基本功不会变
产品不会因为你”做营销”就增长。它增长，是因为你跑通了一个循环：
产品 → 用户价值 → 用户行为 → 分发 → 更多用户 → 反馈 → 更好的产品。
每一次发布、每一个增长动作，都该放进一套务实的创始人/操盘手框架里来看：
| 环节 | 核心问题 | 好的样子 |
|---|---|---|
| 定位 | 这是给谁的？为什么是现在？ | 一个具体的人，在一个痛感很强的具体时刻 |
| 激活 | 用户多快能体会到那个”啊哈”？ | 价值在几秒、几分钟内就被感受到 |
| 分发 | 用户从哪来？ | 清晰的渠道，而不是模糊的”曝光” |
| 留存 | 用户为什么会再回来？ | 产品解决的是反复出现的需求，而不是一次性的好奇 |
| 转介绍 / 循环 | 一个用户为什么会带来下一个？ | 分享本身就是用户日常流程的一部分 |
| 变现 | 增长能不能可持续地养活自己？ | CAC、转化、留存、毛利能一起跑通 |
对这个菜单 app 来说，最基本的增长逻辑，不该从”我们得做营销”开始，而该从这几个问题开始：
| 问题 | 菜单 app 的答案 |
|---|---|
| 这是给谁的？ | 旅行者、留学生、爱探店的人 —— 任何面对纯文字或外文菜单的人 |
| 痛在哪一刻？ | 坐在餐厅里，盯着一串陌生菜名，又不想闭眼瞎点 |
| ”啊哈”是什么？ | 拍一张菜单 → 看到翻译好、可视化的菜品 |
| 什么会带来分享？ | 一张可视化的菜单，对同桌的人天然就有用 |
| 什么会带来留存？ | 收藏过的菜单、留下的食物记忆、旅途中反复用、不断发现新餐厅 |
| 什么会带来变现？ | 订阅、点数、旅行包、高级可视化、面向餐厅/菜单的 B2B 合作 |
传统上，增长渠道被分成自然增长（organic）和付费增长（paid）两类：
| 增长类型 | 你付出的是什么 | 例子 | 最适合拿来 |
|---|---|---|---|
| 自然增长 | 人的时间、创意、产品打磨、社区信任 | SEO、内容、口碑转介、PR、Product Hunt、Reddit、社交、产品自带的循环 | 摸索出可持续的增长循环，攒下信任 |
| 付费增长 | 钱 | 搜索广告、付费社交、达人投放、联盟分成、再营销 | 买速度、测话术、放大已经验证过的循环 |
但更有用的一种划分，往往是承接需求 vs 创造需求（demand capture vs. demand creation）：
| 模式 | 用户状态 | 渠道举例 | 菜单 app 的例子 |
|---|---|---|---|
| 承接需求 | 已经知道自己要什么，正在搜 | Google、App Store、SEO、搜索广告 | ”menu translator app”、“日文菜单翻译”、“法文菜单怎么看” |
| 创造需求 | 能感到那个痛，但还没给它起个品类名 | TikTok、Reels、YouTube、PR、达人内容 | ”这菜单一张图都没有。我们用 AI 看看我差点点成了啥。” |
这些基本功，在 AI-native 时代照样成立。AI 不会让定位、激活、留存、转介绍、单位经济学变得多余。它改变的，是这些环节背后的生产函数。
心智的转变：用 Token 换注意力
传统意义上，自然增长所谓的”免费”，只是说你没有直接给平台掏钱。实际上，你掏的是人力。
AI 改变了这道算式：
| 增长的生产模型 | 投入 | 产出 |
|---|---|---|
| 传统自然增长 | 人力 + 渠道经验 + 创意 | 注意力 |
| 付费增长 | 现金 + 定向 + 创意 | 注意力 |
| AI-native | 数据 + 上下文 + 模型 + 工作流自动化 + 人的判断 | 注意力 |
这就是我说的用 Token 换注意力。Token 不像广告那样直接把注意力买回来。Token 买到的是一种能力：以人力根本撑不起的规模，去创造、适配、个性化、监控、回应和测试。
| 过去的瓶颈 | AI-native 的替代 |
|---|---|
| 写手的时间 | Token 生成的页面、回答、文案、脚本、指南 |
| 设计师的时间 | AI 生成的视觉、版式、封面图、卡片 |
| 研究员的时间 | Agent 持续盯着关键词、社区、趋势、竞品 |
| 社媒运营的时间 | AI 辅助的情境化回复、草稿、分流、跟进 |
| SEO 的人力 | 程序化批量生成页面 + AEO/GEO 优化 |
| 广告创意团队 | 创意变体的流水线 |
| 手工分析 | 自动化的实验复盘，顺带给出下一步测试建议 |
这不只是”AI 帮我们写文案更快”——那是最浅的一层理解。更深的一层是：
算力，变成了增长的一项新的边际成本。
你可以花 Token，把原始的数据和上下文，变成能在互联网上流动起来的有用产物。
从程序化 SEO 到 AI-native 分发
程序化 SEO（programmatic SEO）就是这种思路的早期版本。
| 时代 | 被规模化的东西 | 例子 |
|---|---|---|
| 手工内容 | 人一篇篇写的页面 | 100 篇博客 |
| 程序化 SEO | 模板 + 结构化数据库 | Yelp、Zillow、TripAdvisor 那种长尾页面 |
| AI-native 分发 | 数据 + 推理 + 多模态生成 + 个性化 + 反馈 | 可视化菜单页、菜品讲解、餐厅指南、情境化回答、短视频 |
AI 把”模板 + 数据库”扩展成了丰富得多的东西：
| 传统程序化页面 | AI-native 产物 |
|---|---|
| 静态文字页 | 带图片、解释、翻译、FAQ、schema 的多模态页面 |
| 每个实体都套同一个模板 | 按餐厅、菜品、菜系、城市、用户意图，随上下文变化的输出 |
| 只盯着 SEO | 搜索 + 社交 + 社区 + 图片发现 + AI agent 可读 |
| 单向发布 | 由点击、上传、分享、收藏、付费喂回来的反馈循环 |
对这个菜单 app 来说，可以长成这样：
| 原始输入 | AI 的转化 | 分发出去的产物 | 增长价值 |
|---|---|---|---|
| 餐厅/菜单数据 | OCR、菜品理解、翻译、可视化 | 可视化菜单页 | SEO、分享、转化 |
| 菜名 | 食材/菜系讲解 + 配图生成 | 菜品讲解卡 | 社交、图片搜索、科普 |
| 城市/片区的餐厅清单 | 按菜系、旅行者意图、饮食需求聚类 | 城市美食指南 | 长尾搜索和旅行发现 |
| Reddit 上的吃喝/旅行提问 | 情境化回答 + 可选的可视化示例 | 一条有用的回复草稿 | 社区发现 |
| 用户上传的菜单 | 干净的分享页 | 一条”看看我们点了啥”的链接 | 转介绍循环 |
| 美食趋势 | 钩子 / 脚本 / 分镜生成 | TikTok/Reels/Shorts | 创造需求 |
整个循环变成：
菜单/餐厅数据 → AI 可视化的产物 → 搜索/社交/社区分发 → 用户上传/分享/收藏 → 反馈数据 → 更好的产物和定向。
这就是 AI-native 分发的内核。
从 Token 到注意力的分层体系
可以把 AI-native 增长，当成一套分层的体系来看。
| 层 | 要问的问题 | 例子 |
|---|---|---|
| 1. 数据底座 | 我们手上有什么、或能合法拿到什么原料？ | 餐厅名、菜单、菜名、用户上传、公开的吃喝提问、城市/菜系数据 |
| 2. 产物工厂 | AI 能产出哪些有用的东西？ | 可视化菜单、菜品卡、点菜指南、短视频脚本、社区回答 |
| 3. 分发 agent | 每个产物该送到哪去？ | SEO、TikTok、Reddit、Product Hunt、旅行博客、能被 AI 回答引擎读取的文档 |
| 4. 反馈引擎 | 哪些产物是真的有用？ | 曝光、点击、上传、分享、收藏、注册、付费、复用 |
| 5. 护栏 | 哪些不该自动化、不该发？ | 垃圾内容、假体验、版权问题、瞎编的说法、违反平台规则（TOS） |
落到实际流程里，每一步都把”系统动作”和”人的责任”配成一对：
| 步骤 | 系统动作 | 人的责任 |
|---|---|---|
| 1 | 监控机会 | 定义什么才算一个真正的机会 |
| 2 | 生成产物候选 | 定下创意方向和质量底线 |
| 3 | 给质量和风险打分 | 设定阈值，复核拿不准的边缘情况 |
| 4 | 分发，或排队待审 | 守住平台信任和品牌调性 |
| 5 | 测量下游行为 | 解读这些数字到底意味着什么 |
| 6 | 生成下一批实验 | 决定什么值得加码 |
目标不是”无限的内容”。目标是在质量可控的前提下，无限地产出对具体场景真正有用的东西。
几种具体的 AI-native 增长打法
下面这几种打法，值得拿来当灵感。
| 打法 | 是什么意思 | 例子 | 主要风险 |
|---|---|---|---|
| 程序化实用页 | 从结构化实体批量生成有用的长尾页面 | 每家餐厅 / 每份菜单 / 每道菜 / 每个城市，各来一张可视化菜单页 | 页面要是没有真用处，就会沦为单薄的 SEO 垃圾 |
| 情境化的社区参与 | 找到真实的问题，带着有用的上下文去回答 | 在”我该点什么”的帖子下，给出可视化的指引 | 变成刷屏垃圾、不披露的硬广、被平台封号 |
| AI 创意工厂 | 批量生成视频/帖子变体，测试不同钩子 | 围绕”盲点菜""旅途菜单""菜品惊喜”做 100 个钩子 | 低质的 AI 垃圾内容，品牌品味跟不上 |
| 个性化落地页 | 按用户意图/人群来适配页面 | 素食旅行者、日本行、约会点菜、海外留学生 | 个性化过头，或者干脆瞎编 |
| AEO/GEO 内容 | 让内容能被 AI 回答引擎和 agent 读懂 | 结构化的 markdown、FAQ、schema、清晰的论断、来源出处 | 太通用，agent 直接略过 |
| 可分享的产物循环 | 产品的产出本身就会传播 | 点菜前，把可视化菜单链接发给朋友 | 产出不够好看、不够有用，没人愿意转 |
| 自动化的实验生成 | 让 agent 自己造、自己测大量小实验 | 钩子 × 人群 × 形式 × CTA 的各种组合 | 优化的是虚荣指标，而不是真正的留存用户 |
一个好的 AI-native 增长系统，应该一直这样追问自己：
- 这个产物是真的有用吗？ 有用，才能护住你，不被卷进刷垃圾的逻辑里。
- 它针对一个真实的场景，足够具体吗？ 具体，胜过通用的 AI 内容。
- 它和产品的激活连得上吗？ 没有激活的注意力，只是噪音。
- 用户愿意分享、能复用它吗？ 分享，才会滚出复利循环。
- 我们能测到它带来的下游价值吗？ 你要的是学到东西，而不只是产量。
- 这件事能被安全地自动化吗？ 信任，比产量值钱。
AI-native 增长，不是甩开人的增长
这套想法，不是”AI 取代增长团队”，恰恰相反。AI-native 增长，把人从任务的执行者，变成机会的发现者、品味的把关人、工作流的架构师、判断的拍板人。
新的分工大概是这样：
人的直觉发现原始机会 → 人的品味定下创意方向 → AI 大批量生成产物 → 人和 AI 的质量系统筛掉次品 → AI-native 工程把工作流自动化 → agent 去分发、去测试 → 人解读反馈，更新策略。
或者更短：
直觉 → 品味 → 流程 → 自动化 → 分发 → 反馈 → 判断。
人的角色往上游走，杠杆也变得更大。
| 人的角色 | 核心活儿 | 为什么在 AI-native 增长里更重要 |
|---|---|---|
| 机会发现者 | 在那些被忽视、痛感又强的时刻还没被人注意到之前，先发现它们 | AI 能扫描，但识别意义、紧迫感和市场不对称的，是人 |
| 创意框定者 | 把痛点变成一个有劲的钩子、故事或梗 | AI 能给出一堆选项，但什么够新鲜、够地道、够打动人，得靠人来感觉 |
| 品味把关人 | 决定什么算好看、可信、高级，什么算尬 | 生成成本一旦很低，品味就成了瓶颈 |
| AIGC 工作流设计者 | 搭出对的模型/工具/提示词/控制管线 | 一次性的 AI 产出很容易，可重复的稳定质量很难 |
| AI-native 工程师 | 把工作流自动化成一个靠得住的系统 | 增长实验只有沉淀成基础设施，才会复利 |
| 渠道原生操盘手 | 摸透平台文化和信任的红线 | Reddit、TikTok、SEO、Product Hunt，各有各的规矩 |
| 判断的拍板人 | 决定什么不发、不假装、不乱说、不乱爬、不自动化 | 边际成本一低，诱惑和风险就都高 |
| 反馈解读者 | 读懂微弱的信号，据此更新策略 | 指标告诉你发生了什么；为什么，得靠人推断 |
那句关键的话：
AI 把执行规模化；什么值得被规模化，由人来定。
对每个角色，意味着什么
这不只是”做增长的人”的事。不管你是什么角色，要问的问题都变了。
| 角色 | 过去问的问题 | AI-native 增长要问的问题 |
|---|---|---|
| 创始人 / 产品负责人 | 这东西解决了一个问题吗？ | 这个产品，是不是也自带了一个算力原生的增长触达面？ |
| 工程师 | 我们怎么把产品做出来？ | 这个产品能撑起什么可重复的增长工作流？ |
| 设计师 | 产品/界面好看吗？ | 这个产品会产出什么，值得被分享、被收录、被二创、被传播？ |
| 增长 / 市场 | 我们该用哪个渠道？ | 我们能把哪些数据/上下文，变成有用的分发资产？ |
| 内容 / 品牌 | 我们该说什么？ | 什么样的创意套路，能让 AI 规模化复制，又不至于变得通用或尬？ |
| 运营 | 我们怎么把活儿理顺？ | 我们怎么搭出审核队列、QA 规则、发布把关和反馈循环？ |
一个团队里杠杆最大的人，不一定是手动干活最多的那个，而是那个能把一个洞察，变成一个可重复、由 AI 驱动的循环的人。
选产品时，把增长触达面也算进去
每上一个新产品，别只看可行性和用户痛点，也要看它的 AI-native 增长潜力。
| 评估问题 | 为什么重要 |
|---|---|
| 用起来会不会产出可分享的产物？ | 可分享的产出，才有转介绍和社交循环 |
| 这个领域有没有大量长尾实体？ | 有长尾实体，才有可做 SEO/AEO 的触达面 |
| 有没有用户会公开求助的时刻？ | 公开的提问，才有情境化分发的机会 |
| AI 能不能规模化地产出有用的东西？ | 算力能替掉大量手工的增长人力 |
| 产出能不能按上下文做个性化？ | 个性化能提升相关性和转化 |
| 我们能不能测到产物层面的表现？ | 测得到，才谈得上强化学习 |
| 产品会不会越用越好？ | 有反馈循环，才会滚出复利优势 |
| 我们能不能避开垃圾/法律/信任上的反噬？ | 分发优势，不能反过来把品牌信任砸掉 |
一个增长触达面够强的 AI-native 产品，不只更好做，也更好分发。
操作原则
在”用 AI 做增长”这件事上要激进，在”具体怎么做”上要克制。
| 原则 | 意思 |
|---|---|
| 有用优先 | 每个生成出来的产物，都该帮到用户，而不只是推销自己 |
| 具体胜过量 | 一个针对真实场景的回答/页面/视频，胜过规模化的通用内容 |
| 人的品味定底线 | AI 负责生成，但”什么算够好”，由人说了算 |
| 见到信号再自动化 | 在还不知道一个工作流灵不灵之前，别急着自动化它 |
| 盯下游价值 | 优化激活、留存、转介绍和收入 —— 不是好看的曝光数 |
| 尊重平台文化 | 在一个平台受欢迎的东西，到另一个平台可能就是垃圾 |
| 守住信任 | 不做骗人的假体验、不披露的硬广、没根据的论断 |
| 把赢家变成基础设施 | 一个跑通的实验，应该沉淀成一个可重复的系统 |
错误的解读：“AI 让我们可以无限地发。”
正确的解读：
AI 让我们去测试、去服务无限多个具体场景 —— 但只在我们确实能创造净价值的地方，才发。
说得再直白点：我们不是用 AI 把嗓门喊得更大，而是用 AI，在更多相关的时刻出现，而且手里的产物，比一个人类团队能做出来的更有用。
最后的命题
AI-native 增长，不是用 bot 取代人，而是改写增长的生产函数。
| 投入 | 它贡献了什么 |
|---|---|
| 人的直觉 | 在机会变得显而易见之前，先发现它 |
| 人的品味 | 定义什么才叫有价值、地道、好看、可信 |
| 人的判断 | 决定什么加码、什么叫停 |
| 数据 / 上下文 | 给个性化的产物提供原料 |
| 模型 / Token | 生成并适配内容、视觉、回答和实验 |
| 工程 | 把一次性的实验，变成可重复的系统 |
| 反馈循环 | 教会我们：到底什么才真正换来注意力和转化 |
最后赢的团队，不会是内容产得最多的那个，而是最会把人的洞察和机器规模的执行拧在一起的那个。
这应该写进一个工作室的产品 DNA 里：每个产品，都带着一个算力原生的增长触达面去做；每个增长实验，都当成一个反馈循环来设计；每个人，都把 AI 当成撬动机会、品味、工作流和规模的杠杆，而不是偷懒赶任务的捷径。
一句话：
人类探测鱼点，AI 机械捕捞。