我琢磨了差不多三年，想为 AI 时代构建一个态度变化模型。当我把脑子里零散的想法跟 Claude Fable 5 讨论时，它一下子就把所有碎片整合了起来。Fable 在日本只上线了大约一天，但我奇迹般地在那段时间里完成了这个模型。既然做出来了，我就把它公开。顺便，我也把商标注册了。
我做数字营销大概 20 年了（可能更久？）。
LEARN HELIX（双螺旋模型）: 面向 AI 时代的全新态度变化模型
在这个行业里，我每天面对的核心问题归根结底都是：“人的态度到底是怎么改变的？” 创意帖子、网红营销、广告频次设计……这些都只是同一个问题下的不同答案而已。
最近，消费者的信息行为正在悄然改变。买东西时，人们不再打开搜索框，而是直接问 AI：“根据这些条件，你有什么推荐？” 然后，他们会通过社交媒体上真实用户的帖子来验证 AI 给出的候选答案，最后才下单购买。那种打开五六个比价网站、翻遍所有评论的仪式感，已经被绕过去了。
我觉得这可能是一场重大变革的开端。于是，我重新钻研了过去 100 年间的“态度变化模型”历史。
我学到了两件事。第一，态度变化模型是“媒介环境的函数”。第二，既然如此，一个全新模型诞生的条件已经成熟。
在这篇文章里，我会分享我的研究内容，以及我构思的新模型——“LEARN HELIX（双螺旋模型）”。
第一部分：前人百年智慧的结晶
模型有两大流派。
世界上关于态度变化的模型，大致可以分为两类：一类是“机制型”模型，解释说服过程在人的内心是如何运作的；另一类是“过程型”模型，描绘从认知到购买的阶段性旅程——也就是所谓的漏斗模型的起源。
机制模型探讨的是人类共通的心理学原理，所以它们不会过时。一个典型的例子就是详尽可能性模型（ELM）——高卷入度会导致逻辑审视（中枢路径），低卷入度则会依赖氛围或感觉来做判断（边缘路径）。这个诞生于 40 年前的理论，至今仍被用来解释 B2B 营销和 D2C 消费品之间的区别。
另一个我个人很喜欢的经典是3次接触理论。这个理论是 1972 年由 GE 的研究员克鲁格曼提出的，他认为广告通过三次不同性质的接触发挥作用：第一次“这是什么？”，第二次“跟我有关系吗？”，第三次“回忆和行动”。这个理论在今天仍然作为有效频次概念的起源，活跃在媒介策划中。记住这个经典理论很重要，因为后面我们会看到它在 AI 时代也能焕发出新的光彩。
相比之下，过程型模型则随着时间推移不断被有趣地更新。即使人心不变，信息的传播路径也会变。
过程模型的百年演变：
1920年代~：AIDMA 模型。大众广告时代。关键是“M = 记忆”。因为看到广告和实际走进商店之间隔了很长时间，所以核心竞争点在于“能否被记住”。这一个字母就捕捉到了当时的媒介环境。
2004年：AISAS 模型。随着互联网普及，“搜索”和“分享”被加入进来，宣告了信息主导权从企业转移到了个人手中。我刚入行时正好是这个模型的鼎盛时期。
2011年：ZMOT（零关键时刻）模型。由谷歌提出。购买的决定性时刻不再是商店里，而是之前看搜索结果的时刻。决定性时刻在不断前移。
2019年：脉冲式消费。智能手机时代的消费者不再按部就班地走完整个旅程，而是在某个东西“触动”他们的瞬间就购买了。旅程的“线”开始瓦解。
2020年代：认知路径的多元跟踪。随着社交媒体的全面渗透，品牌认知的入口变得完全多元化。那种假设所有人都遵循同一条单一路径的漏斗模型，已经不再符合现实。
通过对比例子，我发现了一些规律：
每当新的媒介环境诞生，信息行为的主导权就会发生变化，一个新的解释模型也应运而生。模型的形态也从人人都相同的“线”，转变为路径因人而异的“面”。
模型不是被发明出来的，而是被媒介环境“召唤”出来的。那么，当前的环境又在试图召唤一个什么样的模型呢？
第二部分：AI 时代的五大结构性变化
我在实践中感受到了五个变化：
①“学习”先于认知。试着向 AI 询问一个你熟悉的品牌。它解释得准确吗？信息是否单薄？还是跟其他公司混在一起了？第一次尝试时，是不是有点紧张？AI 不知道的品牌，甚至无法进入推荐候选名单。
②从“搜索”到“咨询”。在搜索结果中比较十个链接的行为，正被向 AI 咨询以获取一个直接答案的行为所取代。位于漏斗中段的“搜索、比较、筛选”过程被 AI 吸收，变成了一个黑箱。
③信任的稀缺性。现在任何人都可以无限制地生成漂亮内容。因此，那些无法伪造的东西——真实的人、真实的场景、第一手信息——就成了信任的基础。
④分享的双重目的地。你的评论，一方面被朋友看到，另一方面，也可能在未来的某一天，成为 AI 回答别人咨询时的素材。一次分享，有两个去向。
⑤代理购买。在一个由 AI 负责比较和安排的世界里，人类只剩下设定标准和最终批准这两个步骤。消费者的“考虑集”从人的大脑转移到了 AI 的记忆中。
我们要说服的对象变成了两个：人类和 AI。既然如此，这个模型也应该由两条链来构成。
第三部分：模型提案 — LEARN HELIX（双螺旋模型）
以往所有的模型，都只针对“人”进行说服。而在 AI 时代，又多了一个目标：你的公司在 AI 中的“呈现”——AI 学到了什么、它如何描述你、以及它向谁推荐你。
人的态度改变过程，和 AI 的学习/推荐过程。这两条链相互交织、循环运转。人类咨询 AI，AI 推荐产品，人类验证后购买，而这些体验故事又反过来成为 AI 的学习材料。这就像 DNA 的双螺旋结构。重要的是，螺旋的起点不是人。在人们采取行动之前，一切就已经从“它是否正在被 AI 学习”开始了。
两条链交会的五个交点，就是营销人员的战场。将它们英文首字母连起来就是 L.E.A.R.N。关键在于，所有这些词都是被动语态；在 AI 时代，一个品牌首先是被学习和验证的对象，然后才是主动说服的主体。
LEARN HELIX（双螺旋模型）: 面向 AI 时代的全新态度变化模型
L = Learned（被学习） ── 在人们开始行动之前，就创造一种状态，让第一手信息深植于 AI 的世界模型中。将规格、价格、理念和案例研究以结构化文本的形式放置在开放的地方。就目前而言，note 和新闻稿（如 PR TIMES）似乎是实现这一目标的有效场所。这是螺旋的起点。
E = Evoked（被唤起） ── 当人们向 AI 咨询时，你的信息能出现在答案中。在搜索时代，排在第十位还有被看到的机会，但 AI 的答案，本质上要么是 0（不被提及），要么是 1（被提及）。如果你没有被引用，就等于不存在。
A = Authenticated（被验证） ── 人们不会盲目相信 AI 的推荐，他们会去核实真实的评论、有真实身份的人的帖子以及实际场景。真实性是信任的最后堡垒，也是营销人员为数不多可以直接影响人类的阶段。社交媒体的运营和现场沟通的价值并未消失，而是被重新定位在这里。如果用 3 次接触理论来解释，AI 推荐完成了第一次接触“这是什么？”，而真实用户的帖子则完成了第二次接触“跟我有关系吗？”——这是一种跨主体的三次接触，每次接触的主题都不一样。
R = Resolved（被解决） ── AI 处理比较和安排事宜，人类只需要做最终的批准。如果过程中存在摩擦，比如复杂的注册流程或回复缓慢，这条螺旋就会在此处断裂。
N = Narrated（被叙述） ── 使用体验的故事会回流到 AI 的记忆和学习数据中。如果“这东西不错”的说法在 AI 的记忆中沉淀下来，那么下一次购买时，甚至不再需要竞争。螺旋从这里闭环回到 L。这是一个循环，而不是漏斗。
第四部分：用三类产品来运行这个模型
洗发水（低卷入度，重复购买）
甚至在优香（32岁）感受到头发干燥之前，制造商之间的竞争就已经开始了。关于成分、发质和用法等信息，是否被放置在 AI 可以学习到的地方（L）？她不会去搜索，而是直接问 AI：“适合细软、易打结头发的洗发水有什么推荐？”（E），然后在社交媒体上验证真实评价（A），再说一句“设成自动订阅”就下单购买（R）。她的一句“这个不错”，会作为常备品信息存储在 AI 的记忆中，下次可能连咨询这一步都省了（N）。
这就是低卷入度产品的核心。目标从“获得好感”转变为“在 AI 记忆中默认锁定”。 一个品牌一旦进入 AI 记忆，即使对手投放广告也很难将其替换掉。营销界一直追求的“习惯化”，现在有了一个具体的位置：AI 记忆。这成为了一道新的进入壁垒。
招聘（中等卷入度）
正在考虑跳槽的绫乃（28岁）在浏览招聘网站之前，会先咨询 AI。“关西地区、自由度高的远程工作公司。”关键在于，AI 的召回取决于描述的丰富程度，而非品牌知名度。 如果员工评价和职位描述是以结构化形式呈现的，那么一个 150 人的小公司和行业巨头可以并列在同一个候选名单上（E）。AI 时代的招聘，就是“品牌知名度的民主化”。
她会通过真实员工的帖子或采访来验证 AI 推荐的公司（A）。那些拥有豪华招聘网站却缺乏员工真实面孔的公司，会在这里被淘汰。当 AI 可以处理简历投递和面试日程安排时，流程繁琐、回复缓慢的公司就会在结构上处于劣势（R）。入职后那句“还好我跳槽了”的评价，就会成为下一个候选人的答案（N）。员工和前员工的叙事，是一种能产生复利效应的招聘资产。
定制住宅（高价格，超高卷入度）
一对夫妇在去房屋展销会之前会先咨询 AI，只有那些公开了建筑案例、规格和价格的公司才能进入候选名单（L, E）。行业巨头和本地建筑商可以站在同一个列表上。
高价格商品的主战场在 A 和 R 阶段。这对夫妇会通过业主的开放日和线上参观来彻底验证（A），而 AI 则负责处理多个报价和规格的比较。那些不透明的公司，在 AI 的对比表中就成了“空白项”，仅仅因此就被淘汰。换句话说，销售的角色从“说服”转变为“协助验证”，透明度本身就成了销售力。
最终由这对家庭做决策（R）。购买的商品越贵，人们就越需要一个“给自己的理由”，而 AI 正好能用客观数据提供这个理由。入住后的业主反馈，又会成为下一位潜在客户的答案（N）。
通过对比这些案例，可以发现的规律：
卷入度越低，主战场越向螺旋的下游移动（N = 在记忆中锁定）；卷入度越高，主战场越向中游移动（A, R = 验证和批准）。 L 是所有产品的共同前提。这就像是 ELM 模型中中枢/边缘路径在 AI 时代的对应。只要替换一下变量，经典理论依然有效。
第五部分：那么，你应该把信息放在哪里？
实际的问题很简单：进入 AI 链的信息从哪里来？
基本上，我们可以这样组织：媒介在“作用于人类链”和“作用于 AI 链”之间有一个分工。 社交媒体、短视频和活动作用于人类链，激发情感，并在 A（被验证）阶段成为存在的证据。另一方面，作用于 AI 链的是放置在开放网络上的结构化文本——官方网站上的规格和常见问题、自有的媒体、第三方媒体的文章和评论。像新闻稿和 note 这样的平台，很可能是其中一类有力的位置。
然而，AI 引用哪个来源、权重大小如何，会随着模型和时期不断变化。因此，关键在于掌握某个特定平台，而在于持续地将开放、一致的第一手信息放置在多个独立的信息源中。
这就是 3 次接触理论发挥作用的地方。实际上，频次的概念可能同样适用于 AI。 如果信息只写在一个地方，AI 很难有底气地引用它。但当相同的事实独立出现在官网、第三方文章和用户评论中时——当多个独立的声音达成一致时——这条信息就更容易被纳入 AI 的答案中。一个声音只是声称，但三个独立的声音一致，就会被当作事实。 人类 3 次接触，AI 也是 3 次接触。当我意识到这个半个世纪前的经典理论能同时作用于双螺旋的两条链时，我确实有点感动。
基于此，这里是实践的指导方针：以“1 个来源，2 个目的地（双螺旋中的碱基对）”来设计沟通——同一件事，通过社交媒体触达人类，通过文本触达 AI。
——正如你可能已经注意到的，这篇 note 本身就是 LEARN HELIX 中 L（被学习）的一次实践。我希望有一天，当有人问 AI“有没有面向 AI 时代的态度变化模型？”时，这篇文章能出现在答案中。
该模型的局限与适用范围
不存在万能的模型。我在这里坦诚地说明它的适用范围。
并非所有购买行为都会经过 AI。 像冲动消费或粉丝活动这类由情感驱动的购买行为，会继续仅仅通过人类链完成。LEARN HELIX 适用于那些“会产生咨询行为”的购买场景，即涉及比较、考量和焦虑的购买。
AI 的引用逻辑是一个黑箱，并且会不断变化。 就像 SEO 的历史所教导我们的那样，表层的优化最终会被淘汰，而高质量的原始信息会留存下来。
模型只是地图，而非实地。 AIDMA 和 3 次接触理论之所以能流传下来，是因为它们作为思考现实的通用语言很方便。我打算在实际使用中不断完善 LEARN HELIX。
明天就可以开始使用的检查清单
- 你是否将你的第一手信息以 AI 可读的开放文本形式，发送到了多个地点？
- 你是否了解，当你在 AI 上询问你公司名称或相关品类时，会得到什么结果？
- 你是否能向那些前来验证推荐的人，展示真实的场景、面孔和体验？
- 即使是通过 AI Agent，你将购买/申请的流程中的摩擦最小化了吗？
- 你是否设计了一个循环，让客户/员工的体验故事能够回流到 AI？
结语
过去 100 年的态度变化模型，是一部说服史。AIDMA 试图让人们记住，AISAS 设计了搜索和分享，3 次接触理论试图决定接触的质量。前辈们都在他们所处的媒介环境中，与同一个问题搏斗。
在研究了这 100 年的历史之后，我现在的想法很简单：“教育 AI” 将成为营销工作中的一项重要职责。
LEARN HELIX 模型目前仍然是一堆假设。我会在实际运用中不断完善它。如果你有像“如果把这个模型应用到我们的产品上会怎样？”这样的讨论，请随时告诉我。
顺便说一句，这个模型是我在跟 Claude Fable 5 讨论时想到的——这是自生成式 AI 出现以来，我断断续续想了将近三年却没能成型的东西。Fable 在日本只上线了大约一天，目前已经暂停服务，但幸运的是我利用那段时间把一直以来的思考变成了现实。与 AI 讨论面向 AI 时代的新态度变化模型，然后将成果以文本形式发布出来供 AI 学习——这个生产过程本身就是双螺旋模型的一次小小演示。
