三个 40 岁老程序员决定用 AI 重新出发（七）：我们劝一个带着预算来的客户别投 Google Ads

在上一篇文章三个 40 岁老程序员决定用 AI 重新出发（六）：Skill、Harness 和代码护栏中，我们讨论了如何在 MVP 阶段用 Skill + Harness 的混合架构，兼顾策略迭代的灵活性和关键动作的确定性。

那篇文章里，我们主要讨论的是一个工程问题：当 Agent 要做一些不可逆操作时，如何通过代码护栏把风险锁住。但真实客户的问题往往没有这么干净。很多时候，Agent 面对的不是“能不能执行”，而是“到底该不该执行”。这听起来像一个商业判断，但最终仍然会落到系统设计上。

这篇文章，我想分享一个真实客户案例。这个客户带着预算来找我们，希望启动 Google Ads 的投放，但我们最终交付给客户的核心建议却只有一句话：

建议在 Google Ads 上不投。

这是过去几个月里，我们做过最反直觉的一次客户交付。

一、客户带着预算来，我们建议他别花

2026 年 3 月，一家海外公司找到我们，希望我们帮助他们开拓 Google Ads 这个增长渠道。

这家客户的产品已经做到了一定规模，业务本身跑得起来，在 Meta Ads 等已有渠道上已经跑出了足够的 ROI。产品形态有一个比较鲜明的特征：目标用户群体高度集中，产品发现主要靠社区口碑和 KOL 推荐。换句话说，他们的用户不是“先有需求、再去搜索、再点广告购买”，而是“先在社区里看到别人在用，然后主动来试”。

但客户对 Google Ads 的预期，是把它当作 Meta Ads 之后的第二增长渠道。既然 Meta Ads 上能跑起来，那 Google 的搜索流量、关键词广告、竞品词拦截，看起来都应该是下一步。

而且客户的合作意愿也比较充分，愿意把投放账号的操作权限完全交给我们。这意味着，如果我们判断可以做，后续从账号准备、落地页、关键词、素材到预算配置，都可以直接进入执行阶段。

一开始，我们也确实是这么想的。

我们以为这是一个标准的“新渠道冷启动”问题：把已经被 Meta Ads 验证过的产品定位翻译成搜索广告语言，找几组品类词、商业词、竞品词试投两周，看数据再调。这套路径，绝大多数已经在其他渠道上跑通的客户都适用。

结果越往下研究，结论越不一样。

二、第一阶段：我们按“新渠道冷启动”的标准做法在准备

客户的 Meta Ads 已经跑通了，Google Ads 看起来是非常自然的第二增长渠道。我们当时按的就是这套思路在准备。

候选关键词分成三组：品类词（用户主动搜索这类产品时会用的词）、商业意图词（带“购买 / 试用 / 推荐”等修饰词）、竞品词（搜索头部竞品时的拦截位）。每组都做了关键词扩展和搜索量预估。

广告文案按 RSA 的格式准备了几版，覆盖不同卖点；落地页计划做 A/B 测试，比较“产品功能优先”和“用户故事优先”两种结构对转化率的影响；预算控制在一个相对保守的水位，先跑两周看数据。

这套做法对绝大多数已经在其他渠道上验证过 PMF 的客户来说都成立——既不冒进，也不畏首畏尾。

现在回头看，这个思路只在大多数客户身上成立。对这个客户来说，它从第一步就走偏了。因为它默认了一个前提：客户的目标用户会在 Google 上搜索这类产品。

而这个前提，在这个业态上不成立。

三、第二阶段：用户根本不在 Google 上找这类产品

真正的转折点，是我们让 Agent 系统性地往下挖关键词、SERP 和用户的真实发现路径。

第一层 L0 是常规动作：把候选关键词跑一遍月搜量和商业意图分布。

数据回来不太好看。核心品类词的月搜量比预期低 1 到 2 个数量级；竞品词的流量绝大多数集中在少数头部品牌，新进入者几乎拿不到足够份额；搜索意图分布以“信息查询”为主，比如综合榜单、科普文章、对比测评，而不是“购买 / 试用”。

单看这一层，结论可能只是“关键词不好，换一组再试”。但 Agent 继续往下挖。

第二层 L1 是 SERP 结构。即使这些词有搜索量，搜索结果页第一屏被什么占了？

Agent 把每个候选词的 SERP 跑了一遍：第一屏几乎被综合榜单、测评博客、Reddit 和 Quora 类社区回答、头部品牌的品牌词广告位占据。留给新品牌通过付费广告进入用户视野的有效广告位，少得可怜。即使硬投，CPC 会被头部抬到 ROI 不可持续的位置。

到这里，结论看上去是“竞争太激烈，投不起”。但 Agent 又继续往下挖。

第三层 L2 是用户真实的发现路径。那这个业态的用户实际上是怎么发现这类产品的？

Agent 调研了竞品的真实流量来源、用户社区里的真实讨论、KOL 的推荐链路、垂直工具目录站的收录情况。一条主路径浮现出来：“在社区或 KOL 内容里发现 → 在垂直工具目录站里交叉对比 → 直接访问试用 → 用得不错就在社区里口碑回流”。

Google 在这条主路径里几乎没角色。偶尔有用户在 Google 上搜品牌词来确认产品是否真实，但那是品牌词、不是品类词；而品牌词的付费广告价值非常有限，因为搜品牌词的用户大概率已经被自然结果接走了。

最后来到 L3，我们才意识到：L0、L1、L2 看起来是三个独立的问题（关键词不好 / SERP 难占 / 用户路径不在 Google），合起来其实是同一件事——

这个业态的获客逻辑是发现型 / 推荐型，而 Google Ads 的核心模型是搜索意图广告——前提是用户已有明确搜索意图。当用户的发现路径根本不经过 Google 搜索时，Google Ads 这个工具的核心假设就不成立。

这不是某一组关键词不好、也不是某一段文案写得不够好，是业态获客逻辑 × 搜索意图广告模型之间的结构性错配。

为了把这个判断做扎实，我们让 Agent 系统研究了该业态的真实流量来源画像、5 个主要竞品的渠道结构、用户的典型决策路径、不同获客渠道的 ROI 测算，最终输出了一份 1000+ 行的获客路径研究文档。

这份文档里，有几个结论非常关键。为避免泄露客户信息，下面引用的数字都是脱敏后的汇总结论，原始口径来自公开流量工具、SERP 抽样、社区讨论和竞品渠道拆解。

第一，头部竞品的付费搜索流量占比都在 5% 以下。绝大部分流量来自自然搜索（主要是品牌词）、社区引流和直接访问，几乎没有头部玩家把 Google Ads 当作主要获客渠道。

第二，该业态用户在购买决策前的信息收集，超过 60% 发生在社区帖和垂直工具目录站，而不是搜索引擎。

第三，即使把 Google Ads 的出价提到 ROI 平衡点的两倍，能拿到的相关流量仍然有限。因为可投放的流量池本身就小，加价主要换来的是同样小的池子里更激烈的竞价，而不是更多的有效用户。

这里需要特别强调：我们不是在质疑客户产品的质量，也不是在质疑客户的市场定位。客户的产品有自己适合的获客渠道，只是 Google Ads 不在其中。这是一个这位客户 × 这个渠道层面的判断，不是对客户业务的整体评价。

Agent 给出的答案是：这位客户的预算，不应该花在 Google Ads 上。

四、第三阶段：替客户说“不”

最后，我们没有给客户交付一组关键词，也没有给客户交付一套测试广告。

我们交付的是一份“能不能投”决策矩阵。简化后，大概是这样：

execution_ready:
  google_ads:
    status: not_recommended
    reason: 搜索意图广告模型与该业态的发现型获客逻辑结构性错配，当前阶段不设重评估节点
  tiktok:
    status: not_recommended
    reason: 短视频分发逻辑与目标用户的真实发现路径不匹配
  directory_sites:
    status: active_playbook
    reason: 该业态专属的垂直工具目录站是性价比最高的冷启动渠道，已锁定 5+1 个核心站点
  community_organic:
    status: active_playbook
    reason: 该业态的用户主路径，Reddit / Discord / Twitter 等社区运营 + KOL 合作
  vertical_ad_networks:
    status: not_started
    reason: 储备 3 个该业态目标用户实际触达的付费渠道
  push_ad_networks:
    status: not_started
    reason: 外部推送广告网络，待进一步验证
  app_distribution:
    status: deferred_90d
    reason: 90 天内不做 Google Play / Apple 上架

这份决策矩阵里真正花了大力气的，其实不是 not_recommended 那几行，而是 active_playbook 和 not_started 那些行。我们给客户交付的，不只是“哪些渠道不投”，还有“哪些渠道现在就该优先做、哪些渠道后续可以验证”：比如，目录站和社区运营是当前的主路径；垂直广告网络和外部推送广告网络则作为后续补充渠道储备，等主路径数据跑出来再决定是否启动。

这一类替代渠道的工程量并不轻：每个垂直目录站的提交字段、审核周期、内容要求、是否需要付费置顶，差异都很大；社区运营和 KOL 合作的节奏、内容边界、归因方式，也和广告平台的逻辑完全不同。

表面上看，“建议不投 Google Ads”只是一个很简单的结论。

但对一个 Agent 系统来说，这其实是一个很大的工程动作。

首先，它意味着 Agent 的执行门禁必须是“没有明确放行就默认禁止”的。也就是说，只要某个渠道的状态不是“可执行”，下游所有 Skill 都必须拒绝执行。不是提醒一下，不是让人再确认一下，而是系统层面不给它继续往前走的入口。

其次，它意味着这个商业判断必须可溯源。每一行 YAML 背后，都要能引用具体的研究文档章节：为什么 Google Ads 是 not_recommended，为什么社区运营是 active_playbook，为什么垂直广告网络只是 not_started，为什么 App 分发要 deferred_90d。

第三，它意味着 Agent 不只是“建议者”，也是“执行护栏”。如果事后有人又想试试 Google Ads，系统不能只靠人的记忆来阻止它，而要让代码层面的执行门禁直接生效。

这也接续了上一篇文章里讨论的 Engineer the Harness。上一篇我们说，Harness 可以兜底不可逆操作，比如创建广告活动时强制先暂停，避免 AI 一不小心把预算花出去。

这次我们发现，Harness 还要承载另一类东西：商业边界。

一个渠道如果在商业上被判定为不可执行，那它就不应该只是写在会议纪要里，也不应该只是藏在某份研究报告里。它应该变成写在代码里的决策，变成系统后续所有动作都要遵守的前置条件。

换句话说，替客户说“不投”，比说“投这个关键词”难得多。后者考验的是投放技巧，前者考验的是判断力、证据链和执行纪律。

五、我的反思：Agent 的价值边界

这件事给我最大的触动，是它让我重新理解了营销 Agent 的价值边界。

以前我们会很自然地说，一个优秀的营销 Agent，要比 80% 的人类投放师更优秀、更勤奋、更便宜。这里的“更优秀”，很多时候会被理解成会找关键词、会写广告文案、会调预算、会看 ROAS。

这些当然重要，但它们可能只是下限。

至少在我们的实践里：会投广告，是下限；知道什么不能投，才更接近上限。

把钱花出去并不难。难的是在客户带着预算来找你的时候，你能不能判断这笔钱不该花；更难的是，当这个判断会让你短期少做一个渠道、少拿一部分服务收入时，你还能不能把这句话说出口。

从这个角度看，我们和传统意义上的广告代理商，确实存在结构上的不同。

第一，我们做的是全域营销 Agent，不是 Google Ads 单一渠道代理商。

这里的“广告代理商”，英文里常叫 agency，指的是客户把广告预算交给一个外部服务商，由它负责在某个广告平台上代投、优化和复盘。它和 AI Agent 的差异不只是“人来做”还是“AI 来做”，更重要的是服务边界和利益结构不同。

如果一家广告代理商的业务边界就是 Google Ads，那么它告诉客户“Google Ads 不能投”，在商业上几乎等于告诉客户“你不用找我了”。这不是道德问题，也不是某个具体团队有没有良心的问题，而是商业定位决定了它很难做出这个动作。

但对我们来说，Google Ads 只是十几个渠道中的一个。当前我们已经在产品里跑通了 Google Ads、Meta Ads、LinkedIn、Reddit、SEO / GEO 五个渠道，一个 Agent 全包；这之外还有 TikTok、Bing、垂直广告网络、外部推送广告网络等多种可能路径。

一个渠道不能投，不等于客户没有增长机会，只意味着预算要重新分配到更适合的地方。

所以，“建议不投 Google Ads”和“建议转向另外几个更合适的付费渠道”，其实是同一个动作的两个面。前者是判断，后者是兑现。

第二，我们的收费模式也决定了利益更容易对齐。

传统广告代理商很常见的一种收费方式，是按媒体花费的一定比例抽成。这个模式有它的合理性，也支撑了很多成熟服务体系。但它确实有一个结构性问题：客户花得越多，广告代理商收入越高。

如果一笔预算被花在了几乎没有 ROI 的渠道上，客户是亏的，但广告代理商的服务费未必会减少。

当然，成熟的广告代理商也会为了长期口碑主动劝退不合适的预算，不过这里讨论的不是某一家代理商的个体选择，而是这种商业模型本身带来的默认激励。

我们希望走的是另一条路：不按预算抽成，而是尽量让收费方式和客户的长期 ROI 对齐。一句话讲：你不增长，我们不收钱。客户浪费的预算，对我们也不是好事；客户把钱省下来，或者花到更该花的地方，对双方才是双赢。

这两点合起来，让“敢说不”从一个道德优势，变成了一个结构性优势。

不是我们比别人更有良心，而是我们的定位和收费模式，让“为客户长期 ROI 着想”更接近我们自己的最优解。

当然，这也反过来对 Agent 的工程能力提出了更高要求。

反直觉判断不是简单问模型一句“这个能不能投”就结束了。它需要信息整合、业态与路径研究、多源证据交叉验证，也需要把结论变成后续执行流程里的硬约束。这背后，是我们内置在 Agent 里的 9 个行业 know-how 知识包 + 每个渠道的平台级专家工具——过去这些“专家能力”只在头部代理那里、且只服务大型 KA 客户；现在 AI 让它能以普惠价格交付给 SMB。

这也是为什么我越来越觉得，Skill / Harness 的价值不只在于让 Agent 更会执行，更在于让 Agent 被结构性地鼓励去质疑客户的预设。

客户说“我要投 Google Ads”，Agent 不能只回答“好的，我来帮你建 Campaign”。它应该先问：这个渠道在结构上和客户的业态匹配吗？经济上值不值得投？投了之后会不会消耗本可以投到更有效渠道的预算？有没有更好的替代渠道？

如果这些问题的答案都指向“不该投”，那一个好的 Agent 就必须有能力替客户挡下来。

回到这个系列的主题，三个 40 岁老程序员决定用 AI 重新出发（二）：用 AI 写商业计划书里，我讲过我们为什么选择切入营销预算，因为这个方向的 token ROI 很高。一次好的策略判断，可能帮客户省下几千甚至几万美金。

这一次我们的认知又往前走了一步：最高的 ROI 未必来自“把钱花得更好”，也可能来自“知道哪些钱根本不该花”。

三个 40 岁老程序员决定用 AI 重新出发（六）：Skill、Harness 和代码护栏，我讲 Skill 文档承载意图，Harness 兜底确定性。这一次我们发现，Harness 兜底的不只是操作安全，也应该包括商业边界。

在我们的实践里，一个 AI 营销 Agent 真正的护城河，可能不是它能不能调出全网最低 CPC，而是它能不能替客户挡掉一笔结构性烧不出 ROI 的预算。

而能不能挡，取决于三件事：判断力、视角广度和利益对齐。

模型能力、研究流程和证据链解决第一件；全域营销 Agent 的定位解决第二件；不按预算抽成、和客户长期 ROI 对齐的商业模式解决第三件。

当然，这只是我们在真实客户上的阶段性体会。但这次经历至少让我们更倾向于这样一个判断：未来的 Agent 不会只是更便宜的执行者，它必须成为一个更可靠的商业判断系统。

尤其是在钱真的要花出去之前。