Profound是一家成立于2024年的公司，其核心产品Prompt Volume数据库是世界上最大的提示词数据库之一。该公司通过提供AI搜索效果可视化工具，帮助Target、沃尔玛等大型企业优化他们的营销策略。Profound的商业模式主要基于订阅服务，提供定制化的数据监测和分析服务。然而，关于Profound的收入和ARR数据一直未公开，这增加了对其业务模式和市场地位的不确定性。尽管Profound在GEO领域取得了一定的成功，但国内对于类似产品的关注较少，且缺乏足够的数据支持其有效性。因此，本文将深入探讨Profound的成功因素，以及国内企业如何借鉴其经验进行自我提升。
--91likeyou---
整体黑乎乎的，和AI公司紫色、明亮的形象有反差，而且内容偏概念，产品Demo也没有….
那这家公司到底什么来头？为啥刚成立不到两年，就成了GEO领域的独角兽？
他们的测量结果是否可信？
更重要的是国内有没有替代产品？中小企业能不能自己来做GEO效果监测？
带着这几个问题，我深入研究了这家公司，信息未必准确，但观察和思考也许对你有帮助。
一、Profound是怎么火起来的？
根据官网介绍，Profound成立于2024年。
这一年正好是大模型从“疯狂烧钱”到“商业化”的转折点。
各路投资人满世界寻找AI落地的应用，当时GEO这个词刚开始在学术圈有点影响力，但AI搜索、AIGC已经非常火了。
创始人的James Cadwallader是连续创业者，曾经经营一家网红营销公司。他发现500强大客户当时开始讨论“如何让ChatGPT推荐我们品牌？”这燃起了他对AI营销的热情。
正好他遇到了Dylan Babbs，Uber的前设计工程师，两人一拍即合，决定从CMO最看中的AI搜索效果可视化工具入手。
他们很快拿出产品Demo，在那之后刚刚好GEO/AEO概念火爆。
之后短短18个月Profound就融了1.55亿美金，知名投资机构红杉和Lightspeed等纷纷押注，并在2026年2月进入估值10亿美金俱乐部（独角兽）。
《财富》杂志报道，目标成为AI搜索的salesforce
不过Profound从来没有公开收入和ARR数据，也不知道到底销售情况如何。
但他们默默在官网更新了服务企业的Logo，包括Target、沃尔玛、Figma、MongoDB…
再仔细深入，我发现Profound并不低调。
他们积极建设自己的行业生态，举办Zero Click大型活动，已经在纽约和旧金山邀请上千位营销负责人参加，分享GEO趋势、案例等等。
写到这，我先对Profound有个粗浅判断。
它出现的时机正正好，在GEO没流行之前就占据了AI搜索效果可视化这个市场定位。
另外，AI搜索是比GEO更早的词，用户在大模型上找答案替代了谷歌搜索。
GEO是营销词汇，根据用户搜索结果、信息来源的反馈，反向优化内容，提高AI的搜索可见率、引用率。
因此，Profound是先从AI搜索效果出发，一步步迈向GEO（现在也有人叫AEO）。
不过我依然很好奇，他们是怎么做AI搜索效果监测的？继续深入研究。
二、使用Profound的五个步骤
翻遍了帮助文档、创始人采访和Reddit上的官方回应，信息不多，所以以下是局部信息的整合和推断，仅代表个人的观点。
我们先来看看使用Profound的流程：
第一步，登录Profound查看Prompt Volume，了解大家在关心什么。
创始人James称之为世界上最大的提示词数据库，每月数亿条真实对话，再进行清洗、匿名化和概率建模（官网写的是每月数千万条，这也是我的疑问）。
第二步，客户从中选择一批与自己业务相关的Prompt，持续监测是大模型是推荐了自己还是竞争对手，是怎么推荐的。
第三步，分析引用来源，找出AI信任哪些网站、哪些页面和哪些内容结构。
第四步，根据这些数据和分析，优化内容。Profound通过内容平台的Agent协助撰写，多平台分发。
第五步，持续监测，观察品牌出现率和引用率是否发生变化，然后继续优化、再监测、再优化…
其中，Prompt资料库Profound独特的数据资源，也是竞争对手一时半会难以超越的。
甲方市场部的朋友们都知道，我们“希望客户问的”和“客户想问的”，常常不一样。
Profound借鉴了著名的市场调研公司尼尔森的客户洞察方法，只不过通过AI助手，另外样本量要大得多得多。
按月获得数千万条真实AI对话（这里是官网数据），再进行清洗、匿名化和概率建模…
再来说说价格，Profound的公开定价分三档，每月99美元、每月399美元和企业版按需收费（来自官网，2026年7月）
可以判断Profound的理想目标客户就是财富500强这样的，提供定制化服务，信息自然少。
中小企业也可以自己手工根据产品的定位、用户的画像来小规模测试第二到第五步，最后一节我们详细展开。
假如没有第三方工具，自己先手工监测，也没问题。
因为Profound也是这么把提示词发给大模型问的！
三、Profound的AI可见度数据能信多少？
按照Profound的官方信息，每天会在多个AI平台运行数百万至千万级的监测Prompt，记录品牌是否出现、竞争对手表现和引用来源。
看起来有点不可思议：如此大规模的前端监测，成本如何控制？如何稳定访问不同AI平台？平台规则的风险又如何处理？
这些是我的一直未解开的一个疑问。
不过，有一点已经比较明确：客户设置的每条Prompt，默认会在指定的模型、地区和用户画像组合下每天运行一次。
Profound强调，自己采集的就是普通用户在AI大模型上看到的回答，而不只是API输出。
因为前端结果与API可能采用不同的模型版本、系统指令、联网检索方式和上下文，两边的结果并不一定一致，前者肯定更接近现实场景。
但AI回答始终存在概率问题。
同一个CRM选型问题，今天可能推荐HubSpot，明天可能推荐Salesforce。我还听说过有营销人发现AI推荐了自家产品，兴冲冲地去老板办公室演示，结果系统又推荐了竞争对手。
面对概率，没有完美的单次测试。
Profound在2026年7月公开过一组实验：同样的753条Prompt，在7个平台连续监测14天，每天运行一次与每天运行十次，最终得到的可见度结果平均相差约2个百分点。
这说明单个问题的回答可能不稳定，但如果固定一组足够大的Prompt，持续观察一段时间，结果还是可以作为方向性指标。
这一点Profound创始人倒是也直言不讳，他在播客中提到：
AI可见度的量化是为了内容优化、个性化的营销策略，最终是为了业务增长，Profound的目标就是成为AI营销平台，监测只是第一步。
这一点也给营销人一个提醒，不用太执着于要精准量化AI推荐的效果，品牌出现率、竞品份额和引用来源都是作为参考，大部分客户还是会再看看官网，去社交媒体上看看反馈，甚至跟客服、销售聊聊再做决定。
从品牌被推荐到客户有兴趣并最终购买，这个体验旅程只是入口发生了变化，建立信任、提供解决方案等客户体验环节还是一样都不能少。
四、Profound成功的几点启发
Profound的成功也许有偶然性，也许有泡沫，但是这几点也许对我们有些启发。
首先是产品与客户需求的匹配PMF
Profound一开始锁定的就是大客户，500强企业。从需求的角度，营销团队每花一笔预算的时候，都需要提供可衡量的数据指标。
AI营销本来就是新事物，CMO心里没底，老板更没底。要想让AI搜索进入营销计划里，必须有可视化的数据面板。
从产品的角度，Profound是AI原生公司，区别于传统的SEO，没有流量、点击、排名、转化的旧包袱，就把AI答案里分散的反馈统计数据整理好，变成CMO能看懂、CEO愿意分配预算的依据。
产品功能不复杂，但是正好能满足了目标客户在AI时代营销的新需求。
接着是及时从监测工具升级到AI营销平台
最开始做AI推荐可视化监测的工具其实非常多，但太容易被复制了，就像前面我说的，自己也可以监测，只是提示词数量级小很多。
Profound一开始就有野心，把需求洞察、品牌监测、引用分析、内容生成、Agent执行和效果复测放进同一个平台。
现在已经成为AI营销平台，面向CMO，不仅仅是数字营销经理，逐步进入AIGC、市场研究、营销自动化市场…
更重要的是，把Prompt变成新的用户意图信号
Profound最有想象力的产品就是是Prompt Volume了。
用户在谈到一个话题的时候，会描述自己的角色、困境、需求、考虑的品牌，以及哪些因素可能影响决策等等。
过去，这些信息主要来自市场调研、客户访谈、焦点小组Focus Group、销售记录和客服反馈，现在用户把“心里话”都告诉AI了。
虽然不是完整需求，但它比一个孤立的搜索关键词有了更多的上下文。
当然，这里面也有很多争议，比如数据合规、隐私问题等等。
还有个潜在风险，大模型会不会提供这样的分析？甚至是更全面的Prompt Bank?
谁也不好说，过去还说没广告呢，谁知道未来会不会提供用户意图洞察报告…
再来说说国内的GEO供应商，像Profound这样先测量-GEO优化-营销自动化的还不太多。
客观原因是国内大模型太多，信源良莠不齐。
另外用SEO的思路以及过于关注内容等都需要谨慎判断。
五、中小企业如何用Profound的逻辑来自己做GEO 优化？
研究Profound过程中，我最兴奋的是：借助AI，营销人理想中的用数据驱动营销，真的可以落地了。
从“洞察、执行、测量、调整”的反馈周期越来越多短。
企业可以按照Profound的方法先小规模落地，先运转起来再一步步扩大范围。
1）建立自家的Prompt Library
从销售、客服、客户访谈、社群讨论、站内搜索和历史商机中收集客户的真实问题，按照场景、决策阶段、客户类型和产品线分类整理。
2）动员内部同事帮忙持续监测
定期在主要AI平台运行同一批Prompt，记录品牌出现率、竞争对手、推荐理由和引用来源等等。
3）根据反馈结果逐步优化内容
需要优化的不只是官网。还要检查案例、FAQ、白皮书、产品文档、媒体报道、行业目录、社区讨论、评论平台和销售材料。这个部分可以用上自己开发的Agent，这个话题咱们下次单独讨论。
4）不间断反复测试
持续测试，隔一段时间（比如一个月）再总结品牌出现概率、描述准确性和引用结构是否持续改善，再优化…
对于国内大部分企业，先人工维护几十条核心Prompt，固定平台、地区、账号状态和测试频率，使用统一表格记录结果。
多人参与测试时，也要使用相同的问题和记录模板，避免把测试条件的差异误判为品牌可见度变化。
等尝试多个产品，更广泛客户群体，并且客户已经大量使用AI进行选型的企业，再考虑专业监测平台。
营销团队不能只盯着流量，还要透过AI这个新的决策入口，了解客户需求，提供内容、产品、服务，优化客户体验，真正带来业务结果。
Profound甚至提出了“Marketing Engineer”这个新岗位。
这让我更坚信营销人正面临发展的大好机遇，懂客户洞察、懂数据分析、懂内容生产，用Skill和Agent提高效率…
接下来就是一起学习，持续进步啦！
题图来自Unsplash，基于 CC0 协议。
🔥 热词：#ai搜索算法 · #ai search · #ai搜索引擎 · #ai搜索是什么