GEO 行业深度：对照 SEO 三十年，我们现在处在哪一格

2026 年 8 月，一位消费品牌的市场总监在会议室里被问住了。

老板的问题很简单：上个季度批的那笔 GEO 预算，带来了多少生意？

他有数据。品牌在豆包上关于"XX 类产品哪个好"这个问题的提及率，从 12% 涨到了 34%；引用来源里，有 9 个平台是团队三个月内主动经营出来的。这些数字都在后台，随时可以调出来。

但他答不上老板的问题。因为从"AI 开始提到我们"到"客户下单"之间，那条链路他画不出来。

这不是他一个人的困境。这是 2026 年整个 GEO 行业的困境——能证明"被看见"，但证明不了"值多少钱"。

要理解这个行业现在到底处在什么位置，得先回头看一段更长的历史。

一、SEO 的五幕洗牌，每一次都长得一样

搜索引擎优化这个行业，从 1997 年前后算起，已经快三十年。它经历过至少五次彻底的洗牌，每一次都淘汰掉大部分从业者。有意思的是，这五次的剧本几乎一模一样。

第一幕：套利期（1997–2003）

早期的搜索引擎排序逻辑极其简单，关键词出现的次数几乎直接决定排名。于是有了"关键词堆砌"——在页面底部用白色文字写满关键词，用户看不见，爬虫看得见。有人靠这个把毫不相关的页面推到搜索结果第一位。

这个阶段的从业者不需要理解用户，只需要理解规则漏洞。行业里流行的是"技巧"和"秘籍"，一份关键词密度表能卖出很高的价钱。

Google 的 PageRank 在 1998 年出现，用链接数量和质量重新定义了权威性。这本来是一次修正，但很快演化成新的套利：既然链接决定排名，那就制造链接。链接工厂、博客网络、付费链接交易在 2003 年之后形成了一个完整的地下产业。

第二幕：清洗期（2011–2012）

2011 年 2 月，Google 上线 Panda 算法，针对低质量、重复、采集类内容。约 12% 的搜索结果受到影响。一批靠内容农场吃饭的公司在几周内失去了绝大部分流量。

2012 年 4 月，Penguin 上线，直接打击链接操纵。这一次的杀伤更精准——那些买过链接、参与过链接交换的站点，排名断崖式下跌，而且恢复极慢。

这两次更新对行业的意义远大于对某几个站点的意义。它第一次让"技巧"变成了负资产：过去积累的链接越多，受罚越重。大量以"包排名"为卖点的服务商在这两年里消失。

第三幕：语义化（2013–2019）

Hummingbird（2013）开始理解查询的意图而非字面。RankBrain（2015）引入机器学习处理从未见过的长尾查询。BERT（2019）让模型理解介词、语序这些过去被忽略的细节。

这个阶段的变化更隐蔽，但影响更深：关键词本身开始失效。同一个意图可以用一百种说法表达，堆砌某一个具体词组的价值急剧下降。从业者的工作重心被迫从"匹配词"转向"覆盖意图"。

第四幕：质量与信任（2022–2024）

Helpful Content Update 与 E-E-A-T（经验、专业性、权威性、可信度）标准的强化，把评判维度推向了内容之外——作者是谁、有没有一手经验、机构是否可信。

这一轮之后，SEO 行业幸存下来的公司，做的事情已经和"优化"关系不大了。他们更像内容咨询公司：帮客户搞清楚该讲什么、由谁来讲、发在哪里更可信。

第五幕：信源集中化（2023–2025）

如果只讲到 E-E-A-T，会漏掉最关键的一幕——而这一幕恰恰是 GEO 现在正在重演的。

2023 年 9 月的 Helpful Content Update 之后，发生了一件超出多数人预期的事：大量独立站、垂直博客、小型媒体的自然流量在几个月内蒸发。有些站点的降幅超过 70%，而它们并没有做任何违规操作。

流量去了哪里？去了少数几类信源——大品牌媒体、权威机构站点，以及用户生成内容社区。

2024 年 2 月，Google 与 Reddit 达成一项年费约 6,000 万美元的数据授权协议。此后 Reddit 内容在 Google 搜索结果中的出现频率显著上升。到 2024 年下半年，大量本来由独立博客占据的长尾查询，结果页第一屏被 Reddit 讨论帖占据。

这一幕的本质是：搜索引擎从"评估无数信源"转向"依赖少数可信信源"。

对从业者的意义是根本性的。过去二十年 SEO 的核心假设是——只要内容够好、结构够对，任何站点都有机会排上去。信源集中化打破了这个假设：在很多查询上，你的站点根本不在候选池里，无论内容多好。

于是策略发生了转向：从"把自己的站点做好"，转向"想办法出现在那些被信任的信源里"。这不再是技术优化，而是内容分发和信源经营。

为什么这一幕对理解 GEO 至关重要？ 因为生成式引擎从第一天起就是按这个逻辑工作的。它不遍历全网，它从有限的信源池里检索、汇总、生成。SEO 用了二十多年才走到"信源集中"这一步，GEO 是从这一步开始的。

这也解释了前文那个反直觉的战术结论——为什么 Ethan Smith 说有效的是 Reddit 评论而不是自建内容。因为在信源集中的世界里，你在别人的地盘上说的话，比在自己地盘上说的话更算数。

五幕洗牌的共同结构

把这五幕放在一起看，会发现一个稳定的模式：

套利窗口打开 → 规则简单、漏洞明显，早期进入者获得超额收益 规模化滥用 → 工具化、批量化，套利手法被复制到失效 平台反制 → 算法更新，滥用者遭受不可逆损失 能力沉淀 → 幸存者的做法向"真正对用户有价值"收敛

每一轮的时间跨度在缩短：第一轮用了六年，第二轮两年，第三轮六年，第四轮不到三年，第五轮从政策转向到格局重塑只用了一年多。平台的反应速度在变快。

还有一个规律更值得注意：每一轮洗牌之后，行业的总规模都变大了，但服务商的数量都变少了。 淘汰掉的是套利者，留下的是能力方。

二、GEO 现在处在哪一格

把 GEO 放进这个框架，答案不难得出：它现在大约处在 SEO 的 2004 年前后——套利窗口的末端，第一次大清洗之前。

判断依据有三个。

第一，简单粗暴的手法已经开始失效。 2025 年下半年到 2026 年初，市面上流行过一批极其直接的做法：批量生成结构化内容、大规模分发到低门槛平台、堆砌问答格式。在窗口期内这些确实有效，因为早期的大模型在选择引用源时，对内容的结构化程度给了很高的权重。

但各家平台在过去半年陆续调整了信源策略。同样的做法，投入产出比已经明显下降。 这和 2003 年前后链接工厂效果开始衰减是同一种现象。

第二，第一批割韭菜的服务商声量在消退。 2025 年底，市场上出现过大量以"包上榜""保证被 AI 推荐"为卖点的服务商和软件开发商。到 2026 年年中，这批声音明显少了。有些是因为交付不出效果，有些是因为客户开始要求可验证的数据。

第三，认真的公司开始拉开差距。 与噪音减少同时发生的，是另一批公司在深化能力——把精力放在数据采集的准确性、信源结构的研究、跨平台差异的量化上。这些工作短期内不产生销售话术，但它们是下一轮洗牌之后唯一还站得住的东西。

这是一个正在洗牌的行业，而不是一个已经稳定的行业。理解这一点，比理解任何具体战术都重要。

三、第一方数据：一个服务商不会讲的图景

行业里最大的信息扭曲，不在于有人说假话，而在于大部分能拿到的数据都来自卖方。服务商的白皮书、工具厂商的案例、代理公司的复盘——它们不一定造假，但选择性极强。

要看清真实图景，只能依赖三类信源：独立第三方的实测数据、纯甲方样本的调查、上市公司的财报口径。

3.1 SparkToro：流失是真的，但补偿还没来

SparkToro 创始人 Rand Fishkin 在 2026 年发布了一组基于 Similarweb 面板数据的分析，覆盖 2026 年 1 至 4 月的美国 Google 搜索。

核心数字是 68.01%——超过三分之二的 Google 搜索没有产生任何点击，而这个比例在 2024 年是 60.45%。

比百分比更直观的是绝对量：每 1,000 次美国 Google 搜索，现在只有 276 次点击流向开放网络；2024 年这个数字是 374 次。两年时间，开放网络从搜索获得的点击减少了 26%。

这是所有 GEO 服务商都会引用的数据。但同一份研究里还有另一组数字，引用的人少得多：

ChatGPT 目前只贡献约 0.2% 的引荐流量，Perplexity 不到 2%。

Fishkin 由此得出的结论写在一篇文章的标题里：《在零点击世界里，流量是个糟糕的目标》。他的判断是——AI 渠道尚未以规模替代流失的 Google 点击。

这句话对整个行业是一记重锤。因为绝大多数 GEO 的销售话术，建立在"流量正在从 Google 转移到 AI"这个前提上。数据显示，流量确实在离开 Google，但它并没有等量地出现在 AI 那一侧。

3.2 Webflow：那一小部分的质量高得反常

如果故事到这里结束，GEO 就是个伪命题。但另一组数据把结论推向了不同方向。

Graphite CEO Ethan Smith 在 Lenny's Podcast 上给出了一个有名有姓的案例——Webflow。这期节目有 17.7 万播放。

核心发现是：LLM 带来的流量，转化率是 Google 搜索流量的 6 倍。

原因并不神秘。Smith 给出的机制解释是：用户到达网站时，已经完成了多轮对话。他把该问的问题都问完了，才点进来。这是一个已经被前置筛选过的访客。

配套的数据支撑这个解释：

• ChatGPT 的平均查询长度超过 25 个字，而 Google 只有 6 个字
• 长尾流量的规模，是传统 SEO 的 4 倍
• "被提及次数最多"胜过"排名第一"——因为 AI 的答案会汇总多个来源，出现在 5 个引用里，比在 1 个引用里排第一更有价值

Smith 同时指出了有效和无效的做法。有效的三个战术是：落地页、YouTube 视频、Reddit 评论（前提是真实账号、表明身份、真的提供帮助）。无效的是：自动化工具、虚假账号、过度优化的 SEO 内容。他的原话是——"AI 模型偏好自然、未过度加工的信源。"

这句话值得所有正在批量生产"AI 友好内容"的团队反复读几遍。

需要说明的是，Ethan Smith 是 Graphite 的 CEO，仍然属于服务方。但 Lenny's Podcast 的访谈格式和 Webflow 这个具名案例，可信度比"某知名 3C 品牌"这类表述高一个档次。

3.3 CMO Survey：甲方自己怎么说

由杜克大学 Fuqua 商学院、德勤和美国市场营销协会联合执行的 The CMO Survey，第 35 期覆盖 308 位美国营销负责人，其中 97% 是副总裁级以上。这是纯甲方样本。

几个关键发现：

GEO 已被 40% 的公司使用。 这是一项此前从未出现在该调查中的全新能力——它从零到 40% 的渗透，只用了一个调查周期。

AI 在营销活动中的占比，从 2024 年的 13.1% 升至 2026 年的 24.2%，生成式 AI 的使用增长 220%。

但真正有意思的是第三个数字：人力占营销预算的比重，从 21.9% 升到了 24.5%。

这是一个反直觉的结果。如果 AI 真的在替代人力，这个比例应该下降。它反而上升了。调查给出的解释是——CMO 们发现 AI 的价值取决于人和执行，不只是工具。

与之呼应的是 Gartner 的数据：CMO 们把 15.3% 的预算给了 AI，但只有 30% 表示自己准备好规模化。

调查还记录了两个背景条件：客户留存已经超过获客成为首要任务；超过半数的营销人对经济的乐观度下降，是 2020 年年中以来最悲观的一次。

这两个背景很重要。 它意味着 GEO 这类新投入，是在一个预算收紧、更看重存量的环境里争夺资源的。任何说不清 ROI 的项目，在这种环境下最先被砍。

3.4 财报口径：最硬的证据

上市公司的财报电话会是最难粉饰的场合。四家公司的表述，构成了一条完整的证据链。

Chegg 是被 AI 搜索直接冲击的完整案例。这家在线教育公司起诉了 Google，第四季度营收同比下降 24%，非订阅流量同比下降 49%，裁员 45%（388 人），并聘请高盛探索私有化。

这是"损失"那一侧最极端的证据。

LegalZoom 2026 年第二季度的表述则代表了中间状态，管理层的原话最有价值。他们把搜索流量的重新定价视为"一个有界的存量渠道问题"——注意这个措辞，既承认了损失，也划定了边界。

同一份财报里：AI 引荐渠道环比增长 250%，但基数接近零。 第三季度预计交易收入下降高个位数到低双位数。

而管理层对 AI 来源客户的评价是："通过 AI 来的客户意向更高，转化指标相似。"

这是甲方对 Webflow 那个"6 倍转化率"的独立印证。

Reddit 2026 年第二季度营收增长 61%，股价却在盘后下跌 10%，CEO 警告搜索引荐流量"choppy"（起伏不定）。Alphabet 第一季度的 Google Network 广告收入下降 4%。

3.5 把它们拼起来

四组数据放在一起，得到一个服务商不会主动讲的图景：

关于流量。 服务商叙事是"AI 是巨大的新流量入口"；第一方数据是 ChatGPT 仅占引荐流量 0.2%。

关于损失。 服务商叙事是"不做就流失客户"；第一方数据支持这一点——68% 零点击是真的，Chegg 营收下滑 24%、非订阅流量下滑 49% 也是真的。

关于补偿。 服务商叙事是"做了就能补回来"；第一方数据不支持——Fishkin 的原话是"AI 渠道尚未以规模替代流失的点击"。

关于质量。 服务商很少提这一项；而这恰恰是第一方数据最有力的地方——Webflow 转化率 6 倍，LegalZoom 管理层说"通过 AI 来的客户意向更高"。

诚实的图景是：你损失的流量是真的、而且很大；你能从 AI 拿回的量还很小；但那一小部分的质量高得多。

这恰恰构成了"必须换指标"的完整论证。如果 AI 只占引荐流量的 0.2%，但转化率是 6 倍，那么——用流量指标去看它，它永远是噪音；用收入指标去看它，它已经有意义。

SparkToro 说"流量是个糟糕的目标"，Profound 说"引用和提及的提升比流量早数周到数月"，这两句话讲的是同一件事。

有一个缺口必须如实说明：我们没有找到品牌方自己公开表示"我们做了 GEO，没有效果"的第一方内容。 失败案例全部来自服务商之间的互相指责，或者用户在评论区的零散抱怨。这个缺口是真实存在的——没有人会公开自己花钱没效果。所以上面这幅图景，仍然存在幸存者偏差。

四、把美国数据搬到中国之前，先看三个不同

上面所有的第一方数据都来自美国市场。这是不得已的选择——国内还没有出现同等质量的独立第三方研究。但直接把这些数字搬过来用，会得出错误结论。

至少有三个结构性差异必须先说清楚。

4.1 平台格局：一家独大 vs 五家分立

美国的 AI 搜索格局是高度集中的。ChatGPT 一家占据了绝大部分对话量，Perplexity 和 Google AI Overviews 分掉剩下的部分。所以 SparkToro 那个"ChatGPT 占引荐流量 0.2%"的数字，基本可以代表"AI 引荐流量"的全貌。

中国不是这个结构。豆包、DeepSeek、文心一言、通义千问、元宝五家分立，各自背后是不同的内容生态——豆包连着字节系的内容池，元宝连着微信生态，通义千问背后是阿里的商品与服务数据。它们在回答同一个问题时，引用的信源可能几乎没有交集。

这带来两个后果。

一是任何单平台的数据都不能代表整体。在豆包上被引用得很好，不代表在元宝上也一样，反之亦然。这也是为什么国内的监测必须做多平台覆盖，而美国市场上只盯 ChatGPT 在很长一段时间里是够用的。

二是分散降低了单点风险，也降低了单点收益。美国品牌只要在 ChatGPT 里被引用，就吃到了大部分红利；中国品牌需要在五个体系里分别建立存在感，投入成本更高，但也不会因为一家平台的策略调整而全盘归零。

4.2 端的差异：桌面面板测不到中国

SparkToro 的研究基于 Similarweb 的桌面与移动网页面板。这个方法论在美国是合理的——那里的搜索行为有相当比例发生在桌面浏览器上。

中国的 AI 使用高度集中在 APP 端。用户打开豆包 App、元宝小程序、通义千问 App 直接提问，这些行为根本不经过浏览器，任何基于网页面板的统计都测不到。

更关键的是：同一个问题，网页端和 APP 端的回答可能不同。 APP 端通常有更强的个性化、更多的内容生态接入，有时还有独立的推荐位。一个只监测网页端的工具，在中国市场会系统性地漏掉真实场景。

这也解释了为什么"AI 引荐流量占比"这个指标在国内更难测。流量的一大部分根本不以"引荐"的形式出现——用户在 App 里看到品牌名，然后打开另一个应用去搜、去下单，这条链路在任何统计口径里都是断的。

4.3 信源生态：Reddit 的位置由谁替代

Ethan Smith 给出的三个有效战术里，Reddit 评论占了一个。这在美国成立，因为 Reddit 是 ChatGPT 训练与检索的重要信源，而且它是开放的——任何人都可以带着真实身份去参与讨论。

中国没有一个 Reddit。它的功能被分散到知乎、小红书、微信公众号、垂直论坛以及各家平台的自有社区里。而这些平台的开放度差异极大：有的对搜索引擎和 AI 爬虫完全开放，有的部分开放，有的几乎封闭（微信生态的内容对外部 AI 的可见性长期是个变量）。

这意味着中国的"信源经营"是一件比美国复杂得多的事。 你不能只挑一个平台深耕，必须先搞清楚在你这个行业里，各家 AI 实际引用的是哪几类平台——而这个答案因行业而异，也因平台而异。

4.4 那么，美国数据里还有什么可以用

三个结构性差异之后，剩下三条结论是跨市场成立的：

零点击趋势是共同的。 搜索结果页直接给出答案、用户不再点进网站，这是 AI 能力带来的必然结果，与市场无关。中国的百度 AI 搜索、各家 App 的直接问答，都在做同一件事。

质量高于数量的规律是共同的。 LegalZoom 那句"通过 AI 来的客户意向更高"，和 Webflow 的 6 倍转化率，讲的是同一个机制——用户在到达之前已经完成了多轮筛选。这个机制不因语言和平台而改变。

"被提及次数最多胜过排名第一"是共同的。 因为它是生成式模型的工作方式决定的：答案汇总多个来源，出现在更多引用里意味着更高的被采纳概率。这一点与搜索引擎的排名逻辑有本质区别，也是 GEO 和 SEO 最深的分野。

换句话说：机制可以借鉴，数字不能照搬。

五、归因：这个行业最大的未解问题

如果说 GEO 现在只有一个真正的瓶颈，那就是归因。

5.1 粗略可算，精细算不出

在整体层面，GEO 的 ROI 是可以做粗略评估的。方法也不复杂：选定一批关键问题，测量提及率和引用来源占比的变化，对照同期的线索量和成交量，做时间序列上的相关性判断。

这个粗略评估足以支撑"要不要继续投"的决策。

但一旦下沉到业务层面，链路就断了。具体到某一个客户，你无法确认他是不是因为 AI 提到了你才来的。

原因有四个，每一个都不容易解决：

没有 referrer。 用户在 AI 对话里看到品牌名，然后打开浏览器直接搜品牌名进来——这条路径在日志里表现为"直接访问"或"品牌词搜索"，与 AI 毫无关联。

多轮对话。 用户可能问了七八轮才形成决策，其中某一轮 AI 提到了你。哪一轮起了作用？没有办法回答。

滞后期。 内容进入 AI 的引用池需要时间，从引用到影响决策又需要时间。这个滞后期通常以周甚至月计，而营销部门的考核周期是月度或季度。

样本波动。 同一个问题在不同时间问，AI 的回答不完全一致。这意味着任何单点测量都不可靠，必须依赖连续采样。

5.2 Profound 的选择

行业里体量最大的玩家之一给出的答案，是放弃。

Profound 在 2026 年 2 月完成 9,600 万美元 C 轮融资，估值达到 10 亿美元，累计融资 1.55 亿美元。它服务超过 700 家企业客户，其中包括 10% 的财富 500 强企业，而团队规模不到 120 人。

以这样的资源投入，它在实操层面选择了不去计算 CRO（转化率优化）链路。它的产品逻辑是：把"可见性"这件事做到极致，把"可见性到收入"的推断交给客户。

这不是能力不足，是判断——在归因技术成熟之前，强行给出一个精确的转化归因，反而会损害数据的可信度。

5.3 Gushwork 的尝试

另一条路径来自 Gushwork。这家 2023 年成立的印度公司在 2026 年 2 月完成 900 万美元种子轮融资，累计融资 1,100 万美元，投资方包括 Susquehanna、Lightspeed、B Capital 等。

它的产品定位与 Profound 不同：不止于监测，而是构建"内容创建—发布—优化—线索"的完整闭环，直接面向 B2B 和垂直服务类企业做 AI 搜索的线索生成。目前服务 300 多家客户，目标是六个月内达到 1,500 家。

从逻辑上看，这条路径是完整的——如果内容、发布、监测、线索都在一个系统里，归因链路理论上可以打通。

但效果仍未可知。闭环在逻辑上成立，不等于在业务上成立。中间横着几个现实问题：客户是否愿意把内容生产也交出去、线索的质量如何验证、闭环里的每一环是否都做到了同等水准。

5.4 这和 SEO 走过的路一样

值得指出的是，归因困难并不是 GEO 独有的问题。

SEO 在早期也经历过完全相同的阶段。2000 年代初，行业里唯一的指标是"排名"——因为除了排名什么都测不了。后来有了流量统计工具，指标变成"自然搜索流量"。再后来有了转化跟踪，才有了"自然搜索带来的转化"。最后才出现多触点归因模型，试图回答"搜索在整条决策链路里贡献了多少"。

从"只能看排名"到"能看归因"，SEO 走了大约十年。

GEO 现在处在这条路的起点。它当前唯一可靠的指标是提及率和引用来源——这相当于 SEO 早期的"排名"。用一个还没有归因体系的行业标准，去要求一个精确的 ROI 答案，本身就是错配的期待。

六、供给侧正在分层

讨论 GEO 时，人们默认的假设是流量来自那几个头部 AI 应用。这个假设正在过时。

流量供给侧已经出现了明显的分层，而不同层次的流量，对应完全不同的策略。

第一层是头部巨头。 豆包、DeepSeek、文心一言、通义千问、元宝——用户规模最大，也是绝大多数监测工具覆盖的范围。这一层的特点是流量大但竞争激烈，且平台策略调整频繁。

第二层是中型流量入口。 一批垂直或半通用的 AI 产品，用户规模远小于头部，但用户意图更集中。以 workbuddy 这类产品为代表——它们的绝对流量不大，但对特定行业的品牌来说，转化质量可能优于头部。

第三层是半自建的 agent。 像 hermes、小龙虾这类，介于平台产品和企业自建之间。这一层最容易被忽略，因为它不在任何监测工具的默认覆盖范围里，但它带来的流量在特定场景下相当可观。

一个正在发生的变化是：即便忽略头部巨头，仅第二层和第三层带来的流量，已经足以支撑一些中型企业的业务。这在一年前是不成立的。

分层带来的三个策略后果

第一，监测的覆盖范围决定了你能不能看见机会。 如果工具只覆盖头部五家，那么第二层和第三层带来的流量对你是完全不可见的——不是流量不存在，是你没有在测。对某些垂直行业，这部分不可见的流量可能已经超过了头部平台带来的量。

第二，不同层次的进入成本相差数量级。 头部平台的信源池竞争激烈，一个新品牌想进入需要持续的内容投入和信源积累；而第二、三层的信源池小得多，有时几篇高质量的行业内容就足以进入候选。这意味着预算有限的企业，理性策略不是去头部硬拼，而是先在下沉层建立存在感。

第三，层与层之间存在传导。 一个在垂直社区被反复引用的内容，有机会通过信源的交叉引用进入更大的平台池。这条路径不快，但成本远低于直接冲击头部。

大型企业是另一道题

大型企业的路径与上述完全不同。

它们的品牌词已经有足够的存量认知，AI 提及它们不需要额外的内容支撑——问"手机哪个牌子好"，头部品牌一定会被提到。它们真正需要解决的是口碑倾向和信息准确性：AI 在提到它们的时候，说的是不是对的？引用的是哪一年的信息？把已经停产的型号当成主推产品了吗？竞品的对比结论是从哪来的？

这类问题无法靠"多发内容"解决。它需要的是持续监测加定向纠偏——先发现 AI 在哪些问题上给出了过时或错误的表述，再定位这个表述来自哪个信源，然后针对那个信源做处理。

这条路径没有成熟的方法论，现成的服务商方案也不适用。大型企业只能自己主动探索，而这也部分解释了为什么它们在这个阶段就已经开始投入——它们需要的首先不是优化，是看见。

七、这是一场还没结束的博弈

理解 GEO 现在为什么这么混乱，需要看到一个更底层的事实：流量提供方自己也还没想清楚。

各家 AI 应用当前都处在商业化路径的探索期。广告要不要做、怎么做、会不会损害用户体验、引用来源要不要给流量分成——这些问题没有一家给出了确定答案。平台的策略在变，是因为平台自己也在试。

而品牌主那一侧，同时存在两种心态：一是疑虑，担心这又是一波概念炒作；二是成本考量，在预算收紧的环境下，说不清 ROI 的项目很难拿到资源（The CMO Survey 里"超过半数营销人对经济的乐观度下降"这个背景，正是这种心态的来源）。

两侧的不确定性叠加，就形成了当前的博弈状态。 平台不给确定的规则，品牌主不敢下确定的注；品牌主不下注，平台也拿不到验证商业化路径的样本。

这个僵局需要时间来解开。参照 SEO 的历史，这个过程通常以年为单位——从 PageRank 出现到 Google AdWords 形成稳定的商业模式，中间隔了三年；从 Panda 上线到行业形成新的内容标准，也用了差不多三年。

八、谁在认真做事

在这样的环境里，仍然有企业在持续投入，并且拿到了正收益。

这些企业有一些共同特征，值得单独拿出来说。

第一，他们的投入是连续的，不是一次性的。 他们不是"做一波 GEO 看看效果"，而是把它当成一个需要持续经营的渠道。这意味着他们接受了一件事——这个渠道的反馈周期比投放长得多。

第二，他们聚焦而不是铺开。 与其在几十个话题上都做一点，不如把最关键的几个问题打透。这个选择在预算有限时尤其正确——因为 AI 的引用是有集中度的，在一个问题上进入引用池，比在十个问题上都排在边缘更有价值。

第三，也是最有意思的一点：他们会反过来推动工具的演进。

在透镜GEO 的客户里，有一批是从早期就开始持续付费、几乎是伴随产品一起成长起来的。其中一家做英语教育的客户，我们的很多功能迭代，最初都来自他们提出的具体需求——他们在实际使用中遇到什么问题，我们才知道该做什么。

这类客户的价值远超过订阅收入本身。因为一个还没有标准方法论的行业里，最稀缺的不是工具，是真实场景的反馈。

一组第一方数据

截至 2026 年 7 月底，透镜GEO 的活跃客户覆盖 20 个行业，其中财富 500 强企业占客户总数的 17%。

这两个数字放在一起，说明了两件事。

第一，需求不是集中在少数几个行业的。 20 个行业的覆盖度意味着这不是某一类企业的特殊需求——从教育、消费品到制造、专业服务，只要客户的决策链路上存在"先查一查"这个动作，AI 搜索的影响就会传导过来。这与前文 The CMO Survey 记录的"GEO 从零到 40% 渗透只用了一个调查周期"是一致的：它是一个横向扩散的需求，不是垂直深耕的需求。

第二，大型企业的进入速度快于预期。 17% 这个比例值得单独说明——它指的是财富 500 强企业在我们客户中的占比，而不是我们覆盖了 17% 的财富 500 强企业。这两个口径完全不同，不应混淆（作为对照，Profound 公布的口径是"服务了 10% 的财富 500 强企业"，那是另一个分母）。

但即便在正确的口径下，17% 也高于我们最初的预期。大型企业通常是新营销技术的后进入者——预算流程长、合规要求多、决策链条复杂。它们在一个方法论尚未固化的阶段就开始投入，反映的不是对 GEO 的信心，而是对失去控制的担忧：AI 在回答关于它们的问题时说了什么，它们此前完全不知道。

这也印证了前文那个判断——大型企业的需求与中小企业根本不同。中小企业要解决"AI 提不到我"，大型企业要解决"AI 提到我时说得对不对"。前者是可见性问题，后者是准确性和倾向性问题。同一套工具，两种用法。

需要说明的是，这些企业的成功，不能简单归因于"用对了工具"。他们的共同点是：市场团队本身就理解自己的用户在决策时会问什么问题，并且愿意为这些问题准备真正有价值的内容。工具只是让他们看见了自己做得对不对。

九、给资深从业者的判断框架

如果你是在这个领域做决策的人，以下几条判断可能比任何战术清单更有用。

换掉流量指标

这是最重要的一条。在 AI 引荐流量只占 0.2% 的现实下，用流量看 GEO，得到的结论必然是"没用"。

应该看的是三个指标：提及率（在你关心的问题上，AI 提到你的比例）、引用来源占比（AI 引用的信源里，有多少是你能影响的）、从这两个数字到线索量的滞后相关性。

前两个是过程指标，能实时看到；第三个是结果指标，需要以季度为单位观察。

接受归因是不完整的

不要因为算不出精确的 CRO 链路就否定这件事，也不要相信任何声称能算出来的服务商。行业里最大的玩家都选择了不算，这不是能力问题。

正确的做法是承认不确定性，然后用整体层面的相关性来做决策。

警惕过度优化

Ethan Smith 那句"AI 模型偏好自然、未过度加工的信源"，是当前所有战术里最反直觉、也最重要的一条。

过去二十年 SEO 训练出来的本能——结构化、关键词布局、锚文本优化——在 GEO 里部分失效，甚至可能起反作用。批量生产的"AI 友好内容"，恰恰是 AI 最不喜欢引用的那种。

判断服务商的四个问题

• 数据是走模型 API 还是模拟真实用户？（这两者的结果可能完全不同）
• 覆盖哪几个引擎、哪一端？（网页端和 APP 端的回答可能不一样）
• 评分逻辑和各模型权重是什么？（说不出来的分数不能作为决策依据）
• 能不能承诺排名？（正确答案是不能）

现在该投多少

参照 The CMO Survey 的数据，40% 的公司已经在做，但只有 30% 准备好规模化。这个差距说明大部分公司处在"试点"而非"规模投入"的阶段。

对多数企业来说，合理的姿态是：投入足以持续观察的最小成本，把数据积累起来。等归因体系成熟、平台规则稳定之后，再决定要不要加码。

先测后投，比先投后测安全得多——这个原则在洗牌期尤其成立。

十、洗牌之后，什么还值钱

前面说"真正的能力才刚刚开始定价"。这句话如果不落到具体的东西上，就是一句正确的废话。

参照 SEO 五幕洗牌之后幸存者的共同点，以及 GEO 当前的结构性特征，有四类能力大概率会在洗牌之后仍然值钱。

10.1 对信源结构的实证知识

这是最被低估、也最难速成的一项。

"AI 会引用权威信源"是一句正确但没用的话。有用的知识是具体的：在这个行业、这类问题上，五家 AI 分别倾向于引用哪几类平台？这个倾向在过去六个月是否发生过变化？变化的方向是什么？

这类知识只能靠连续观测积累，没有捷径。它也无法通用——医疗行业的信源结构和消费电子完全不同，前者高度依赖机构与文献，后者更依赖社区讨论与评测。

做过一百个客户和做过三个客户的服务商，差别就在这里。 而这个差别在销售环节几乎无法体现，因为双方都可以说"我们研究过信源"。

10.2 把业务问题翻译成监控问题的能力

GEO 监测的输入是"问题"。看起来简单，实际上是整条链路里最容易做错的一环。

一个常见的错误是：市场部把自己想问的问题拿去监控，而不是客户会问的问题。"我们品牌的技术优势是什么"——没有用户会这样问 AI。用户问的是"XX 和 YY 哪个更耐用""预算三千买什么合适"。

另一个错误是混淆两类问题：排名词是行业通用问句，用来看在无品牌前提下能否被提及；口碑词必须带品牌名，用来看 AI 对你的评价倾向。混在一起配置，两组数据都失去可比性。

能不能把一个模糊的业务目标，翻译成一组精确的、可持续观测的问题——这是顾问能力，不是工具能力。它也是为什么 The CMO Survey 里人力占预算比重不降反升的原因。

10.3 在不确定归因下做决策的能力

前面用了整整一节说明归因为什么算不出来。但业务不会因为算不出来就停下。

真正的能力是：在承认归因不完整的前提下，仍然能做出可辩护的资源分配决策。

具体表现为几件事——建立过程指标与结果指标之间的时间序列关系，而不是追求单点因果；用同期对照（做了 GEO 的产品线 vs 没做的产品线）替代绝对归因；接受季度级别的观察周期，不用月度数据做判断。

这套方法论在效果广告时代不需要，因为那时归因是给定的。GEO 把"如何在数据不完整时决策"重新变成了一项核心能力。

10.4 判断什么时候不该做的能力

最后一条最反直觉：一个真正有能力的服务商，应该经常劝客户不要做。

不是所有生意都需要 GEO。判断标准前面提过——客户在决策前会不会去问 AI。对于靠冲动消费、渠道铺货、线下拦截的生意，AI 搜索的影响暂时有限；对于品牌认知已经足够强的头部企业，需要解决的也不是"被提及"而是"被正确提及"，方法完全不同。

在一个还在洗牌的市场里，敢于把不合适的客户推出去，本身就是能力的证明——因为它意味着服务商的收入不依赖于把每一个进门的人都转化掉。

反过来，如果一家服务商对任何行业、任何阶段的客户都给出"你需要做 GEO"的答案，那么它卖的大概率不是能力，是话术。

结语：还在半途

回到开头那位市场总监的困境。

他答不上老板的问题，不是因为他做错了什么。是因为这个行业还没有为那个问题准备好答案。

GEO 现在的状态，很像 2004 年的 SEO：真实需求已经出现，早期实践者拿到了超额回报，但方法论没有固化，归因体系没有建立，服务商良莠不齐，平台规则随时会变。

区别在于，这一次的节奏会更快。SEO 用了六年才等到第一次大清洗，而 GEO 从爆发到平台开始调整策略，只用了不到两年。

对于身处其中的人，这意味着两件事。

一是套利窗口正在关闭。那些靠信息差和批量手法赚快钱的做法，剩下的时间不多了。参照 Panda 和 Penguin 的先例，清洗到来时，过去积累的"技巧"会变成负资产。

二是真正的能力才刚刚开始定价。理解用户在决策链路上会问什么、知道哪些信源在特定行业里真正被引用、能够持续观察并调整——这些能力在今天还没有被充分定价，因为市场还在被噪音主导。

洗牌结束之后，它们会是唯一还值钱的东西。

这个判断没有数据可以证明，只有 SEO 三十年的历史可以参照。但那段历史里，五次洗牌给出的答案是一致的。