GEO行业AI营销专家再解读20260109

引擎使用率逐步攀升，海外如OpenAI的ChatGPT、推特的Grok、Google的Gemini、Anthropic的Claude等AI引擎的出现改变了用户信息获取习惯。传统模式下，用户通过Google、Bing等搜索引擎搜索关键词或简单问句，需点击前几篇搜索结果获取信息；而AI引擎能将信息自然语言化、综合整理后直接给到用户，用户无需再点开不同网页。在此背景下，品牌方/商家需通过某种方式让AI更了解自身业务，这一行为即为GEO，核心目标是让品牌/商家的信息被AI更全面理解，从而在AI回答中呈现。 1、GEO的定义与SEO的差异·GEO的来源与定义：GEO名称源于generative engine optimization（生成式引擎优化），其诞生背景是当前AI 引擎使用率逐步攀升，海外如OpenAI的ChatGPT、推特的Grok、Google的Gemini、Anthropic的Claude等AI引擎的出现改变了用户信息获取习惯。传统模式下，用户通过Google、Bing等搜索引擎搜索关键词或简单问句，需点击前几篇搜索结果获取信息；而AI引擎能将信息自然语言化、综合整理后直接给到用户，用户无需再点开不同网页。在此背景下，品牌方/商家需通过某种方式让AI更了解自身业务，这一行为即为GEO，核心目标是让品牌/商家的信息被AI更全面理解，从而在AI回答中呈现。 ·GEO与SEO的核心差异：a.用户行为差异：SEO下用户搜索关键词或简单问句，通过点击搜索引擎前几篇结果（含商业广告、自然索引）获取信息，因仅查看前一两篇内容，信息获取较片面；GEO下用户通过AI直接获得更全面、综合性的回答，AI会基于多维度、丰富的信息汇总成理解内容，甚至添加外部链接说明，减少信息偏颇的可能性。b.优化逻辑差异：SEO依赖Google 98年提出的PageRank专利算法，通过分析页面权重、HTML元数据（如meta keywords）等实现搜索结果排名，侧重内容排在搜索引擎前列；GEO需让信息更权威、真实、逻辑清晰，提供经得起推敲的优质信源，让AI认可信息可信度，需缜密编排信息。c.本质属性差异：SEO具排他性，核心是内容排在搜索引擎前面；GEO需缜密编排信息，让信息对AI更有价值。 2、GEO优化的关键要素·GEO优化的策略要求：GEO优化需对商业信息有深度全面认知，策略上要将商业信息更好展现，不能忽悠AI 和消费者，信息需权威、真实、逻辑清晰，信源要经得起推敲，如要有专利、权威机构认证等可验证内容；策略执行时需将要求拆解为可验证的细节内容，内容可手写或通过AI生成。 ·GEO优化的技术要求：GEO优化需要技术能力，更要适配不同AI引擎的RAG机制，需研究不同AI引擎的信源、信息获取机制及理解逻辑，让信息更易被AI获取；同时技术工作流很重要，要维护信息的新鲜度（freshness），因RAG评估信息的关键要素包括信源和新鲜度，需通过全面信息汇总和强技术工作流优化GEO。 3、GEO行业玩家与需求特征·GEO产业链与玩家类型：目前GEO 产业链环节以综合型服务商、偏工具方向的服务商为主，当前头部玩家非常少；玩家类型涵盖创业公司及以前从事相关业务的传统公司，这些公司均开始认识到GEO的重要性并布局相关业务。GEO的核心价值在于解决两类问题：一是高客单价的线索类问题，二是品牌类问题，前者针对需要高价值线索的行业，后者针对品牌口碑查询等场景。 4、GEO的商业模式与收费逻辑·GEO的收费模式：GEO的收费模式主要是按业务包收费，需先与客户沟通明确其想优化的消费者问题类型，将 一类问题抽象为一个业务包；若客户需求涉及多个业务线，则建议拆分成不同业务线分别优化，若一股脑全放进去，会因问题无相关性、无逻辑性导致优化效果不佳。 ·收费的核心影响因素：收费的核心影响因素有两点：a.优化难度，例如优化“最好喝的可乐”难度远高于“最健康的可乐”；b.客户价值，若需求对客户价值高则付费更高，若仅为品牌保护或简单种草则费用较低。目前无标准价格，需结合 优化难度与客户价值综合定价。 5、GEO的行业前景与团队要求·GEO的行业前景判断：提出AI替代搜索的判断：Google在搜索时将AI 回答排在所有内容的第一列，国内使用搜索引擎的比例越来越少；AI使用率从个位数向两位数增长。AI使用率越高，GEO的商业机会越大。 ·GEO与SEO团队的差异：对比SEO团队与GEO团队的差异：SEO团队是量大出奇迹，人员素质要求不高，运营主要是站外资源运营，技术主要调页面结构等；GEO团队需要更高素质，运营侧重内容结构与内容策略问题，技术则更多是对大模型的RAG信源优化。团队名称和结构与SEO差不多，但人员具体要求不同。 6、大模型信源偏好与优化思路·大模型的信源偏好：不同大模型的信源偏好属于商业机密，但可从模型训练逻辑推导思路。大模型训练需经历 prechain、反chain及调优、蒸馏、压缩等过程，核心是基于文字符号间的逻辑关系训练模型智力水平。不同大模型的RAG（实时信息获取通道）配置与其信息获取路径相关，例如Grok的RAG高度侧重推特的实时一手信息；Google的RAG则优先采用自身资源（如在线书、专利）及PageRank较高的权威网站信息。 ·GEO的优化思路：优化信源需基于大模型训练逻辑（prechain、反chain等过程），符合模型的信息分布常识。与SEO的排他性排名不同，GEO并非依赖单一信源排名，而是通过不同信源间的相互印证、验证，结合AI对信息的理解及用户问题来回答。信源质量不仅取决于来源网站，更需关注资料整理的透彻性与逻辑清晰度——即便信源权威但回答模棱两可、逻辑混乱，其质量可能不如普通但表述清晰的回答。 7、GEO效果衡量与中立性机制·GEO的效果衡量指标：客户衡量GEO转化效果的方式主要是AI回答中提及品牌/ 服务或把客户方案加入解决方案；与客户的合同约定通常是从“未提及”到“提及”、从“未加入”到“加入”的转变，具体需求会根据客户目标不同而调整，比如想拿线索的客户会希望在特定问题搜索中被提及相关服务。 ·大模型的中立性机制：大模型保持中立主要通过两种机制：a.常识分布检查，若信息仅少数网站提及、不符合常识分布，则可能是虚假信息；b.信源交叉验证，用最信得过的几个信源交叉验证信息中的概念、内容合理性。这些机制的目的是避免虚假信息，确保回答权威真实。 Q&AQ:哪些玩家在GU相关业务中可能具备更强先发优势或更大概率率先做成？A: 无绝对优势，但具备以下几点的玩家更具优势：有大模型调优经验，对业务理解更深；纯技术流SEO对GU失效，AI引擎更关注页面文字内容是否符合其逻辑，因此需对营销内容有深厚经验；拥有强技术团队；能尽早接触GU客户、获取真实案例并通过验证积累经验。满足这些点的玩家未来成功概率更高。Q:具体到业务层面，公司GU业务的收费模式是怎样的？ A: GU业务优化的是词包或问题包，实际服务中会先与客户沟通需优化的问题类型，将同类问题归为一个业务包，不同业务线的问题需拆分成不同业务包分别优化。收费无标准价格，主要取决于两点：一是优化难度；二是对客户的价值。Q: GU优化业务的行业平均毛利率及净利润水平如何？ A: GU优化业务当前行业毛利率较高，具体水平因企业能力与资源差异有所不同， 但整体高于其他业务。 Q:目前行业内头部公司在该业务的业务量量级如何？ A:目前没有专门从事GU业务的头部公司，但已有较多营销公司转向该业务；纯营销公司因缺乏技术、纯技术公司因缺乏市场信息整合能力均不被看好，更看好具备营销经验、技术能力且有大模型调教经验的公司。 Q:行业目前处于初级阶段，未来有哪些明确拐点或现象可指示行业明显爆发？A:行业爆发的拐点可关注AI替代搜索引擎的趋势，具体表现为两点现象：一是国内用户使用百度等传统搜索引擎的比例下降，更多转向豆包、元宝等AI产品，核心原因是传统搜索提供的信息价值不足；二是海外Google已将AI回答置于搜索结果首位，显示搜索引擎正转向AI优先的信息入口模式。明确的事件性拐点可观察身边超过半数用户日常使用AI而非搜索，此时行业商业机会将显著增加。Q: AI搜索行业当前对传统搜索引擎的替代率水平及未来替代节奏的时间框架如何？ A:不同AI的使用率存在差异，Google等传统搜索引擎自带AI功能，导致替代率难以准确统计。从身边观察来看，当前AI使用率已从个位数向两位数增长，一两年前约3%，现在呈飞速增长趋势。 Q:公司目前接触较多的客户涉及哪些行业？如金融、教育等方向？ A:金融、保险、法律、医疗及高等教育、成人教育等行业对AI的需求较强，主要因这些行业客单价较高。 Q:公司单项目客户的整包订单金额情况如何？ A:公司不便披露单项目客户整包订单金额，但表示该类项目利润较好。Q:公司上一代SU技术与当前GU技术的业务模型差别是否在于GU要求信源更精准、权威且触达率及转化率更高？在此背景下，GU团队人员规模是否较SEO更小？运营、销售人员及技术成本是否更低？ A:成本方面暂无法确定，但GU对人员素质及能力要求与SEO不同。SEO依赖量大出奇迹，人员素质要求较低，主要关注页面、配置link等工作；GU对技术及内容制作人员的素质要求更高，且需思考更全面的问题。从营销行业及互联网发展趋势看，未来人员数量会减少，例如研发项目过去需50人，现在仅需20人，通过提升人员质量及利用AI替代劳动性工作，可实现更优结果，这一趋势适用于包括GU在内的整个行业。 Q:上一代SEO团队在销售、运营、技术、管理维度的人员构成如何，当前GEO团队的人员规模是否更小，研发人员占比是否更多？ A:销售与管理岗位职责与此前差异不大，销售负责客户对接，管理负责内部协调；运营方面，过去SEO侧重站外资源运营，当前GEO侧重内容结构与内容策略；技术方面，过去SEO侧重页面调整，当前GEO侧重大模型RAG信源优化；团队名称与结构差异不大，但人员能力要求不同。 Q:各个大模型对信源的rank偏好存在差异，能否说明Deepseek、Kimi、豆包等大模型的信源偏好，及重点做其中一个大模型时的技术路径？ A:大模型信源偏好属于商业差异点，可从模型训练本源分析思路：开源模型训练需数据源，涉及prechain、反chain、调优、蒸馏等流程，训练基于符号间逻辑；RAG作为实时信息通道，其配置与模型实时信息获取路径相关，例如Grok的RAG偏好推特，Google的RAG偏好自家在线书、专利及高PageRank网站；重点做某大模型时，需关注其训练方式及信息来源优势。 Q:信源质量的判断标准是什么？ A:信源质量的判断标准由AI定义，不仅考虑信源的来源网站，还会关注资料整理及问题解释的通透度；例如，权威但回答模棱两可、逻辑混乱的信源，可信度可能低于非权威但回答清晰透彻的信源。 Q:国内对GU的讨论度较高，海外是否已有GU技术领先的公司、巨头或一级市场公司？ A:目前海外尚未有GU技术领先的公司、巨头或一级市场公司，因AI仅快速发展两年多时间，未来预计会出现相关领先企业。 Q:广告代理商业务的优势体现在哪些方面？ A: FOA公司多采用外包模式，并非自主开展业务；服务公司技术实力普遍不足，其AI部门多使用第三方工具或外包研发，国内目前暂无服务公司自研AI大模型或AI工具。 Q:大模型厂商在结合商业化进行信息筛选时，如何把握中立性以规避用户对营销的担心？ A:大模型厂商可通过反查机制证伪信息以平衡商业化与中立性。具体而言，一是参考过往信息库判断信息来源的逻辑性与常识性，若信息仅少数渠道提及、分布不符合常识，则大概率为伪造信息；二是通过可信信源交叉验证信息的合理性。未来大模型会逐步完善这一优化过程，以规避用户对营销的担心。 Q:客户衡量转化效果好坏的指标是什么？ A:客户主要通过AI模型回答中是否提及品牌、推荐服务或纳入解决方案等维度衡量转化效果，合作时会在合同中约定相关提及要求，包括从无到有的提及