生成式引擎优化（GEO）：大模型商业化最先探索领域

证券分析师：张良卫、周良玖研究助理：周珂执业证书编号：S0600516070001、S0600517110002、S0600125080006联系电话：021-60197988二零二六年一月十六日 摘要 大模型基于RAG更新优化，GEO应运而生。我们认为搜索引擎类图书管理员角色，通过爬虫索引，基于关键词和外链将信息排序，提供“链接列表”。用户需自行点击、阅读并综合判断，广告主争夺的是Top 10排名；生成式引擎类研究分析师角色，利用RAG技术抓取多源信息，通过大模型语义理解与合成，直接输出单一、连贯的答案，广告主争夺的是Top 3曝光度。GEO本质是大模型的逆向工程，通过探索大模型的“喜好”（例如统计数据植入、权威信源等），使其更容易获取、理解并输出特定数据。 GEO空间远大于SEO。我们认为SEO市场规模提升基于以下乘数效应：1）流量入口发生迁移，ChatGPT、Gemini等AI助理渗透率快速提升；2）流量价值提升。AI搜索用户意图更明确，解决问题需求更强。生成式引擎像“老师”直接指导答案，短期无广，远期或与自然内容融合，因此用户信任度更高；3）随数据归因打通，TAM从广告主的“品牌预算”走向“效果预算”。远期或出现概率拍卖的商业模式，广告商不仅争夺固定广告位，也争夺“大模型输出文本的概率分布”，在不损害回答质量的前提下，让品牌自然融入AI的回答中。 如何布局？ 上游：数据供应与授权层。高质量数据源（白皮书、KOL、社区内容）是确立品牌权威性的关键，品牌需付费确保内容进入优质数据集。建议关注：值得买、视觉中国、人民网、新华网、知乎（美股）、Reddit（美股）等有数据优势的公司。 中游：生成式引擎基础设施层。我们认为大模型远期有望占据产业链核心地位。建议关注：阿里、百度、MiniMax、OpenAI（海外）、Google等。 下游：智能工具与追踪分析层。这些公司填补了市场空白，代表企业如海外的Profound。建议关注：汇量科技、易点天下、迈富时等具备技术禀赋的公司。 下游：配套服务层。其优势和壁垒在于深耕行业和良好的客户基础。建议关注：蓝色光标、利欧股份、引力传媒、思美传媒、浙文互联等。风险提示：模型技术迭代速度不及预期、政策监管趋严、竞争加剧。 目录 1、GEO：What、Why、How 2、空间及商业模式 3、产业链四环节及投资机会 4、风险提示 What：GEO——对大模型商业性内容输出概率的争夺 传统SEO（Web 2.0）充当图书管理员角色——信息排序。它们通过爬虫索引网页，根据关键词匹配度和外链权威性进行排序，最终向用户展示一个链接列表（SERP）。用户需要自行点击链接、阅读内容并综合信息。 生成式引擎充当的是“研究分析师”的角色——输出报告。它们利用检索增强生成（RAG）技术，实时抓取多源信息，通过大模型的语义理解能力进行合成，直接向用户输出一个单一、连贯的自然语言答案。 总结：GEO是一种通过优化内容结构、语义密度和权威性，旨在提升内容在AI生成结果中可见性与被引用率的技术——对大模型商业性内容输出概率的争夺 •关键差异：SEO争夺的是Top 10的“排名”；GEO争夺的是Top 3的“被包含”（Inclusion）。•竞争态势：由于引用名额极少，呈现极强的“赢家通吃”特征。•GEO不仅关注内容能否被检索到，更关注内容是否具备被大模型“理解”并“重组”的价值。 优化策略与数据支撑大模型偏好：AI偏好“高事实密度”（Fact-Dense）的内容。具体手段包括增加统计数据、权威引文、清晰的逻辑结构。 商业现状与未来演变路径：从PC时代到AI时代，媒介在变，但“精准曝光”的商业本质未变。市场验证：目前百度搜索广告技术栈中，约40%已转型为GEO相关技术。 Why：GEO如何实现效果——一切都是因为有RAG 核心挑战：AI引擎的“黑盒”属性不同于SEO提供的透明工具（Google），AI引 擎（OpenAI, Anthropic）隐藏了算法权重。GEO本质上是逆向工程。 GEO底层逻辑 GEO策略 分块策略 AI不会读取全网所有长文，而是读取切分后的“块（Chunk）”。 GEO业务流程案例 第一阶段：AI可见性审计与分析 •在六大主流平台模拟提问（如针对品牌下的10个产品进行100次提问）。•分析品牌在AI中的排名、内容时效性及准确性（是否存在过时或错误信息）。•输出诊断报告，确定急需优化的产品及表现良好的产品。 第二阶段：意图图谱构建与策略制定 •梳理用户典型问法和意图分布（区分高流量问题与高转化率问题）。•竞品分析：分析在特定问题下，竞品与自身品牌的排名对比、AI回答中提及的优劣势。•目标设定：确定优化周期、内容矩阵规划、关键词优先级排序及KPI（达成何种内容呈现）。 第三阶段：内容建设与分发 •内容生产：基于问答矩阵生产结构化内容。•语义标注（关键）：对内容进行语义标注和E-A-T（专业性、权威性、可信度）优化，使大模型能“听懂”。•多平台分发：根据甲方需求和模型偏好（如有的模型偏向党央媒，有的偏向自身生态）进行分发。 第四阶段：持续监测与迭代 •利用系统模拟真人提问，采集大模型回复数据。•分析排名与效果，调整优化策略，形成循环迭代。 How：如何构建GEO核心能力 #GEO公司的核心能力构建 •用户意图洞察：基于搜索引擎经验，理解用户如何提问以及期待什么样的答案（AI回复需经过多次交互才能达到用户满意，需理解这一过程）。 •文章结构与语义理解：必须使用AI能理解的语言结构（如明确实体名称、时间、地址等），做好数据标注。 •平台权重分析：识别不同大模型偏好哪些媒体源（权威性高、权重高），通过系统监测AI引用来源占比，降低人工试错成本。 #行业公司类型及能力差异 •第一类（纯软件/自动化）：利用软件自动在免费平台（百家号、搜狐号等）大量生成并发布AI文章。无法承诺效果，属于“一锤子买卖”。•第二类（人工+半自动化）：人工撰写或修改内容并发布，比较负责，但缺乏系统监测，不知道各平台对AI友好度的实时变化（如某平台可能因内容泛滥被降权）。•第三类（Agent+系统监测）：训练自己的Agent（智能体），能生成符合AI结构的内容；拥有实时监测系统，能根据平台友好度变化（如某月A平台好，下月B平台好）动态调整分发策略。 2.空间及商业模式 空间：GEO增速↑ ↑ ↑=流量占比↑*AI流量价值↑*归因能力↑ 结论：GEO空间>>SEO空间；GEO增速↑ ↑ ↑=Chatbot/Agent流量占比↑*AI流量价值↑*归因能力↑ ①Chatbot/Agent流量占比↑ •流量入口发生根本性迁移：模型能力↑Agent体验↑ •AIGC使用率↑：近2/3的用户使用LLM服务来回答问题，而1/3的用户将其视为工作助手；抖音快手平台内容中约30%涉及AI生成 ②AI流量价值↑ •AIGC信任度↑：已有超过8成用户通过AI获取消费信息，近35%消费者每日高频互动；用户选择AI是因为目前AI界面无明显“广告”标识，信任度较高•零点击搜索占比↑：随Google AI Overviews的推出，大量简单查询直接在搜索结果页得到满足。企业被迫从争夺“点击”转向争夺“品牌曝光”和“心智植入” ③归因能力↑ •现状：GEO目前难以精准归因（数据链断层，无法像SEO那样直接跳转购买（超链形式）），因此主要占用品牌的“品牌预算”而非“效果预算”，价值量相对较小。随数据归因打通，GEO价值将超过SEO。因为AI直接影响用户决策，且体验优于传统搜索 商业化展望：模式上，LLM原生广告与“概率拍卖”的可能性 #现状 目前的AI广告形式仍带有传统搜索广告的影子，主要表现为在AI生成的答案周边“硬插入”广告位。Perplexity的“赞助后续问题”：用户询问“最好的跑鞋”，AI回答后，系统会推荐一个赞助问题“Nike最新的跑鞋有哪些科技突破？”品牌方购买的是这个提问的引导权，但回答内容仍由AI生成。 Google AI Overviews广告：在AI生成的摘要上方或下方展示传统的购物广告（Shopping Ads）。这是一种割裂的体验，广告与内容是分离的。 #未来：LLM原生广告与“概率拍卖” LLM-Auction（大模型拍卖）未来的广告拍卖将不再是争夺一个固定的“广告位”，而是争夺大模型输出文本的概率分布。 •机制原理：广告商对特定的“概念”（如“高性能笔记本”）进行出价。当用户提问相关问题时，LLM会在后台进行一次拍卖。•IRPO算法(Iterative Reward-Preference Optimization)：这是一种迭代式的奖励偏好优化算法。它不仅考虑广告商的出价，还引入了一个“用户体验奖励模型”。如果强行插入广告导致回答质量下降，系统会降低该广告的展示概率。•结果：广告不再是突兀的链接，而是自然地成为回答的一部分。例如，在回答“如何制定旅行计划”时，AI可能会说：“你可以考虑使用Expedia来比价，因为它提供……”这里的品牌提及就是通过概率拍卖赢得的“原生广告”。 商业化展望：一些新的需求 #一系列全新的业务需求和软件产品： •品牌安全与幻觉审计平台(Brand Safety & Hallucination Auditing)需求：在原生广告中，品牌方付费让AI“写”广告。如果AI在生成过程中产生“幻觉”，比如虚构了产品功能或给出了错误的参数，将给品牌带来巨大的法律风险。新产品机会：实时生成内容审计系统。这种软件类似于现在的Brand Safety工具，但它需要在AI生成的毫秒级时间内，利用一个小模型（Oracle Model）核对生成内容与品牌事实库（Fact Sheet）的一致性，确保“零幻觉”投放。•概率归因与影响力衡量系统(Probabilistic Attribution Modeling)需求：当广告融入文本且没有直接点击链接时，如何证明广告效果？传统的“最后点击归因”失效。新产品机会：增量影响力归因模型。基于统计学和因果推断，通过分析“AI提及率”的波动与品牌自然流量、搜索量之间的相关性，来衡量原生广告的价值。Relixir目前的尝试是一个开端，但未来需要更复杂的数学模型。•“可引用性”评分与优化引擎(Cite-Worthiness Scoring Engine)需求：为了在有机结果或低成本广告中胜出，内容必须极度符合AI的胃口。新产品机会：AI阅读理解模拟器。这种工具不是检查SEO关键词，而是模拟GPT-5或Claude的阅读逻辑，对内容的“信息密度”、“实体清晰度”、“逻辑自洽性”进行打分，并自动重写为“AI易读”的格式。Sight AI已经在做类似的尝试。•代理式商务中间件(Agentic Commerce Middleware)需求：广告的终极目标是交易。未来的AI广告不仅是展示，而是直接执行。新产品机会：品牌代理中间件（Brand Agent Middleware）。这是一种连接品牌电商后台（如Shopify, Salesforce）与大模型上下文窗口的API服务。它允许AI在对话中直接调用库存、价格信息，甚至完成下单。Microsoft Copilot Checkout就是这类基础设施的雏形。 #现有探索案例 •Microsoft:推出了Copilot Checkout，允许用户在对话中直接购买商品，并在Shopify商家端推出了“Brand Agents”，让商家训练自己的AI代理来接管对话。•Atomic AGI:正在开发针对AI可见性的综合操作系统，试图整合分析与优化，虽然尚未完全实现上述愿景，但方向一致。•Relixir:通过将访客识别与CRM结合，实际上正在构建一种新型的归因和转化基础设施。 3.产业链四环节及投资机会 上游：数据供应与授权层——早期有望率先受益 这是GEO产业链中最新涌现且至关重要的一环。大模型的训练需要海量的高质量数据，而优质数据