社区

如今，AI 生成式引擎正在成为新一代信息入口。当 AI 给出答案时，里面有没有你、怎么描述你，已经不由你的官网和广告决定——而对多数品牌来说更棘手的是，这一切你根本看不见。

为了对GEO的现状和未来有个更清晰的认知，Fmarketing策划了《对话GEO》。本期，深演智能( $深演智能(02723)$ )联合创始人兼COO谢鹏 聊聊GEO解决什么问题、跟SEO是什么关系、效果怎么衡量，以及它会走向哪里。GEO = Generative Engine Optimization，生成式引擎优化。

谢鹏 深演智能联合创始人兼COO

1、您如何看待 GEO？它将对营销产生怎样的影响？

今天在结构性碎片化的网络上，品牌在影响用户，用户（粉丝、KOL）在影响用户，AI大模型也在影响用户。

用户找供应商、选品牌、做决策，正在从“搜索”变成“问 AI”。过去用户看到搜索结果里一整屏的蓝色链接，自己挑选、比对、点击；今天他问一句“面霜推荐一款”，AI 直接给出若干个个名字和一段理由——这几个AI大模型答案里的名字，大概率就是用户的考虑集。

品牌的竞争，由此从“在货架上争位置”，变成了“在AI大模型的答案里争一句话”。

所以我对 GEO 的定义很直接：让品牌在 AI 生成的答案里，被看见、被正确地看见、被优先推荐。它管的不是流量，是用户决策的考虑集和认知这一层。

GEO对营销运营的影响有三层：一是作用环节前置——用户几乎还没接触媒介，AI 已替他筛掉大部分选项，进不了考虑集，后面投放都会被稀释；二是品牌资产形态变了——要从“网页和广告”沉淀为“可被 AI 理解、愿意引用的可信知识体”；三是AI大模型的决策方式——AI 对于品牌的理解，和品牌自己的定义未必一致。

补一句边界：豆包、千问、元宝已在答案里挂出商品卡，能直接跳抖店、淘宝、京东成交，但那一层是平台方的商业闭环在起作用。GEO 是入场券和叙述权，不是收银台。

2、深演智能是如何切入 GEO 的？

准确说，我们是“被客户的难题推着进来的”。

深演有 17 年底子，路径一直没变——“让 AI 赋能决策”：从智能投放平台 AlphaDesk，到用户数据运营平台 AlphaData，再到企业级 AI 智能体平台 DeepAgent，本质都是把“该由人拍脑袋”的决策交给 AI 。变化发生在用户行为习惯。用户在哪里，我们就要帮助品牌去哪里触达、了解、影响和转换用户。今天用户相当大比例的时间转移到AI搜索上，我们当然就要关注这里对于品牌传播造成了什么影响。

我们从进入GEO领域，就坚持着一贯的科学方法，从洞察开始，而不是盲目去帮着客户发稿子。没有度量，就没有优化；没有归因，就不知道钱花在哪儿。 这跟程序化广告起来时一样——行业先解决“可测量”，才谈得上“可优化”。

但这里真正难的，不是想清楚，而是把它打造成有产品支撑的服务能力。深演做过 17 年数据、算法和软件交付，我们把这些积累沉淀在GEO洞察产品里面：先建诊断，输出展示度、SOV 声量、推荐排名、信源引用、正负向情感、认知偏差；再出策略，明确该选择哪些用户常问的关键词、主攻哪个模型、重视哪类信源；最后做归因，算清内容有没有被引用，数据回流重新诊断。

深演为客户提供的一整套GEO优化服务，背后靠 DeepAgent 平台上的 7 个 Agent 协同驱动——它不是一套写死的脚本，而是一个能自我优化的决策引擎。换句话说，GEO 在深演不是“接个项目做一单”，而是一个可以持续运转、越用越准的智能体闭环优化能力。

3、 目前市场的 GEO 公司可以分为哪些派别？

行业尚无定论，我按观察划分五类：

SEO / 流量延伸派——传统 SEO 服务商、搜索代理。熟悉关键词和外链，有内容产能，惯性是把 GEO 当“SEO 升级版”：堆词、铺量。能解决“有没有内容”，但缺度量和归因。

内容 / 公关派——公关公司、内容代运营、MCN。懂用户、懂选题、有媒体和达人资源，这正是“建设权威信源”需要的能力，但通常止步于内容生产。

技术 / 数据智能派——像深演这样的数据与 AI 技术公司、MarTech 厂商。先解决“可测量”“可决策”，把 GEO 做成可复算、可追溯的系统；短板是内容产能和媒体关系要靠生态补。

模型与平台方派——大模型厂商的商业化工具、AI 搜索的内容合作入口。离答案近、效率高，但平台方基本上不做“帮单个品牌优化”的活儿。

咨询 / 培训派——方法论输出、培训、行业研究。早期有启蒙价值，难独立交付结果。

我的判断是：这五派不会长期并存。 GEO 的终局需要同时具备“诊断—策略—内容—归因”四种能力。单一基因的公司要么补齐，要么被整合。这也是我们把 DeepGEO 做成产品系统而不是人力服务的原因——能力要能规模化、标准化地交付，靠人堆是堆不出复利的。

4、深演在 GEO 上的核心优势是什么？

讲四点，这四点其实也是我们作为一家AI赋能决策型公司的底层能力。

第一，把“看不见”变成“可量化”的运营基线。 GEO 难的不是写内容，是不知道自己现在什么样。人工抽查只能得到偶然结果——今天问一次、明天问一次，答案还不一样。DeepGEO 做的是大规模的采集：多模型、多场景、多轮次，把回答抓回来结构化解析，让原本难以解释的 GEO 过程变得可看清、可诊断、可决策，实现GEO彻底“白盒化”。没有这一步，后面的策略都是拍脑袋。

第二，Agent 驱动的闭环，而不是“人工做一单是一单”。 7 个 Agent 各司其职：两个看清现状、两个定策略、两个落地内容、最后一个算效果并把数据回流。关键在于“回流”——归因结果自动触发新一轮诊断。 这是 Agentic GEO 跟传统人工服务的差别：前者是复利，后者是线性。对我们来说，这意味着同样的人力可以服务更多客户，且每个客户的命中率还在提升。

第三，17 年沉淀的行业资产、信源资产与交付网络。 技术模型谁都能搭，但几样东西比较难复制：一是行业 know-how——汽车、美妆、快消、金融的用户问法、决策阶段、信源偏好千差万别；二是真实可信的公共信源网络——权威信源是“养”出来的，不是买或堆出来的；三是我们多年服务头部客户磨出来的交付节奏和品控。目前 DeepGEO 已在美妆、汽车、零售等多个头部客户落地。

第四，白帽立场与可治理能力。 我们从产品设计上就拒绝“灌词、埋指令等”，内容诊断从结构、语义清晰度、信息深度、信源真实性四个维度扫描，只有符合 E-E-A-T的内容才会被推荐生产，过程留痕。品牌要的是长期资产，不是随时可能归零的投机。

5、广告主该如何选择 GEO 服务商？

作为一家把 GEO 当长期生意来做的公司，我们给广告主的建议，其实也是我们对自己的要求。八条标准，前四条一票否决，后四条加分。

一票否决：

① 不诊断就报价的，不选——连“你的品牌现在在 AI 里什么样”都说不清，就直接给套餐、给篇数、给保排名承诺的，卖的是内容不是 GEO。

② 没有可量化指标口径的，不选——展示度怎么算？SOV 怎么定义？采集了多少问题、多少模型？只能给一张“AI 提到我们 N 次”截图的，那不是指标，是轶事。

③ 承诺保排名、保 ROI 的，慎选——大模型回答是概率生成的，没人能控制绝对结果。

④ 用黑帽手法的，直接排除——问他内容标准是什么，有没有作者署名、数据来源、出处标注。

加分项：

⑤ 有没有闭环归因能力——能不能批量录入已发布链接，分模型、分问题统计每篇的引用次数？没有归因，就难有持续优化。

⑥ 有没有行业 know-how——让他现场说出你这个行业的问题集和信源偏好：汽车重汽车媒体、车主社区和权威测评；美妆重博主、美妆媒体、电商社区。

⑦ 有没有真实的信源网络——权威信源是养出来的，要看能不能争取自然的反向链接。

⑧ 能不能跟一方数据打通——把 AI 可见度跟官网流量、品牌搜索量、咨询量、留资对齐。

补一句心态：GEO 是长期资产建设，不是一波流。 选服务商像是选一个能陪你跑两三年的伙伴，而不是找一个便宜的执行方。

6、提到 GEO 就会想到 SEO，两者是什么关系？

我的判断是：同源不同层，SEO 是地基，GEO 是地基之上的新一层；不是替代，而是叠加与迁移。

底层命题一样——用户主动表达需求时，让品牌更好地出现；抓手也高度重合：内容、信源、结构化、权威性。所以 SEO 做得好的品牌，做 GEO 有先发优势，信源资产是现成的。

两者区分在五个维度：优化对象（蓝链接排名 vs AI 回答中的引用与叙述）、成功指标（排名点击 vs 展示度、SOV、推荐位次、引用率、情感倾向）、信任信号（外链权重 vs 引用权威与 E-E-A-T）、内容逻辑（关键词密度 vs 语义清晰、可抽取性、出处真实）、作用层面（检索层 vs 生成层）。

关键的是“作用层面”：SEO 决定“页面能不能被检索到”，GEO 决定“内容能不能被 AI 抽出来、写进答案、并且说对”。 这也解释了为什么很多品牌 SEO 做得很好，在 AI 里却查无此人——内容排得靠前，但不具备可被引用的结构。

还有个关键差别：SEO 的结果确定、可复现，搜一个词第一名就是第一名；GEO 的结果概率化、多模型不一致，同一个问题豆包、DeepSeek、千问、Kimi 的答案可能完全不同，隔几天再问还可能变。所以 GEO 不能靠人工抽查，须靠大规模采集和统计。

7、广告主怎么看 GEO？投入情况如何？

从商业化视角，这个市场过去一年的变化比很多人想象得快。按认知深度分三类：

观望与试探（占比在下降）：传统行业和中小品牌。知道重要，但说不清该找谁、该花多少钱。痛点不是预算，是没有判断标准——报价从几万到几百万都有，交付物差别又说不清。

立项试点（目前主流）：美妆、汽车、快消、3C 头部品牌为主，市场部牵头，从内容营销或 SEO 预算中切一块做专项，项目制、半年到一年周期。

体系化投入（在增加）：少数头部品牌已把 GEO 写进年度规划，成立跨部门虚拟小组。这类客户问的问题明显不一样——而是问“指标口径怎么定”“内容中台怎么跟 GEO 打通”。

投入有四个趋势：

① 预算以迁移为主——不是凭空新增，而是把 SEO、内容代运营、部分公关发稿的钱迁过来。

② 计价正从“按篇数”转向“按效果指标”——越来越多客户要求按“可见度提升”“TOP3 占比”对赌，这是行业走向成熟的信号。

③ 行业集中度高——美妆、汽车、快消、3C、金融走在前面；B2B 和服务类起步晚但增长快，因为这类场景恰恰没有商品卡，AI 的回答几乎就是全部决策依据。

④ 决策权在上移——GEO 涉及品牌叙事、内容资产、数据合规，越来越多由 CMO 甚至更高层在看。

最后强调：GEO 的投入不是“买一波曝光”，是在建设一种新型品牌资产——可信知识体。 特点是前期慢、后期复利。

8、GEO 的效果当下该如何衡量？

这是我们被客户追问多、也不容含糊的地方。三层：指标体系是基础，归因闭环是关键，可复算是底线。

第一层：六个核心指标，回答“我在 AI 里什么样”。 展示度 / 可见度、SOV 声量、推荐排名、信源引用频次、正负向情感、认知偏差。这六个指标必须分模型、分场景、分问题集来看——笼统的“可见度 60%”没有意义，必须说清是哪个模型、哪类问题、跟谁比、什么时间窗口。还要提醒：单一指标容易被操纵，只看可见度服务商可以刷，只看引用量可以堆低质内容。尤其要盯情感与认知偏差——被提到但描述错了，比不被提到更糟。

第二层：归因闭环，回答“哪篇内容真的有用”。 把已发布内容链接批量录入系统，分模型、分问题统计每篇的引用次数和影响范围，量化文章的真实贡献，才知道钱该继续往哪儿投。数据回流后重新诊断，闭环持续优化。

最后一层：三原则——可复算、可归因、可审计。 可复算，是别人用同样方法能得出同样结论；可归因，是投入能对应到具体内容、信源和动作；可审计，是过程留痕、拒绝黑帽、经得起第三方审定。

现在很多品牌的困扰不是没数据，是数据太多、口径太乱、各家自说自话。这也是深演在推动行业标准的第一个议题：可见度 / SOV 的统一测量口径。GEO 要成为一门正经生意，先得有一把大家公认的尺子。

9、长远来看，GEO 会呈现怎样的发展趋势？

先是三步走：

现在（GEO 1.0）：内容优化 + 可见度，解决“被 AI 推荐”，这是绝大多数品牌所处的阶段。

中期（GEO 2.0）：可量化闭环 + 与业务数据打通，解决“被推荐且带来增长”，GEO 进入企业常规营销考核体系。

长期（GEM，生成式引擎营销）：当 AI 搜索完成商业化，AI 会成为用户的“采购代理”。到那时品牌要建设的不只是给人看的官网，而是 Sales Agent / AI 原生的销售接口——能直接跟 AI 沟通、验证真实性、处理询价的机器对机器接口。今天答案里挂的商品卡，就是这个方向的雏形。

再是五个具体趋势：

① 从“内容优化”走向“认知资产管理”——品牌核心资产会从“网页和广告”变成“可信知识体”：结构化、有出处、可追溯、能被 AI 直接抽取。

② 从“人工服务”走向 Agentic——大规模采集、多模型差异、持续迭代，人力做不动。未来竞争的是 Agent 工作流：谁能把“诊断—策略—内容—归因”跑成自动闭环，谁就有复利。

③ 从“黑帽投机”走向“白帽治理与标准化”——信源可信度分级、内容 GEO 规范、效果归因标准会逐步成型，第三方中立审计会成为基础设施。我们也在参与一些行业协会的GEO团体标准制定工作，里面有品牌客户、同行、媒体和 AI 厂商。GEO 不该重蹈 SEO 时代被低质内容污染的后尘。

④ 从“独立产品”走向“企业 AI 平台的基础模块”——未来 1–2 年 GEO 会保持独立产品形态；更长期看，“信源建设 + 认知诊断 + 内容闭环”会沉淀为企业 AI 平台的基础能力，和 CDP、MA、投放一起构成企业的“对外决策接口”。能力会沉淀，形态会融合。

⑤ 从“给人看”走向“人机双读”——内容要同时服务两类读者：人类读者要可读、有说服力；AI 读者要可抽取、可验证、可引用。这会倒逼内容生产的流程重构。

最后一句整体判断：GEO 现在还处在“从投机走向科学”的拐点上。 这个阶段品牌该做的，不是找一家便宜的服务商发几百篇稿子，而是建立一套能持续看清、决策、执行并验证的能力。工具会变、模型会变、平台规则会变，但“把 AI 认知变成可量化、可归因、可治理的资产”这件事不会变。