详解「真·GEO」：本质、实现路径、归因逻辑｜对话Pallas AI

深响持续关注AI营销：

GEO乱象｜广告4A的AI跃进｜详解千问豆包元宝的营销长跑｜AI营销的阴暗面 ｜戛纳AI大讨论｜AI TVC｜百度AI营销｜优酷AI营销 ｜ 快手AI营销｜阿里妈妈AI落地｜微软AI营销｜专访X（Twitter）｜专访钛动

©️深响原创 · 作者｜刘亚澜

AI营销正经历冰火两重天。

一边是“养龙虾”不断破圈，A2A（Agent to Agent）营销走上舞台；另一边则是警钟敲响，央视315曝光GEO乱象，恶意“投毒”AI大模型，干扰AI的判断，使其输出带有商业倾向甚至虚假的信息。显然，在真实的AI营销和大众认知甚至行业认知之间存在着巨大的信息差。

最近，我们访谈到Pallas AI创始人Ethan，他在阿里有10年算法经验，也是前蚂蚁Ling大模型首席架构师，其创立的Pallas AI是市场上首款提供标准化产品的 GEO AI Agent，并已获得两笔投资，累计融资超千万人民币。

“你想投毒会变得越来越困难。如果AI能在秒级阅读几千篇文章，你需要投多少稿件才能影响它的判断？AI会越来越聪明，所以这种恶意竞争的商业模式无法成立。”Ethan告诉「深响」：“在 AI 时代，恶意竞争的性价比极低。企业唯一能做的就是踏踏实实地做好自己的事情。”

围绕GEO与AI营销，我们核心讨论了以下关键问题：

GEO与SEO的核心区别、GEO的实现路径、GEO的归因逻辑“全民养虾”对品牌意味着哪些机会？A2A营销又是什么？直面AI营销的种种挑战，广告主可以做哪些准备？

GEO的误区思考：什么才是真正的GEO？

虽然现在GEO被黑灰产搞得污名化，但Ethan并没有回避这个词。他希望客户和行业能由此真正思考到底什么是GEO。

他认为，GEO并不是在AI里排名和露出的问题，而是如何让AI理解你。GEO是帮助企业在内容输出端，专门面向 AI 再做一次营销，把企业的内容，用 AI 能听懂、能深度理解的逻辑重新整合一遍，确保 AI 获取到足够完整、准确的信息，进而向用户做出有效推荐。

“大家对GEO最大的误解是混淆了GEO和SEO。两者的核心区别不在于优化的平台，而在于指标衡量方式。大家还是会把可见性、排名、首推率、推荐率这些当成重要指标。但GEO 真正的最终指标可能是多样性覆盖率（Diversity Coverage）以及转化效果。”

在
SEO 时代，排名第一还是第五是决定生死的“最终指标”。但在 GEO 时代，用户 Prompt（提问）是极度个性化且长尾的，平均长度达到
23-27 个词，这意味着以前那种“守住几个核心关键词”的逻辑彻底失效了。AI 时代没有所谓的“热门
Prompt”，企业需要关注的是：在无数个长尾、碎片化的用户意图场景下，你的品牌是否都能通过真实的“证据”出现在 AI
的答案里——这也就是多样性覆盖。

Pallas AI营销图谱示意

目前的GEO行业，大致有两种路线，一种是“博弈”，研究模型的偏好，试图“黑”进推荐算法，找到AI的推荐规律；另一种则是 Pallas AI坚持的“共建”。

找规律的方法在短期内可能见效，但壁垒极低。随着模型智能度的飞速提升，尤其是上下文（Context）窗口突破千万级甚至上亿级别时，AI 能够拉回全行业的所有信息，所谓的“排名规则”将不复存在。Ethan认为，GEO 不应是去“黑”模型的偏好，而是通过补齐内容的“供给差异”，与模型实现共建。

“模型为什么要搜索？是为了找到更实时、准确的信息来提升回复质量。这可能才是模型最本质、第一性需要的东西。”Ethan告诉「深响」：“那我们就要找到内容的供给差异（Gap），实时补充企业迭代的信息，提升模型回复的准确性。”

具体而言，Pallas AI通过五个基本步骤来实现：

背景调查：明确营销实体是品牌还是产品线还是单一产品，并通过Agent对行业、竞品、用户画像做深度研究；营销定向：为企业建立图谱，找准用户、场景、意图；分析监控：明确定向范围后初步执行，并触发监控从而获取数据反馈；生成策略：基于数据发现优化机会点，包括内容缺口，信息缺失点等；内容生成：结合机会点需求，围绕客户背景调查及知识库和全网评测信息来生成大纲、寻找证据（Evidence）并进行真实性校验，最后发布并完成闭环。

以上的流程，是一个完整的GEO周期。这也是所谓“野生服务商”很难具备的系统性能力。它们看上去复杂，但在Pallas AI中，基本一天内就可以完成。

AI营销的FOMO与真·浪潮

其实现在AI营销的痛点并非技术，而是使用者的畏难情绪和弥漫在行业里的焦虑感。

就拿最近火热的“全民养虾”来说，从初创团队到大厂高管，似乎人人都在“养虾”，这种热潮迅速演变成了一种新型的
FOMO（Fear of Missing Out错失恐惧）：如果我还没弄明白龙虾是什么，是不是就要被 AI
时代抛弃了？如果我的品牌还没做AI营销，是不是就要错过下一个抖音、下一个小红书了？

在Ethan看来，这种情绪需要降温。他建议广告主关注龙虾的普及率：“当前养龙虾的还是AI圈、互联网圈，没有「全民」，虽然范围在一点点地扩大，但这还是一个逐渐渗透的过程。这个速度对比2023年底ChatGPT达到1亿DAU，我觉得还是差很远的。”

但不焦虑的同时，我们也需要弄清背后的营销趋势。“龙虾未必只是它表现出来的样子，它实际上是用户交互的入口。”Ethan指出，当交互入口从 ChatGPT、豆包等公共平台转移到用户“自己的龙虾”上时，流量的分发权也随之位移。因为“自己的龙虾”拥有用户更多的私有上下文（Context），用户对它的信任度远超通用大模型。

对于广告主而言，这种趋势背后的商业逻辑确实不同以往。落到具体的营销范式上，这就是A2A营销的前奏。

在去年年底，A2A
听起来还很遥远，但随着个人与企业间协议层的实验展开，这种形态正在加速落地。想象一个场景：你需要买一条 1 米 93
的人穿的长裤。在传统电商时代，你需要反复搜索、比价、看评论；但在 A2A 时代，你的 Agent 会直接带着需求去询问多家品牌方的 Agent。

由此，归因的逻辑也会不一样：过去，人是第一行动者，点击、浏览、下单，构成了一条完整的用户行为归因路径。这条路线定义了搜索、推荐系统时代的商业模式；而在AI的语境下，AI 是内容的第一阅读者和决策参与者。未来 AI 会帮用户比价、询价，甚至通过协议（如 Instant Checkout 或 ACP）直接拉起支付链路。当订单是由 AI 调起时，我们自然也需要一套全新的归因体系。

多维度归因

面对这样的变化趋势，广告主可以做的准备主要是认知层面和内容层面。认知上，保持好奇、保持对AI营销动态的关注，甚至可以进行一些实验；而内容上的准备更紧迫一些——品牌们必须抓紧积累自己的AI内容资产，即AI可以看懂的、结构化的内容。

Ethan谈到在业务中发现很多品牌的内容非常零散、没有任何图谱结构。“大家的品牌信息、产品信息、用户信息都分散在各处，还有大量的PDF、PPT、视频，缺乏结构化整理。而这个数据信息的结构化管理便是企业接下来的核心壁垒之一。你需要从品牌形象到细分
SKU，再到适配场景和竞品优劣，建立一套完整的管理体系。”

说严重一点，未来用户的 Agent（如龙虾）直接对接企业的 Agent时，如果数据不能从营销人员的脑子里搬出来，变成 Agent 可读的持久化数据单元，品牌就无法接住未来的 A2A 流量。

更多细节思考在「深响」整理后的部分访谈实录中：

GEO的误区

深响：现在市场上对GEO行业误解很多，您觉得最需要澄清的有哪些？

Ethan：最大的误解还是混淆了GEO和SEO。两者的核心区别不在于优化的平台，而在于指标衡量方式。大家还是会把可见性、排名、首推率、推荐率这些当成重要指标。

在 SEO 时代，排名第一还是第五是“最终指标”；但在 GEO 时代，排名只是一个非常“中间的指标”。它只能证明 AI 能够理解并曝光你的产品，但远没有结束。

深响：如果排名不是最终指标，那 GEO 真正的最终指标是什么？

Ethan：我认为可能是多样性覆盖率（Diversity Coverage）以及转化归因。

在搜索引擎时代，其实大部分企业不需要做太多关键词，只要围绕搜索量级跟搜索热度，把核心关键词或者说用户关注的一些关键词做好就可以了。而且你可以比较单次、独立地拿出这些信息，这些也能投SEM。

但在
AI 时代，用户 Prompt 是极度个性化且长尾的（平均 23-27 个词），不存在所谓的“热门
Prompt”。因此，企业需要关注：面向AI营销的时候，你的覆盖率是否在持续提升？你是否挖掘到了用户潜在的真实意图？你通过什么样的证据在补充用户意图？我们买的不是一个可见性，而是
AI 渠道带来的实际营收效果。

这很大程度上也是引导市场的一个过程。AI平台已经在做很多事情了，比如商品卡，千问帮我买、豆包的商品链接，这些东西都在尝试提升用户的效率。那对于GEO厂商，其实应该把这些事情联动起来给企业出一些归因方式，让企业看到自己在GEO上的投入是否带来了营收效果。

深响：但毕竟广告主也需要汇报，我们看到挺多用截图去当结案的。现在的 GEO 归因进展如何？

Ethan：我们的进展是，Agent 已经能监测到商品维度的曝光信息，并汇总到店铺层面，通过连接销量数据来观察相关性。

AI营销归因现在还不完整主要挑战在于行为主体的改变：

传统时代： 人是第一行动者，点击、浏览、下单，构成了一条完整的用户行为归因路径。这条路线定义了搜索、推荐系统时代的商业模式，我觉得是非常合理的。

AI 时代： AI 是内容的第一阅读者和决策参与者。未来 AI 会直接帮用户比价、询价，甚至通过协议（如 Instant Checkout 或 ACP）直接拉起支付链路。当订单是由 AI 调起时，我们需要一套全新的归因体系。

目前海外有一些比较清晰的路线，比如在海外我们可以连接企业客户网站的CDN，包括他们跟AI交互的一些接口信息，我们去监听这些接口是不是被AI调用了。这种情况下我们可以连接后续的AI行为去看最终营收与AI的关联度有多大。

深响：为什么很多 GEO 公司选择从海外市场试水，而不是国内？

Ethan：我觉得大家可能有两个核心关注点。

标准化：如果大家很关注海外市场，大概率是希望做标准化产品，而非重人力的服务方案。公域体系差异：海外跟国内有一个最大的区别，就是海外的网站体系（Website），或者企业的公域体系还活得很好。海外拥有成熟的网站体系，企业在自家官网维护
FAQ 和文章，AI 就能读取，试错成本极低。而国内几乎不看网站了，内容多散落在各类三方媒体平台上，企业需要通过各种中介发稿，成本和门槛更高。

深响：能否详细拆解一个完整的GEO客户服务流程，从初始达成合作到最终效果监测与迭代，一个完整的周期是怎样的？

Ethan：我们将整个流程简化为五步：

背景调查：明确营销实体（品牌还是具体 SKU），通过 Agent 对行业、竞品、用户画像做深度研究Research。营销定向（图谱建立）：给企业做营销定向，绘制营销图谱。明确优化目标之后，找到目标用户，理解这些目标用户会在什么场景使用产品、对产品有哪些疑问、产生哪些意图……我们交付的不是几个 Prompt，而是几十条路径，每条路径下挂载几十个示例 Prompt，追求多样性覆盖。分析监控：设定完整的基准线，让企业选择定向范围以及目标地域、语言，然后去做、去触发我们的整个监控。触发监控后，我们可以直接让企业在5-10

分钟后迅速看到第一次数据反馈，产出原始回复明细和汇总数据。你就能看到AI平台当下是怎么反馈问题的、你在平台的位置如何（可见度、排名、平均位置、好感度、商品卡露出等等）。我们甚至支持企业客户自定义所需要的指标。生成策略：基于上一部的真实数据发现“内容机会点”。比如 AI 在推荐护眼电视时推错了型号，策略就是补充该型号护眼功能的强证据。内容生成（Agent 协作）：我们把自己的内容变成一个“子
Agent”
，它围绕客户背景调查及知识库和全网评测信息来生成大纲、寻找证据（Evidence）并进行真实性校验，最后发布并完成闭环。闭环后我们会把数据指标细粒度再对齐，比如这篇内容有没有被AI引用、被AI引用到的情况下产生了什么样的品牌可见性或者品牌定位的差异性或者效果提升，围绕这些提升效果我们再怎样生成策略、持续推进。

这以上的流程，是一个完整周期。基本上一天内，是可以完成一个直接闭环的。当然我们的Agent用起来，确实也有一些学习成本，一些营销人员对Agent还不是很了解，大家可以通过把问题抛给Agent来解决。我们做了很多优化，也有一些培训，客户不用担心这些会烧credits。

深响：市场上有些GEO公司主要研究模型偏好、投其所好，你们的思路似乎不太一样？

Ethan：确实很多团队都在看搜索引擎的ranking（排名）是怎么去做的，用过去的思路来看AI模型。我觉得这种思路是“博弈”。博弈在短期内会有收益，有结果，但我非常不看好。

模型智能度正在飞速提升，当 AI 连复杂的数学公式和长文本都能深度理解时，所谓的理解模型的“内容偏好”的差异（比如99 分与 100 分的差距）会变得微乎其微。 搜索引擎时代，SEO去研究排名规则有用，是因为规则不会频繁变化。

更重要的是，下一个时代，当模型的上下文（Context）突破千万甚至上亿 Token 时，排名（Ranking）将不再重要，你能把这个行业的全部信息都拉回来。博弈者的壁垒会随着模型迭代而消解。 这时候你的优势又是什么呢？

我们在思考——模型为什么要搜索？为什么不能直接回复结果？因为搜索是为了找到更实时、更多方、更准确的信息来提升模型本身回复的准确性。这可能才是模型最本质、第一性需要的东西。那么我们做GEO怎么去扩大模型这方面的优势？

我们的思路是共建：模型搜索是为了获取更实时、准确的信息。那我们就要找到内容的“供给差异（Gap）”，实时补充企业迭代的信息，提升模型回复的准确性。这种生态共建模式在中长期是可持续的，因为模型永远需要这样的实时信息去回答用户源源不断的个性化的问题。

我们唯一关注的是渠道偏好，模型在哪些地方能看见内容、在哪些地方看不见内容，它的渠道偏好对我们来说就是0和1的区别。

直面AI营销的挑战

深响：品牌主现在应该如何积累自己的 AI 内容资产？

Ethan：这是一个特别好的问题，也是我们发现的痛点。现在很多企业客户，他们的内容是非常零散、没有任何图谱结构的。大家的品牌信息、产品信息、用户信息都分散在各处，还有大量的PDF、PPT、视频，缺乏结构化整理。而这个数据信息的结构化管理确实是企业接下来的核心壁垒之一。你需要从品牌形象到细分
SKU，再到适配场景和竞品优劣，建立一套完整的管理体系。

这个结构其实以前就有，在营销人员的脑子里——我的产品线什么样、行业线怎么样、产品直接怎么联动、节点营销什么组合拳，这些是有的，只是没有被梳理好。

未来商业模式会变成：用户的 Agent（如龙虾）直接对接企业的 Agent。如果你的数据不能从营销人员的脑子里搬出来，变成 Agent 可读的持久化数据单元，你就无法接住未来的 A2A 流量。

深响：这是对内容结构的要求。那么具体到内容本身呢？我们需要让内容更像“论文”来让AI更容易读懂吗？

Ethan：我觉得至少文学性的语言包括可能偏向于营销性的语言会减少，但它到底是不是一篇论文，我觉得也没专业到那种程度。它的专业度在于你的信息可信、你是不是有一些引证单元，如果说这个引证单元有“论文”的结构的话，那你确实是可以保持这样的结构，让
AI 更可信一些。

深响：营销内容往往需要夸张（比如“遥遥领先”），这与 AI 要求的真实性是否冲突？

Ethan： 我们需要把“实”的论据（Evidence）与“虚”的调性（Slogan/Tone）拆分开。 AI 作为一个“新销售”，你不能只告诉它“遥遥领先”，它理解不了这种调性。你需要告诉它准确的参数和场景适配度，同时明确告知它品牌的价值观。

在生成内容时，我们会区分“主观表达”与“客观证据”。如果只是通过简单的 Prompt 堆砌营销辞令，那是在制造“垃圾语料”，AI 的判断力远超个体用户，这种低质污染在未来没有商业性价比。

深响：如何应对竞品的 AI 恶意差评或污染？

Ethan： 你想投毒会变得越来越困难。如果AI能在秒级阅读几千篇文章，你需要投多少稿件才能影响它的判断？AI会越来越聪明，所以这种恶意竞争的商业模式无法成立。

在 AI 时代，黑别人的性价比极低。我们很期待AI时代，大家的博弈手段失效了，以前的很多负向竞争/恶意竞争失效，这时候企业唯一能做的就是踏踏实实地做好自己的事情。

深响：品牌方该如何判断 AI 营销服务商的水平？

Ethan：很难直接判断，水平太参差不齐了。我不建议
KA 企业找外部服务商做独立的 GEO，因为这应该是一个内部转岗组建团队、与现有营销衔接的过程。 对于非 KA 企业，建议使用标准化的
Agent 工具。服务商的消耗太高且结果难量化，容易导致企业在 FOMO 和“被割韭菜”的挫败感中死循环。

现在大家把GEO做为战略预算，它的营销占比当前不会太大，但会持续增加。所以企业还是先有认知，低成本地在这个事情上做积累和探索比较好。

深响：从营销服务商转型而来的AI营销公司会积累了很多过去的营销数据、用户洞察，他们的Agent会有更多的“经验”吗？

Ethan：营销公司积累的数据大多是营销行为数据。这个数据是可以拿来训练的，比如什么情况下操作点击、曝光，它的竞价大概多少，围绕这些可以做竞价bidding模型、操盘手策略。

在Pallas

AI当前的视角上，我们只做数据积累，没有做任何训练，因为我们认为我们帮企业去理解的更多的是企业的营销内容数据，包括用户的内容数据。这些数据不需要去训练。如果Agent公司宣称这方面是有壁垒、宣称自己在训练模型的，通常是面向投资人不得不做的一件事。

你可以这样想，如果你拿到了部分局部数据进行训练，而ChatGPT又更新了版本，你觉得谁厉害？当前Agent公司从模型的维度去建立壁垒、构建闭环，我觉得是不太存在的。

我们的闭环在于，客户在我们这里用GEO时，它的使用效率和反馈效率以及他持续使用时可能会产生的迁移成本。这是我们应用层公司应该去考虑的壁垒。

深响：大多数
Agent 平台卖 Credit（积分），基于 Token 消耗的“计量收费”。Pallas
AI也是。但大家可能会质疑这种模式可能并不希望你的任务一次性高效完成，因为“废话越多，积分扣得越快”，让你不断地生成、不断地分发，消耗大量积分。还有另一种模式是RaaS按结果付费，您怎么看这两种商业模式？AI营销服务的利润空间应该从何而来？

Ethan：我其实挺不看好按结果付费的。在目前的状态下，所有的按结果付费，它都不是真正的结果，而是个中间值。或者说，我给客户画个饼，告诉他这是结果，然后按饼付费。

我们从性价比角度、客户真实的视角来看，我们的商业模式跟Manus还是高度相似的，我们把它变成一种基础设施，就像电力一样，客户交的是电费。我们希望以高性比的方式融入客户的企业。这样对企业来讲也是有最高ROI的。

从龙虾到A2A营销

深响：最近热度很高的“全民养虾”对AI营销有什么影响？

Ethan：“龙虾”未必只是它表现出来的样子，它实际上是用户交互的入口层。它是“全民私人顾问”在用户端的具体落地。如果把这种形态定义为未来趋势，那么用户的核心交互场景将从 ChatGPT、豆包等 AI 平台，转移到“自己的龙虾”上，用户会更相信龙虾，因为自己的龙虾会拥有自己更多的上下文信息（Context）。

这个时候广告主的营销动作或者说入口的曝光方式会变成通过龙虾对他们产品和品牌的理解，再去给用户做相应的筛选。

深响：Agent to Agent。

Ethan：对，在去年11、12月，我们就在讲A2A经济，但那时候觉得很远，尤其是个人到企业之间的这种A2A，需要很多商业协议和规范才能真正落地。当然现在纯个人之间的A2A其实已经在交互了，个人与企业之间的A2A也不会特别远了，我们正在做一些跟龙虾相关的协议层的一些实验。

深响：您觉得广告主围绕A2A，现在可以关注？基于这些关注点能做些什么？

Ethan：我觉得大家不要过度FOMO。在FOMO情绪下做的选择大概率是错的。我建议大家可以关注龙虾的普及率，这是一个很重要的指标，当前养龙虾的还是AI圈、互联网圈，没有“全民”，虽然范围在一点点地扩大，但这还是一个逐渐渗透的过程。这个速度对比2023年底ChatGPT达到1亿DAU，我觉得还是差很远的。

具体来说，广告主还可以关注入口迁移的商业逻辑。为什么龙虾让大家很FOMO，因为大家发现这次入口的迁移会真正带来跟之前很不一样的商业逻辑。广告主现在可以做的是降低自己的FOMO情绪后做一些A2A的实验去理解这个事情。

深响：最后谈谈对 A2A 营销未来的走向判断？

Ethan： A2A 是商业模式提效的最终命题。它能解决用户极度个性化的需求（比如帮 1 米 93 的我买到合适的长裤子）。目前的难点在于协议与监管（支付、内容、法务协议）。

我们接下来的形态可能会直接给企业建立一个MCP，这个MCP可以跟多个Agent连接起来。我们比较坚定的是去做面向企业端的产品，当下是GEO的Agent，之后可能是Agent Builder。