不做GEO的品牌将会“赛博逝世”？｜对话PureblueAI清蓝

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｜专访Pallas AI

©️深响原创 · 作者｜林之柏

风口上的GEO，正走到命运的关键分岔口。

一方面，市场规模仍在加速扩张，概念股持续火热。据艾媒咨询测算，2026年中国GEO行业市场规模将达到942亿元，同比增长169.7%。但另一方面，“黑灰产”乱象频繁，各种“邪修”操作不仅扰乱了行业正常发展节奏，也给品牌、用户带去多重负面冲击。

矛盾背后，GEO行业正在经历怎么的迭代与分野？“黑灰产”的泛滥，究竟是源于技术漏洞还是认知局限？乱象之下，行业将走向何方？

带着这些问题，「深响」与GEO服务商PureblueAI清蓝的创始人、CEO鲁扬展开对话。作为前字节跳动火山引擎市场总经理、豆包大模型市场负责人，鲁扬在2024年独立创业、成立PureblueAI清蓝，公司目前已完成多轮融资，股东包括祥峰中国、英诺基金、蓝色光标等知名机构。

鲁扬认为，GEO“黑灰产”的出现有其历史必然性，但并非不可控。GEO行业正经历从人工经验驱动向模型算法驱动的技术路线变迁，并将对未来产生更为深远的影响：AI时代，规范化的AI营销流程与技术壁垒，将决定品牌在AI商业生态中的话语权，中小企业更可借此实现垂直赛道的“平权突围”，一场彻底的商业变革正在发生。

从人工驱动到模型驱动，GEO的三重技术分野

当下，无论品牌、投资人还是业内人士，对GEO、AI营销都还有不少误解。

比如因为都是toB类型的服务，投资人容易把AI营销和SaaS进行类比。但实际上二者有着本质差异。鲁扬谈到AI应用对比SaaS：

一是交付原理不同，SaaS交付工具、需用户主导，AI则直接交付结果、主动主导工作流；二是效果不同，AI的降本增效效果更为显著；三是流程逻辑不同，SaaS只是将企业现有流程进行数字化改造，其中甚至可能包括不合理的流程，而AI能跳出原有流程工作，更适配国内企业现状。

而更常见的混淆是GEO和SEO，二者无论是产品层面还是技术层面都有着很大的区别。

SEO是的原理是基于“keyword”（关键词）进行优化，而GEO的优化单元是“Intent”（意图），前者面对的是规则清晰的搜索引擎，后者则要面对如“黑箱”一般的大模型。

这种种认知错位，和GEO技术路线的快速迭代、持续分化脱不开关系。

自2024年正式提出GEO概念，到如今成长为一个规模近千亿的庞大蓝海，短短两年间，GEO已衍生出三种截然不同的技术路径，这也是Pureblue AI清蓝一路走来的经历：

经验驱动，即纯靠人工写稿、发稿；数据驱动，主要靠人力操作，但会使用一些数据分析工具辅助；模型驱动，摒弃人工干预，全程交给算法、产品操作。

复杂的技术原理、多元的路线分化除了造成认知偏差，也间接催生了各种“黑灰产”操作。

鲁扬表示，“直到现在，国内90%的GEO服务商基本还停留在人工、经验驱动的阶段”。而过于依赖人工操作，正是行业陷入低质量内卷、“黑灰产”抬头的重要原因。

“黑灰产”GEO操作可以总结为“假、大、黑”：伪造数据、榜单，以博取AI信任；用自动发稿机大量发稿，增加被AI采纳的几率；在内容中夸大甚至捏造竞品的负面信息，借AI之力打击对手。

短期内，“黑灰产”服务商确实“忽悠”了不少品牌和AI。比如“黑公关”操作，AI当前较为敏感，更有可能抓取负面信息，对品牌产生不利影响。

服务商的低价内卷和虚假承诺，同样起到“推波助澜”的作用。鲁扬透露，去年下半年以来，部分服务商猛打价格战，报价可能低至正规服务商的十分之一；同时敢承诺“100%推荐优化”，许多不明就里的品牌陷入其精心编织的“信息茧房”之中，掏钱买单。

鲁扬认为，品牌和服务商迷信人工模式，和SEO时期养成的“思维惯性”有关。

SEO时代，AI未成气候，服务商无法依赖工具，只能靠人工把握文章质量、完成外链建设。加上各大搜索引擎的规则相对公开、清晰，经验确实很关键。

但在GEO时代，这一套操作玩不转了——人工、数据驱动模式有一个共同问题：读不懂AI。

鲁扬表示，AI大模型就像一个“黑箱”：“它会告诉你问题的答案、给你推荐商品，但不会告诉你推理的过程。因为大模型背后是一套复杂的神经网络，不具备明文规则，整个推理过程是个黑盒，而且在不断迭代、变化。”

因此，纯靠人工去猜测大模型的推理逻辑精确度很低，也无法做到规模化；数据工具或许有效，但效率太低。只有让模型学习模型，用算法解密算法，走模型驱动路线才是真正的通路。

目前，PureblueAI清蓝采取纯模型驱动路线，构建异构模型协同迭代、环境自感知模型进化引擎两大核心技术。

异构模型协同迭代是指在底层通用大模型的基础上，搭建上层“小模型”，基于不同客户的真实数据和需求做针对性的学习和优化，构建品牌高认可的营销物料。

环境自感知数据模型进化引擎，通过高频监控，对模型算法的变化进行自适应学习新的数据范式，从而构建新的信源偏好和品牌内容。

这套模型的优势在于，洞察做得足够深入且细致：不仅分析被AI采信的内容，也分析被淘汰的内容，解构这些内容背后的共同特征、结构因子。

以异构模型协同迭代、环境自感知数据模型进化引擎为核心，PureblueAI清蓝将一套完整的GEO优化服务拆分为八个步骤：

第一步意图挖掘：分析用户会问的问题、这背后值得关注的品牌信息；第二步品牌诊断：基于挖掘到的用户意图，分析品牌当前在AI端的布局、表现，给出优化建议；第三步知识管理：客户上传品牌、产品介绍等营销资料，建立知识库；第四步模型自学习：由小模型根据客户的目标意图展开针对性学习；第五步内容生成：由模型根据算法学习结果来指导内容生产；第六步效果评测：即通过“AB测试”，评估一篇内容有多大概率可以提升品牌的采信效果；第七步确认投放：经评估后确定合适的内容、由客户确认，发布到不同类型平台；第八步效果监测：由自研BI系统负责。

PureblueAI清蓝基于自研的Multi-Agent架构，将以上八个步骤通过八组智能体进行封装，最终以数字员工的形态为客户交付服务。

显然，GEO行业正经历从人工经验、数据驱动向模型驱动的迭代，未来发展路径逐步清晰。规范化的服务流程、完善的技术储备，将成为服务商最关键的竞争壁垒。

交付难题与付费乱象：品牌如何“避坑”？

然而，即便有标准化的流程体系，GEO在实际落地中仍面临诸多挑战，这些难点也成为了行业规范化发展的阻碍。

效果监测和付费模式就是GEO行业一大困扰。由于品牌的诉求、体量千差万别，GEO优化周期、监测和归因方式缺乏统一标准，“黑灰产”服务商很容易找到“造假”的机会：数据舞弊、虚假承诺、甩锅模型等现象屡见不鲜。

比如在交付结果上钻空子，仅以几张简单的AI对话界面截图作为交付凭证敷衍客户。但背后，服务商可能安排人员长期、高频次重复搜索，历经上百成千次尝试后，截取单次偶发的理想结果。这一类“形式合规”的交付模式下，品牌的真实推荐率并未有实质提升，完全背离GEO初衷。

利用不合理计费模式实现“零成本套利”，也是“黑灰产”们的惯有手段。

鲁扬透露，部分服务商开发出按单日效果计费的玩法，比如一个月有5天达到承诺推荐率，就收5天费用。这一模式漏洞明显：在常规搜索意图下，品牌即便不做任何优化，也有可能被AI推荐。服务商短期优化、维护后便停止服务，依靠自然概率达成零星达标天数，零成本获利，客户却未获得持续有效优化。

整体而言，这一系列乱象，都与行业、品牌对GEO、AI大模型的“认知偏差”有关：想让GEO实现100%推荐，是不现实的。这与复杂的大模型底层架构、生成式交互逻辑等技术因素息息相关。

对服务商来讲，如今最重要的任务之一，就是构建一套流程完整、标准统一、具备广泛公信力的交付、归因模式和相应的付费标准，让品牌找准方向，并加速“黑灰产”的出清。

鲁扬认为，从宏观角度看，以品牌效果、获客效果作为交付指标较为合理。

品牌效果主要涵盖推荐率、推荐排序的提升等指标，获客效果则通过流量线索、交易额等数据进行量化。针对后者，目前各大AI平台的数据监测链路尚不完善，但鉴于千问、豆包等已经开始提供交易跳转服务，相关数据、指标未来很有希望完全打通。

鉴于当前实际情况，PureblueAI清蓝采取了按服务付费和工具充值调用的组合收费模式。

前者围绕品牌效果开展，按周期及优化意图提供优化服务，达成效果即收取相应费用；后者则是面向SMB（中小企业）、营销服务商等客户，通过不久前推出的数字员工Mark，为客户提供品牌诊断、内容生成、智能发布、效果监控等辅助，客户预存费用、按照使用情况进行扣费。

在行业标准不完善、不同体量客户需求差异较大的现状下，服务+工具的混合模式或许是平衡各方利益的折中之策。按月、按意图的收费对应精细化、全流程服务，契合大中型客户对长期、稳定品牌优化效果的需求；数字员工的充值调用则考虑到预算问题，品牌无需承担长期固定成本，按需使用，降低了中小企业接入GEO服务的门槛。

PureblueAI清蓝数字员工Mark 图源：PureblueAI清蓝官网

客观而言，GEO行业的交付、归因困惑与付费乱象，不能单纯归咎于“黑灰产作恶”，这是行业发展初期技术不成熟、标准缺失与认知错位等因素多重叠加的必然结果。

行业当前的争议与分歧，很大程度上是“短期利益”与“长期价值”的博弈：“黑灰产”追求快速出效、收割离场，以虚假承诺和低成本操作赚取短期收益；而正规服务商则需要通过搭建标准化流程、完善归因和监测体系，平衡品牌收益与自身盈利，为行业健康发展、构建品牌信任铺路。

长期来看，交付与付费模式的规范化，将成为GEO行业从野蛮生长走向成熟的重要拐点。到那时候，或许人们会回过神来，思考另一个同等重要的问题：GEO及其所代表的AI营销，到底将把消费行业引向何方。

未来预判：大企业的“零和游戏”与新品牌的“平权机遇”

很多时候，人们总会在一个新风口、新技术出现时放大它的短期冲击，轻视它的长期作用；过于关注各种细节维度的变化，忽略了宏观视角的思考。“很多人都把GEO，把AI带来的变化看得太小了”，鲁扬如是说。

事实上，AI带来的绝不仅是营销工具迭代，还有商业入口与交易规则的底层颠覆：在未来，AI或将包揽用户从搜索到推荐、决策、支付的全链路，让传统电商平台转型为单纯履约载体。

当生成式AI入口取代传统流量阵地，成为品牌触达用户的核心通道，Prompt（提示词）便成了AI时代的新货架。在此趋势下，GEO早已超越“取代SEO”的狭义范畴，成为品牌适配AI规则、争夺数字生存权的底层战略能力。

而这一系列变化，也将很大程度上改变商业世界的竞争逻辑。

鲁扬认为，对大中型企业而言，GEO是一场零和博弈：AI生成内容的推荐容量有限、对心智塑造至关重要，品牌能否被AI稳定认知、采信、推荐，将直接决定其在AI商业生态的存在感。而放弃GEO，就不只是错失AI红利那么简单，更可能演变成品牌在AI生态中的“赛博逝世”，面临竞品的彻底替代。

而对中小企业与新锐品牌来说，AI打破了传统营销模式下“预算为王”的固有逻辑，带来结构性平权机遇：新锐品牌无需与巨头拼投入，通过GEO锚定垂直场景、确立差异化定位，也能在细分Intent（意图）中占据优选位置，绕开主流赛道内卷，实现弯道超车。

从更深维度看，AI的影响也不止局限于营销环节，未来或将渗透至服务、供应链、研发等经营全域，企业所有经营行为，都要对齐AI的推理逻辑与采信规则。

从这个角度看，品牌的核心资产不再是平台店铺、广告位与流量，而是在AI世界的可信度、场景匹配度与长期推荐稳定性。AI时代的胜负，也不再完全取决于预算多少，更取决于谁能更早、更稳地嵌入AI的认知体系。

以下为「深响」整理后的部分访谈实录：

GEO的三种技术路线

深响：GEO行业发展到今天，都走过了哪些阶段？

鲁扬：我们把GEO技术路线分成三种——

经验驱动，纯靠人工写稿、发稿；数据驱动，主要还是靠人，但过程中会用到数据分析工具辅助；模型驱动，摒弃人工干预，全部交给算法、产品。

这是GEO的主要发展历程，PureblueAI清蓝也是从这三个阶段一步步走过来的。

2024年下半年，我们主要靠有经验的优化师工作。2024年11月到2025年1月，则学习海外的服务商，用数据监测、分析文章该怎么写、如何分段等等，Profound等海外服务商就是遵循这一路线，向客户交付一套BI（数据分析系统），分析品牌在AI平台上的认知度、形成数据洞察，给出优化建议。但我们很快就发现，这种方式效率特别低，比如做一个A/B版本测试需要两周，客户等不了，平台算法在这期间可能也已经迭代了。

所以我们得出结论：靠人工、数据无法跟上大模型节奏，只能靠模型去学习模型，用算法去解密算法，走模型驱动路线。

深响：现在很多人注意到GEO“黑灰产”，您如何看到这当中的影响？

鲁扬：我们此前受GEO“灰黑产”影响很大，尤其是2025年下半年开始，业内出现了一批“灰黑产”企业，给客户报价可能是我们是十分之一，当时我觉得可能会出现劣币驱逐良币的趋势。但现在更多人了解到“灰黑产”的危害，对我们反而是利好。

深响：“灰黑产”GEO和正规GEO最大区别是什么？

鲁扬：“黑灰产”其实就是从上述三种技术路线中衍生出来的错误分支。

直到现在，国内市面上90%的GEO服务商基本都还停留在人工、经验驱动的阶段，这或许是习惯了SEO时代的做法。SEO不依赖工具，靠人工把握文章的质量，完成外链建设等工序，搜索引擎的规则早就被摸透了，网上也有公开教程，所以人工按图索骥去做就可以。

2025年上半年，经验驱动的GEO优化有一定效果，但进入下半年效果越来越难保证，因为竞争变得激烈了。

“黑灰产”的做法可以总结为三个字：假大黑。

假是指编造数据，比如产品销量、排名等；或列举一些不存在的标准、国际认证。填充了这些内容之后，文章就非常容易被AI抓取。我们遇过一个客户，给我们展示“黑灰产”服务商的资料收集文档，里面公然写着“数据可适度夸大”。

大是指大量发稿，最常见的是用自动发稿机，只需要注册一堆自媒体账号，然后把账号托管给发稿机，就会每天自动投放几百篇稿件。更高级的一点的工具还会先用AI平台针对品牌生成一篇稿件，再自动分发，这种方式到2025年底已经很难出效果了。

最后，黑是指黑公关，即发布刻意抹黑竞争对手的稿件。AI当前比较敏感，负面信息很容易被抓取，对品牌的影响比想象中大。

深响：大家很喜欢把GEO和SEO进行比较，您觉得二者最本质的区别是什么？

鲁扬：二者区别主要在技术、产品层面。

SEO是基于“keyword”（关键词）进行优化，而GEO优化单元是“Intent”（意图）。所以凡是做词包优化的服务商，都没有跳出SEO的惯性思路。

问题在于，GEO面对的是大模型。你问AI一个问题，它只会告诉你答案，不告诉你原因、规则，你不知道AI是如何推理出结果的。而且大模型不断变化，不同时间提同样的问题、不同的人提同一个问题，都可能得到不同答案。

甚至大模型自己也搞不清规则。因为大语言模型背后是一套复杂的神经网络，它所有答案都是靠推理来的，没有明文规则。这样一来，人工GEO就变成一种碰运气行为，精确度非常低、难以规模化。

深响：PureblueAI清蓝两个核心竞争力：异构模型协同迭代、环境自感知模型进化引擎，分别是什么原理？

鲁扬：环境自感知模型进化引擎的工作原理，是通过高频监控，对模型算法的变化进行自适应学习新的数据范式，从而构建新的信源偏好和品牌内容。具体来讲是先进行海量采样，问不同的大模型各种各样的问题：什么东西哪家好？什么商品值得推荐？A和B怎么选等等，然后采集AI的回答，投喂给我们自己的模型，让算法去分析被AI引用的文章具备什么样的特征结构。

至于异构模型协同迭代，是指在底层通用大模型的基础上，搭建上层“小模型”，基于不同客户的真实数据和需求做针对性的学习和优化，构建品牌高认可的营销物料。

实际上，我们是用量化的思维做GEO：摒弃掉所有主观判断、情感元素，让算法去代替我们学习，去读懂AI。

AI推理的过程主要有两个变量：一个是AI自己的推理规则，我们无法影响；二是AI到底会采信什么信源，这是可以优化的。

AI寻找信源是一个层层筛选的环节，比如你问AI“矿泉水哪家好？”，AI首先会理解提问背后的搜索意图，将其拆成一组关键词，然后用关键去锚定搜索意图、调取搜索引擎、筛选几十篇内容推给Chatbot，再从中挑选一部分高质量内容做分析、排序。内容排序越靠前，内容里的品牌就越有可能出现在AI答案里。

在这个层层筛选的漏斗当中，每一步都有一些内容被AI淘汰、降权，最后无法被引用，另一些内容则能够经历
AI
考验、一步一步获取AI信任，到最后被AI在答案中引用。这些内容具备什么样的特征？它背后有哪些结构因子？这些信息没有办法靠人工去猜测，我们只能任务交给算法，让算法去学习。

深响：一个完整的GEO优化服务包含哪些环节？

鲁扬：我们通常拆分为八个步骤，每个步骤对应着不同的Agent。

第一步意图挖掘，分析用户会问哪些与品牌相关的问题，这背后有哪些值得关注的信息；第二步品牌诊断，基于用户意图，分析品牌当前在AI端的布局、表现，给出优化建议；第三步知识管理，客户上传品牌、产品介绍等，我们进行重新量化、建立知识库；第四步，由小模型根据客户的目标意图展开针对性学习；第五步，由模型根据算法学习结果来指导内容生产；第六步效果评测，即“AB测试”，主要评估内容有多大概率可以提升品牌的采信效果，期间也可能发现某些有反作用的内容，并予以剔除；第七步，确定合适内容、交客户确认，发布到不同类型平台；最后是效果监测，由自研BI系统负责。

需要注意的是，前两步都是属于售前服务、不收取费用，客户根据诊断结果来决定到底要不要做GEO优化、具体优化哪些意图，然后才会推进后面的流程。

深响：针对知识库构建这个环节，品牌方目前在内容储备上有哪些需要注意的地方？

鲁扬：传统的品牌营销中，品牌需要一个Message House（信息房子），包含完整的品牌信息架构：对外的Slogan、营销话术和价值主张；目标客户的痛点、品牌优势；对应的案例支撑等。

然而很多企业没搭好Message House。在互联网内容营销时代，这些问题被某程度上掩盖了，品牌只要持续产出稿件、 PR物料等，就能维持一定的营销效果。但AI时代，这些长期问题暴露无遗。

我们发现，一些客户提供给我们的内容非常贫瘠、混乱。乍一看形式很多样，包括公关稿、PPT等等，但缺乏系统梳理。如果直接拿这些内容去做GEO优化，效果不会太好。

在AI时代，品牌需要一个完整的知识图谱。只要你的品牌内容体系足够完善，沿着这个方向做内容营销会有很好的效果；只要品牌资产沉淀足够丰富，未来做GEO也会越来越容易。

深响：还有一些投资人习惯把AI营销看成一种新型SaaS，您如何看待这种观点？

鲁扬：投资人只要看到To B应用，都会觉得有点像SaaS。但我认为，二者至少有三个主要区别。

一是交付原理不同。SaaS向客户交付工具，而AI交付结果，它背后代表的是两种不同的工作流：SaaS是用户来主导工具、被动响应，客户使用能力直接影响营销效果；而AI
Agent是AI主导流程，根据不同的stage、客户的feedback，去定制工作流。AI的主动性、对结果负责，是其与SaaS最大的区别之一。

第二是效果不同。传统的SaaS也能降本提效，但不够明显，能达到30%已非常不错。但AI的效果是颠覆性的，甚至可以把成本降低80%-90%。比如豆包最早落地的智能商拍场景，以往要花几百块干的活，用AIGC可能只要几毛钱。

第三是流程差异。SaaS的原理其实是帮企业做流程的数字化，这一套在海外更有效，因为海外企业特别注重流程。但国内很多企业——甚至包括一些大企业，流程也并不健全。国内的SaaS企业大多是创业公司，不敢去挑战客户的流程，最后往往把客户的错误流程给数字化了，而AI可以跳出现有的业务流程来工作。

今天的国内企业客户，花在数字化、IT系统化上的预算都减少了，但给AI的预算还很多，对改变的接受度也很高。早在2022年上半年的时候，SaaS已经在走下坡路。现在大胆一点说，SaaS+AI几乎是行业唯一的出路。

深响：SaaS行业划分很细，有很多垂直赛道，比如销售SaaS、金融SaaS、医疗SaaS等等，和您刚介绍的通过上层小模型针对不同客户的情况去做针对性部署有些相似，GEO这些细分模型会和垂类SaaS一样有较高的认知壁垒吗？

鲁扬：去年上半年刚兴起的时候，上层小模型的差异不显著，但是后来就越来越明显了。

比如信源的问题，在医疗医药行业，AI采信的信源都是非常专业的垂媒，或者专业医生内容账号；汽车行业几大垂类媒体的采信权重也比较高。另外，针对不同行业，AI给出的答案扩展性也不一样。比如茶饮等消费品类，豆包经常会协同LBS（Location-Base
Service，基于位置服务）定位，给你推荐身边的门店。

正因为不同行业的差异比较大，人工去学每一个行业的特性是不可行的，所以我们才用模型训练的方法，让模型去学习每一个客户。

深响：对比国外的GEO生态，中国市场有哪些独特的地方？

鲁扬：总体来看，国外的GEO要出效果相对更难一些。

部分原因是国外媒体发稿要求、成本更高，另外海外AI模型采信信源更广泛，除了常见的媒体平台，还有独立站、Reddit等内容社区。像Reddit等平台，发布文章都有门槛。

所以海外GEO服务人工参与度会更高，海外服务商更愿意提供产品、工具，而非一整套服务，因为如果牵涉到人工投入，操作就会更复杂。

归因难题与付费乱象

深响：一套GEO服务的周期通常有多长？周期的长短是否和收费挂钩？

鲁扬：不同行业、客户，甚至是一个客户的不同Query（查询/提问）出效果的周期都不一样，短则一两天，长则一两周，但不会拖得太长，所以周期对收入基本不会有太大影响。

但我们在正式优化前会有一个学习期，正常是 一周，期间根据客户情况进行学习，学习越充分，优化效果越好。有些客户的营销Campaign（营销活动）如果非常着急，需要马上见效，也可以针对性地缩减学习期。

深响：您觉得合理衡量GEO效果的指标都有哪些？

鲁扬：从宏观角度来看，主要有两个：品牌效果，获客效果。

品牌效果首先是推荐率的提升，其次是推荐排序的提升。比如一个品牌原本在AI推荐里，出现在前三名的概率是15%，优化后上升到60%，就是很不错的效果了，想做到100%是不现实的。

这个排名它其实并不是真正意义的行业榜单，也不是让大模型去给出价值判断，GEO真正影响的是AI推荐顺序。因为用户向AI提问时，AI的答案通常不会只有一个品牌，最先提及的品牌用户心智影响更深，这是GEO的价值。

至于获客效果，当前阶段，像流量线索、交易额等指标，我们还无法直接监测，但后面应该会实现。目前豆包、千问已经开始在回答里面提供跳转链路，电商后台能够监测到Chatbot带来的流量。未来，我认为GEO很有可能开启按获客效果收费的模式。

深响：“黑灰产”服务商在结果交付上都有哪些算计？比如我们了解到一些服务商会用简单的AI对话截图来应付交差。

鲁扬：之前我们看到有很多服务商在统计上做一些“掩饰”，用所谓的技巧去提升排名效果，其实是损害客户最终的优化效果。

曾经有一个客户跟我反馈，为什么有服务商可以承诺100%优化，而你们不行？我告诉他没人能对抗模型的迭代，模型算法迭代都会有波动，敢承诺月均100%推荐率的服务商，背后一定有问题。

我们这个客户了解完以后也发现，对方交付的每日截图坑很大，他们可以找一个实习生从早搜到晚，提问几百遍、上千遍，再咔嚓一张截屏，就算交付了。但品牌的真实推荐率还是很低，有的截图连时间戳、水印都没有，可操作空间太大了。

由此还衍生了更多乱象。

比如有服务商按单日效果收费，一个月有5天达到承诺的推荐率，就收这5天的费用，以此类推。但这是不合理的，很多搜索意图下，哪怕什么也不做，品牌也有一定概率被推荐。服务商可能帮客户做一个月优化，然后停下，AI推荐效果或许下降、但不会清零，依然有几天能达到承诺推荐率、收取费用，而服务商投入为零。

甩锅大模型也是常见做法。有客户向我们抱怨，服务商提出一个条款：如果优化效果出现波动，那是因为大模型算法迭代，服务商不承担后果。如果你连算法迭代都应对不了，怎么好意思说自己做的是GEO？

深响：咱们的付费模式具体如何运作？正如您所说，按获客效果付费当前还不太可行。

鲁扬：我们真正提供的产品有两类，一种是直接交付结果的服务，按月、按Query收费。客户确定要优化的意图、优化周期、想实现什么效果，比如说提升推荐率、推荐排序等等，我们就根据相应的标准进行收费。

另一个是刚刚发布的工具型产品，数字员工Mark，我们给它的定义是一个AI native，同时也是一个Multi Agent、口碑营销专家，客户可以用对话形式与其沟通，让它去做所有营销诊断。

这个产品主要面向SMB（中小企业）客户，这部分客户的痛点是预算有限，按月收费成本偏高，所以客户更希望我们提供一个工具。

一些之前做SEO、公关、会务的服务商，现在也在帮客户尝试做GEO，也需要辅助工具。这种工具的收费模式主要是预存消耗，比如预存1000块，可以得到10000个points或credit，然后根据对应操作进行扣除。

未来预判

深响：AI营销带来的变革到底有多大？

鲁扬：大家都把AI的变革看得太小了。AI要替代的仅仅是传统搜索引擎吗？远远不是，它可能连传统电商都会取代。就像豆包，之前跳转到抖音电商，但后面可能不需要跳转、直接在内部完成交易。

这是一个非常重要的信号：今天的AI不仅是给品牌引流，它是要把用户整个交易环节切走。这样一来，传统电商平台、O2O平台、OTA平台在产业链的位置会越来越靠后，趋向于一个履约平台，而AI会把前端的搜索、推荐、消费决策、下单支付等触点、场景拿下，成为一个“大一统”入口。

由此再看GEO，其价值更不一般。

狭义的GEO，是解决AI搜索场景认知度、推荐率问题；而广义GEO，承载着抢下AI“大一统”入口的任务。如果说AI将成为未来整个人类商业社会基础规则，那么企业的每一个经营动作都要跟AI规则相适配，这不仅包括营销，还有服务、供应链、生产制造、研发等等。

深响：如果品牌现在不做GEO，未来会面临什么样的影响？

鲁扬：首先，我觉得大中型企业或多或少都要拥抱GEO，只不过不同企业投入力度会有差异。

GEO像一个“零和游戏”，最关键的不是品牌推荐率提升、优化，它是要让品牌的营销动作、内容跟AI相适配。如果品牌在未来无法被AI认知到，那可能就会“赛博逝世”。而且你不做，你的竞品也会做。

其次，对于中小企业和新锐品牌，AI提供了平权机会。

过去十几年，所有广告形式背后的运作逻辑都是竞价排名，不管搜索广告，还是抖音、快手、小红书上面信息流广告。在竞价排名规则下，小企业没有特别高的预算，很难去PK大品牌。

AI时代，一个新锐茶饮品牌或许没法把自己“优化”成行业Top One，但可以通过GEO去锚定个性化、垂直化定位，比如塑造成多功能、运动型饮料的优选品牌等等。对于很多新锐品牌来说，用好GEO，便能占住垂直领域的差异化定位。

为什么说 AI 浪潮影响远远不亚于之前的互联网、移动互联浪潮？因为它在对整个人类商业社会起到颠覆性影响。

互联网的出现，把交易形态从线下搬到线上，移动互联网把交易从电脑搬到了移动端。今天AI也在做同样的事情，把线上交易从淘宝天猫、京东、拼多多搬到AI应用。

换句话说，prompt是AI时代的新货架，你的用户习惯用什么样的话术问询AI ，对应的prompt就是品牌应该出现的位置。