生成式引擎优化的影响远超搜索引擎优化，但多数企业尚未为此做好组织准备

过去，搜索策略很简单：客户有了问题，就把问题输入搜索引擎，各品牌则竞相争取在搜索结果页上排名靠前。但这种模式正在迅速改变。

如今，越来越多的信息发现过程发生在人工智能系统中。这些系统会解读信息、综合不同来源，并在客户访问品牌网站之前给出答案。生成式引擎优化（GEO）已成为应对这一变化的举措之一，但企业可能会因此对这场变革的实际要求认识得过于狭隘。

在IAB《2026年展望研究报告》9月更新版中，44%的美国广告买家将适应消费者行为变化（包括人工智能驱动的搜索）列为媒体投资面临的首要挑战。另有76%的买家正加大对内容优化的投入，以便内容能出现在人工智能生成的答案中；这一比例高于其他任何领域。

把GEO视为SEO的简单升级，是一种误区。人工智能驱动的信息发现正成为一项企业级的品牌曝光挑战，涉及营销、数据、技术、内容、传播和客户体验等多个领域。成功适应变化的企业，不会只针对一种新的搜索界面进行优化，而会重新思考如何让自身的数字形象、组织知识和外部权威相互协同。

搜索结果正在变成答案

传统SEO以排名为核心，目标明确，衡量进展的方式也很清晰。GEO带来了一种不同类型的曝光。企业越来越需要关注的，不再只是网页是否针对某个关键词获得排名，还包括品牌是否出现在针对客户所提问题生成的答案中、品牌是如何被描述的，以及哪些来源影响了这种描述。

这一转变已经对企业产生影响。英国出版商Reach（Mirror和Express的母公司）报告称，其来自Google的流量同比下降了46%。该公司将这一降幅归因于AI Overviews和AI Mode等功能，因为这些功能降低了读者点击进入网站的必要性。传统搜索流量下降，并不总意味着人们对某个品类或品牌失去了兴趣。这也可能表明，信息发现正分散到不同界面，并且越来越多地发生在用户访问网站之前。

对品牌而言，这改变了需要思考的问题。曝光不再只取决于排名位置，还取决于人工智能系统是否掌握了正确的信息和背景，能否理解品牌与用户所提问题的关联。

GEO始于SEO的基础

人们很容易把GEO视为独立于SEO的一套做法，但许多基础工作仍然适用。人工智能系统仍需发现、解读和评估信息，因此，技术层面的可访问性、网站结构和清晰的内容都至关重要。

今年，Cloudflare的Radar数据显示，在其网络中，机器人发起的网页请求占比超过一半。这些机器人并非全都是人工智能代理，但如今，任何网站的受众中都有越来越多的访问者实际上是软件；软件需要足够的内容和背景信息，才能理解它所发现的内容。这或许意味着，企业需要重新做好许多早已疏于维护的基础工作。

如果重要信息深藏在复杂的界面中、在不同页面上的呈现不一致，或难以被爬虫访问，那么人工智能系统可利用的信息就会减少，人类访客也是如此。常见问题很容易发现：产品详情只有在JavaScript运行后才会显示，而并非所有人工智能爬虫都会执行JavaScript；价格或政策信息在不同页面上的表述也不一致。

但技术层面的可访问性只是起点。所有品牌都在同一小部分人工智能系统中竞争，因此，系统本身并非差异化因素。真正的差异在于背景信息。对品牌而言，这些背景信息来自自身的数据、专业知识、内容、客户认知，以及品牌所处的更广泛信息生态。

人工智能负责阅读时，内容质量更为重要

关于如何撰写能被人工智能系统呈现的内容，人们讨论很多。其中一些讨论聚焦于格式技巧，或试图逆向分析单个模型。大多数这类技巧很快就会过时，我不会据此制定策略。

模型、检索系统和信息来源都将持续变化。今天看似有效的技巧，几个月后可能会产生截然不同的结果。更可持续的做法是创作实用、权威的内容，清楚回答客户实际提出的问题，并展现专业领域知识。企业应先审视已经发布的内容：这些内容是否回答了客户的重要问题？是否清楚展现了专业能力？重要信息在整个数字生态中是否一致？

AI 可见度受多种因素影响，包括内容质量、技术基础、结构化数据、权威性和第三方提及。Muck Rack 最新发布的关于 AI 引用的研究发现，ChatGPT、Claude 和 Gemini 答案中引用的链接，有 84% 来自赢得媒体，包括新闻报道、学术研究和其他第三方来源。这正是 GEO 的范围远远超出品牌在自有网站上发布的内容、传播团队也应参与其中的原因。

工作流程问题比技术挑战更大

依我看来，适应 AI 驱动的发现方式，技术很少是最难的部分。更大的挑战在于，当 AI 成为搜索和发现流程的一部分后，各团队如何协作。过去，搜索策略由不同团队分担：SEO 团队监测排名，内容团队制作页面，传播团队管理媒体报道，开发人员则负责网站的技术工作。AI 驱动的发现方式模糊了这些界限，因为 AI 答案中呈现的内容可能同时受到所有这些领域的影响。

麦肯锡《2026 年 AI 现状调查》进一步指出，在调查认定的 AI 领域高绩效企业中，近四分之三因 AI 而从根本上重新设计了工作流程；相比之下，其他受访者中这一比例为四分之一。AI 可见度也是如此。如果内容团队发现 AI 引擎对品牌的描述有误，问题可能出在网站、产品数据、第三方列表，或模型所参考的媒体报道上。

要解决这个问题，负责这些领域的团队必须携手合作，而不能把 GEO 当作由某一个部门独自负责的又一项任务。

这引出了领导团队日益需要回答的一个问题：谁负责 AI 可见度？

这项工作将涉及多个团队，但应由一位负责人承担问责职责，负责制定评估指标、安排定期审查，并在 AI 系统错误描述品牌时作出响应。在此基础上，营销、传播、技术和数据负责人需要共同了解品牌在各类 AI 系统中的呈现方式、影响这些答案的因素，以及组织在发现信息缺口时应如何应对。

衡量可见度应看出现率，而非排名

企业衡量搜索可见度的方式将迎来重大变化。过去，搜索排名为营销人员提供了相对直观的跟踪指标，但 AI 生成的答案变化要大得多。不存在一个能确保品牌被看到的固定排名，而且品牌仅仅出现在答案中，并不能说明全部情况。品牌可能频繁被提及，却遭到错误描述；也可能被纳入答案但没有引用来源，或者在某个市场被引用、在另一个市场却完全没有出现。

这意味着 GEO 正将关注重点从品牌排名转向品牌出现的频率、品牌受到的描述，以及影响答案的来源。衡量方式仍在逐步完善。同一项IAB 研究显示，86% 的买家表示，他们正在调整或预计将调整媒体效果的衡量方式，原因是对话式 AI 工具和 AI 代理的出现；45% 的买家则将比较 AI 驱动与传统客户旅程列为首要衡量挑战。实际上，GEO 既是衡量和工作流程方面的挑战，也是搜索方面的挑战。

一个切实可行的起点，是从客户已经在提出的问题着手。整理出一组具有代表性的问题，定期在主流 AI 平台上逐一提问，并记录品牌是否出现、品牌如何被描述、有哪些竞争对手一同出现，以及引用了哪些来源。每个问题都要多问几次。同一提示词在不同轮次中可能得到不同答案，因此可见度应以出现率报告，而不能只依赖单张截图。随着时间推移，还可以将可见度与后续指标联系起来，包括 AI 引荐流量、互动和转化。

已有迹象表明，这种变化可能来得很快。Adobe 的假日购物数据显示，在 2025 年假日季期间，来自生成式 AI 工具、流向美国零售网站的流量同比增长了 693.4%；这些由 AI 引荐的访客转化率也高于其他流量。增长起点较低，而且并非每家公司都会经历相同的增长曲线。但这表明，如今已经能够衡量 AI 可见度，并将其与实际业务成果联系起来。

将 GEO 视为运营能力，而非营销活动

AI 驱动的搜索并不意味着要抛弃企业已经掌握的 SEO 经验。这意味着要把视野扩展到排名之外，并认识到客户提出的问题与收到的信息之间，正日益多出一层。

但企业应避免把 AI 可见度变成又一种孤立的营销策略或一次性审计。模型和来源不断变化，因此首次审计并非终点。更大的机遇在于利用这些洞察，明确内容、数据、技术、传播和客户体验需要如何改变协作方式。搜索正变得更加对话化，也日益呈现代理式特征；AI 系统开始代替客户进行研究并采取行动。届时，品牌能否获得可见度，将取决于这些系统能找到、核实并复述品牌的哪些信息。