MY BLOG

GEO 对我们的采购决策影响多大？一次奶粉调研带来的思考

当 AI 替你做选择时，它依据的到底是什么？

📑 本文目录

一个让我后背发凉的对话实验
我的第一个反应：这会不会是 SEO 的功劳？
先把两个概念分清楚：SEO 管”被找到”，GEO 管”被推荐”
拆链条：从”SEO 做得好”到”AI 推荐你”，中间有多远？
那到底什么在决定 AI 会不会推荐你？
AI 的推荐到底影响了多少采购决策？
回到 a2：长期品牌叙事如何进入 AI 的答案
最重要的那个洞察：被反复提到，不等于最适合你
作为买家：在 GEO 时代保护自己判断力的验证清单
作为内容方/品牌方：让 AI 愿意引用并推荐你的实操清单
结语：GEO 的威力与边界

一个让我后背发凉的对话实验

事情起因很简单：有一天，我想给两岁半的孩子选一款适龄奶粉。面对不同品牌和各种卖点，我让 ChatGPT 做了一次调研，希望它帮我把信息梳理清楚。

调研之后，我又把问题收窄了一步：“如果只能选一款，给两岁半的小孩喝，你会选哪一款？”

它推荐了 a2。

它围绕 A2 β-酪蛋白、消化耐受性和相关研究，给出了一套听起来很专业的理由。不过，这些是它当时的推荐理由，仍需要逐项核实，不能直接当作适合所有孩子的营养结论。

说实话，当你正为孩子做选择时，一个经过调研、又明确到品牌的答案，很容易让人觉得“这下可以下单了”。

但我没有。我做了另一件事。

我去搜了一下网络上关于 a2 的内容。结果发现——到处都是。品牌官网、科普文章、评测榜单、电商详情页、母婴论坛……大量文章引用了 a2 相关的研究，a2 自己的品牌页面内容也被广泛使用和转载。内容密度之高，让我产生了第一个疑问：

ChatGPT 推荐 a2，是因为 a2 真的”最好”，还是因为它在互联网上”被写得最多”？

于是我做了一个更关键的实验。

我对 ChatGPT 说：请你排除掉那些可能受品牌自身内容营销影响的因素，重新给我推荐。

结果，它推荐了另一个品牌。

这个对比让我愣了很久。我改变了对信息来源的要求，它就改变了推荐。这让我怀疑，品牌内容和来源选择可能在影响答案。但一次追问，并不能证明模型真的排除了营销影响，更不能证明我改变了它的训练数据权重。

而这件事的意义远远超出了”选哪款奶粉”。它让我意识到，在这个 AI 越来越深度参与我们购买决策的时代，有一股力量正在悄悄改写游戏规则。

它叫 GEO。

我的第一个反应：这会不会是 SEO 的功劳？

作为一个长期关注内容和搜索的人，我的第一直觉是：这会不会与 a2 的 SEO（Search Engine Optimization，搜索引擎优化）有关？

SEO 是什么？简单说，就是让你的网页在 Google、百度这些搜索引擎里排得更靠前的一整套方法。排名越高，被用户看到和点击的机会越多。

如果 a2 相关的内容更容易被搜索到，AI 在联网检索时也可能更容易接触到它。但搜索排名、模型训练数据和一次回答使用的检索来源，是不同的环节，不能简单画上等号。

这个逻辑听起来很通顺。但当我深入研究后发现，事情比这复杂得多——因为 SEO 和 AI 推荐之间的关系，正在发生剧烈的变化。

先把两个概念分清楚：SEO 管”被找到”，GEO 管”被推荐”

在往下聊之前，我需要先解释一个新概念。

GEO，全称 Generative Engine Optimization（生成式引擎优化），指的是让你的品牌或内容被 ChatGPT、Google AI Overviews、Gemini、Perplexity 这些 AI 引擎引用、提及、推荐的一整套做法。

它和传统 SEO 的区别，可以用一张表说清楚：

	传统 SEO	GEO
目标	排名靠前 → 获得点击 → 带来流量	被引用 → 被提及 → 在 AI 回答中占据”声量份额”
优化对象	Google、百度等搜索引擎的排名算法	ChatGPT、Gemini、Perplexity 等生成式 AI 的回答内容
用户行为	用户点进你的网站	用户可能根本不访问你的网站，就已经做了决定
核心指标	关键词排名、点击率、流量	是否被 AI 提及、提及的频率和语境

在实际工作中，GEO 与 SEO 可以相互补充。你可以理解为：SEO 帮助内容在用户搜索时被找到；GEO 关注内容在 AI 回答里如何被引用、提及和呈现。

这个概念的学术起点之一，是普林斯顿大学、佐治亚理工学院、Allen AI 研究所和印度理工学院德里分校研究者的论文《GEO: Generative Engine Optimization》，后发表于 KDD 2024。研究在所测试的生成式引擎和任务中，发现补充来源、引述和统计信息等方法能够改善内容可见度，最高提升约 40%。这是特定实验条件下的结果，并非所有平台通用的增长保证。

换句话说，清晰表达和可核验的证据可能帮助内容被引用。但“看起来有据可依”和“证据真的可靠”，仍是两回事。后面会回到这个问题。

拆链条：从”SEO 做得好”到”AI 推荐你”，中间有多远？

很多人（包括最初的我）直觉上认为：SEO 排名高 → 搜索引擎推荐你 → AI 训练时抓取你 → AI 回答时推荐你。

这条链条把训练与检索混在了一起。对于会联网搜索的 AI，可以研究搜索排名与引用来源的关系；但排名好，并不意味着内容一定进入训练集，也不意味着 AI 一定推荐你的品牌。

第一个数据：76% → 38%，两次研究结果明显不同

Ahrefs 在 2025 年 7 月的研究发现，约 76% 的 Google AI Overview（谷歌在搜索结果顶部直接给出的 AI 摘要）引用来自 Google 排名前 10 的页面。这个数字看起来很高——说明 SEO 排名好，确实更容易被 AI 引用。

到了 2026 年 3 月，Ahrefs 更新了研究，覆盖约 863,000 个关键词搜索结果和 400 万条 AI Overview 引用 URL：按搜索结果区块统计，37.9% 的引用页面出现在前 10 个区块，31.2% 在第 11–100 个区块，31.0% 在前 100 个区块之外。只看传统蓝色链接时，前 10 名的比例是 37.1%。（Ahrefs，2026 年 3 月）

两次样本的结果表明，“搜索靠前”与“被 AI 引用”并不完全重合；由于样本和统计口径不同，也不能把它当成同一批页面的连续变化。

第二个数据：跨平台差距更大

如果把视野扩展到独立 AI 助手，差距同样明显。Ahrefs 2025 年对 15,000 个长尾问题的分析显示，多个 AI 助手引用 URL 与原问题 Google 前 10 名的平均重叠率约为 12%；Perplexity 为 28.6%，ChatGPT 和 Gemini 大约在 8% 左右。（Ahrefs，2025 年 8 月）

这意味着，在该研究样本中，ChatGPT 引用的大部分 URL 并不在原问题的 Google 前 10 名。这里测量的是引用页面与搜索结果的重叠，并不是产品推荐质量。

背后的技术原因：query fan-out（查询扇出）

一个可能的解释是 query fan-out（查询扇出）：部分 AI 搜索系统会把问题拆成多个相关查询，检索后再综合回答。因此，引用页面可能在某个子查询下表现很好，却不在原始问题的前 10 名。并非每一次 AI 回答都会联网检索，也不是每个平台都采用相同流程。

所以，你的内容即使在用户原始问题上排名不高，但如果恰好在某个子问题上被匹配到，一样可以被 AI 引用。

但 SEO 也没有死

说了这么多”松动”，是不是意味着 SEO 没用了？不是。

Ahrefs 对 Google Search Console 数据的研究显示：2025 年 8 月，美国桌面端搜索点击中，96.98% 落在前 10 名，移动端为 97.56%。传统搜索排名依然有价值，只是它不自动保证你被 AI 引用或推荐。（Ahrefs，2025 年 10 月）

那到底什么在决定 AI 会不会推荐你？

如果 SEO 排名不再是唯一的决定因素，那什么才是？

Ahrefs 2025 年 12 月发布了一项覆盖 75,000 个品牌的研究，用 Spearman 相关系数来比较品牌提及与多种指标的关联。1 代表完全正相关，0 代表没有单调关联。相关性不等于因果关系，也不意味着增加某一指标就一定能提升 AI 可见度。结果如下：

因素	Spearman 相关系数	解读
YouTube 上的品牌提及	0.737	最强相关
品牌在全网的提及量	0.656–0.709	强相关
品牌搜索量	0.352–0.466	中等相关
域名评级（DR）	0.266–0.326	弱-中等
外链数量	几乎最弱
页面数量	0.194	约等于无关

（数据来源：Ahrefs，2025 年 12 月）

几个值得注意的发现：

1. YouTube 提及是该研究中相关性最强的指标。这说明视频里的品牌讨论值得关注，但不能据此确定某个平台内部给 YouTube 设置了怎样的权重。

2. “被别人提到”比单纯堆页面更值得关注。在该样本中，品牌提及与 AI 可见度的相关性明显高于页面数量。不过，这并不支持“100 次提及一定胜过 1000 篇文章”这样的换算。

3. 不要为 AI 硬凑字数。Ahrefs 另一项研究发现，内容字数与 AI Overview 引用位置的相关系数只有 0.04；53.4% 的被引用页面少于 1,000 个英文单词。长短都可能有效，关键是把问题讲清楚。（Ahrefs，2025 年 12 月）

4. Schema 不是保证被引用的开关。一项比较 1,885 个新增 JSON-LD 页面与 4,000 个对照页面的准实验，没有发现 AI 引用的显著正向提升。这不等于 Schema 对所有场景都无用，而是提醒我们不要把它当成 GEO 的万能解法。（Ahrefs，2026）

5. “Best X”榜单类内容值得重视。Ahrefs 的一项商业类问题研究发现，榜单类内容占 ChatGPT 引用页面类型的 43.8%。这是特定提示词样本的结果，不能代表全部 ChatGPT 回答；榜单也应公开比较依据，而不是把营销包装成客观评测。（Ahrefs，2025 年 12 月）

6. 品牌体量差距明显。Ranqo 2026 年发布的一篇预印本分析了 10 万余条回答、100 多个品牌，发现首次测量时，大品牌、中型品牌和小品牌在相关回答中的出现率分别约为 73%、44% 和 11%。这是平台样本中的观察结果，尚不能当成所有行业的固定阶梯。（Ranqo，2026）

7. 官网仍然重要。同一篇 Ranqo 预印本中，约 78% 的引用指向企业网站，非企业来源里 YouTube 领先，其次是 Reddit、媒体和维基百科。不同平台、行业和问题类型，来源结构可能不同。

Ranqo 的同一研究还发现，品牌评价的正负变化比“是否被提及”更频繁。这提醒我们：监测 AI 可见度，既要看它有没有提到你，也要看它具体怎么评价你。

AI 的推荐到底影响了多少采购决策？

这是本文最核心的问题。我整理了几份 2025–2026 年的研究。它们的国家、样本和提问方式不同，不能直接拼成一个全球比例，但共同显示：AI 正在进入购买决策。

AI 已经成为部分用户购买研究的第一站

L.E.K. Consulting 2026 年 4 月对 2,650 名美国消费者的调查显示，约 30% 曾用 AI 辅助购买决策。在 AI 使用者中，46% 从独立 AI 平台开始购买研究，24% 从传统搜索开始；2024 年对应比例为 25% 和 43%。这说明 AI 正在提前介入比较与筛选。

31% 的 AI 用户表示，在到达品牌或零售商网站前，购买决定已经基本形成。但 94% 仍会在购买前通过其他渠道核对 AI 的输出。AI 的影响与人的验证行为，可以同时存在。（L.E.K. Consulting，2026 年 7 月发布）

AI 不只是“参考”，它会推动购买，也会劝退

Semrush / Exploding Topics 2026 年 9 月发布的美国消费者调查，样本为 2,338 人：41% 曾根据 AI 聊天机器人的推荐购买；在至少偶尔使用 AI 的人群中，比例约为 57.5%。另一方面，57.5% 的 AI 用户也曾因为聊天机器人提供的信息，决定不买某个产品。（Semrush，2026）

这意味着，AI 可以帮助一个品牌进入候选名单，也可能让它被排除。但调查中的自报行为，并不等于已经测量出 GEO 优化直接带来了多少销量。

B2B 采购同样受到影响

LLM Listed 的《The AI Buyer Journey Report 2026》调查了 770 名美国和英国受访者，其中 350 名为 B2B 买家、420 名为 B2C 消费者。报告称，85% 的受访买家曾因 AI 推荐改变想法或购买决策。这里是该报告的受访买家数据，不能把 85% 直接写成所有 B2B 买家的比例。（LLM Listed，2026）

但信任是有上限的

Product.ai 2026 年 4 月调查了 1,463 名美国网购者，其中 623 人过去 90 天用过 AI 做产品研究。这些 AI 用户中，86% 会核对推荐：45% 总是核对，41% 有时核对。全样本中，约 42% 不愿仅凭 AI 推荐购买超过 25 美元的商品；60.8% 把不验证的信任上限放在 50 美元以内。

同一调查的 0–10 分信任评分里，亲友为 5.13，AI 为 4.51；各来源分数差距并不大，这是一种主观信任评价，并非准确性排名。（Product.ai，2026）

答案变得方便，点击来源的动力也可能下降

Pew Research Center 对美国用户 2025 年 3 月搜索行为的分析显示：出现 AI 摘要时，用户点击传统搜索结果的比例为 8%，没有摘要时为 15%。这提示我们，答案直接出现在眼前时，人们可能更少点击外部来源；但它并不能单独证明用户不再验证，或购买决策质量变差。（Pew Research Center，2025）

BCG 的消费者研究也发现，购物相关的 GenAI 使用从 2025 年 2 月到 11 月增长了 35%。AI 正在成为新的购物触点，品牌需要认真对待，而消费者也需要保留核实的习惯。（BCG，2026）

回到 a2：长期品牌叙事如何进入 AI 的答案

现在让我们回到开头那个实验。

a2 的故事

a2 牛奶公司于 2000 年在新西兰创立，长期围绕 A2 β-酪蛋白建立品牌认知。它把一个蛋白质概念直接写进了品牌名，再通过官网、研究介绍、产品页面和市场教育不断解释它。这为理解“品牌如何成为容易被识别的答案”提供了一个直观案例。（a2 公司 2014 年年报）

但品牌叙事与科学结论需要分开看

2009 年，欧盟食品安全局（EFSA）在《Review of the potential health impact of β-casomorphins and related peptides》中指出，当时的证据不足以确立摄入 BCM-7、相关肽或其前体与非传染性疾病之间的因果关系。（EFSA，2009）

这是一份有明确年代和研究范围的报告，不能用它一口否定后续所有研究。反过来，某项研究发现消化耐受性差异，也不能自动推出“更接近母乳”“更好吸收”或“最适合两岁半孩子”。牛奶与配方奶粉、成人与儿童、不同产品与配方，是需要分别核对的对象。

我关注的是：当研究结论经过品牌传播、科普转载和榜单推荐，进入 AI 的答案时，原有的适用范围和不确定性，有没有被一起保留下来？这篇文章讨论的是信息与决策，不是在给孩子开一份奶粉推荐单。

最重要的那个洞察：被反复提到，不等于最适合你

让我把这个思考串起来：品牌持续传播一个清晰叙事，会让它更容易出现在人们能找到的内容中。AI 检索和组织答案时，也可能接触到这些内容。但“内容很多”“AI 推荐了它”“产品最适合我”，是三件不同的事。

在那次奶粉调研里，a2 为什么成为最后的选择，我无法仅凭对话确定。可能与检索来源有关，也可能与问题设置、上下文、已有品牌认知，以及回答的随机性有关。追问后换了品牌，说明答案值得继续核实，并不证明我成功“移除了语料权重”。

这件事让我意识到 GEO 的影响值得重视：品牌怎样被介绍、在哪里被讨论、有什么可靠证据，可能影响 AI 怎样解释它，也影响消费者的候选名单。相关研究支持我们关注这些因素，但不支持“谁写得最多，AI 就一定选谁”这样的公式。

所以，我真正想记住的是：被推荐，不等于已经经过适合我的验证。被反复引用的研究，也仍要检查样本、资助方、适用人群和它究竟证明了什么。

作为买家：在 GEO 时代保护自己判断力的验证清单

如果你是一个消费者——尤其是正在为孩子选奶粉、为家里选大件、为公司选供应商的人——以下是我建议的验证步骤：

🛡️ 买家验证清单

用不同工具交叉检查。可以问两个 AI 平台，对比答案与来源。答案不同，可能来自检索、上下文或模型差异，不能直接据此判断科学共识强弱；答案相同，也不代表它们使用了独立证据。
追问 AI 的信息来源。 直接问它：”你的推荐依据是什么？引用了哪些研究？这些研究是谁资助的？”很多 AI 会在追问下暴露信息的薄弱环节。
主动要求 AI 给出反对意见。 比如：”有没有权威机构对这个产品/品牌提出过质疑？”——就像我在实验中做的那样。
检查金额阈值。 Product.ai 的数据显示，42% 的人对超过 25 美元的商品不敢只信 AI，60.8% 的上限在 50 美元以内。问问自己：这笔消费值不值得你花 15 分钟做独立验证？
区分“被推荐”与“最适合你”。AI 不一定充分了解孩子的饮食、过敏情况、个体耐受性、你的预算和购买渠道。需要具体产品信息和个体背景的判断，不能省略。
直接核对原始来源。学术论文、监管报告、可靠的评测，都值得打开原文。重点看证据质量，而不只是来源是否显得权威。
必要时请专业人士判断。亲友的经验能补充使用感受；涉及孩子的营养、过敏或生长问题时，应向儿科医生或合格营养专业人士咨询。信任调查中的排名，不能代替专业判断。

作为内容方/品牌方：让 AI 愿意引用并推荐你的实操清单

如果你是做内容、做营销、做品牌的人，以下是结合上述研究整理的 GEO 实操建议。把它们当作值得验证的方向，而不是保证增长的规则。

📋 GEO 实操清单

1. 优先投入”被别人提到”，而不是”自己多发内容”

品牌全网提及量（相关系数 0.656–0.709）远比页面数量（0.194）重要
策略：争取媒体报道、行业评测、KOL 提及、Reddit/论坛讨论、YouTube 视频提及

2. 重点经营 YouTube 内容

YouTube 提及与 AI 可见度的相关性最高（0.737）
不一定要自己做频道，被 YouTube 创作者提到、评测、推荐同样有效

3. 制作有明确依据的比较与榜单内容
在 Ahrefs 的商业问题样本中，榜单类内容经常被引用。可以公开选择标准、优缺点和适用条件，让读者与 AI 都有可核验的比较依据。

4. 在内容中加入可核验的来源和证据
早期 GEO 研究观察到这些方法在特定实验中改善可见度。每个关键论点尽量链接原始来源，同时写清适用范围；不要为了显得专业而堆数据。

5. 不要迷信 Schema 结构化数据

准实验研究显示对 AI 引用没有可测量的提升
Schema 对传统 SEO 仍有价值，但不要指望它是 GEO 的银弹

6. 不要迷信长文

内容篇幅与引用相关性仅 0.04，被引用页面中 53.4% 少于 1,000 词
写清楚比写长更重要

7. 维护好你的企业官网
Ranqo 的特定样本中，企业网站是主要引用来源之一。确保产品、服务、联系信息准确，比较依据清晰，内容及时更新。

8. 关注 AI 怎么评价你的品牌
定期记录代表性问题下的回答和来源，对明显错误提供可核验的更正信息。一次正面提及，不代表之后所有回答都会保持一致。

9. 理解品牌体量与平台样本的差异
Ranqo 的样本观察到大中小品牌的可见度差距。小品牌可以先把具体领域的真实案例、比较依据和产品说明做好，再追踪是否更容易被正确提及。

10. 传统 SEO 仍然是基础
美国桌面端的搜索点击仍高度集中在前 10 名。GEO 不必取代 SEO：让网页易于检索、内容清晰准确、能够帮助用户做判断，是共同的基础。

结语：GEO 的威力与边界

回到最初那个实验。

回想那次给两岁半孩子选奶粉的调研：ChatGPT 把很多信息收束成了一个品牌，确实帮我减轻了选择压力。但当答案越明确，我越需要追问它的证据、适用条件和不确定性。

这些调查让我们看到，AI 已经能影响购买研究、候选名单和最终选择。但每份调查都有样本边界，不能把它们当成全球统一比例：

Semrush 的美国受访者中，41% 曾基于 AI 推荐购买
LLM Listed 的受访买家中，85% 曾因 AI 推荐改变想法或决策
L.E.K. 观察到，AI 已经提前参与消费者的比较与筛选
在 L.E.K. 调查的 AI 用户中，独立 AI 平台成为更常见的研究起点

GEO 的边界同样需要看清。AI 的推荐会受到可用信息、检索来源、问题和上下文的影响，但不能简单概括成“谁出现最多就推荐谁”。一次推荐不等于客观最优，不等于科学共识，也不等于适合每个人。

对于做内容和营销的人来说，GEO 是一个必须认真对待的新战场。你的品牌在 AI 的回答里出不出现、怎么出现，正在以前所未有的方式影响消费者的选择。

对于做购买决策的人来说，GEO 时代最重要的能力不是”会用 AI”，而是知道 AI 的答案是怎么来的——然后在此基础上，做出属于自己的判断。

毕竟，AI 可以帮你整理信息、比较选项、提出一个候选答案。

而“什么最适合你”，还需要你结合实际情况，核对证据，再做决定。