从SEO到GEO：范式转移下的73亿美元新战场与未来入口争夺

前些日子，笔者探讨了AI浏览器作为流量入口的竞争格局。既然流量的主要入口正从传统浏览器向AI驱动的浏览器（或智能体）转移，那么其底层的检索与内容分发技术也必然发生根本性变革：从搜索引擎优化转向生成式引擎优化。这标志着传统的关键词布局与外链建设逻辑，其效力正在逐渐衰减。

GEO：Generative Engine Optimization，生成式引擎优化。

实际上，关于AI将取代搜索引擎的讨论由来已久。例如，三年多前笔者从事医疗AI工作时，产品演示后就常听到这样的反馈：能否替代医生尚不确定，但替代百度搜索看来是必然趋势。

现实情况也印证了这一点。目前，我仅在三种场景下会使用百度或谷歌：

  1. 首先，检查网络是否断开；
  2. 其次，确认VPN代理是否正常工作；
  3. 最后，对AI给出的答案心存疑虑，需要追溯信息来源时。

众所周知，流量即意味着商业价值。当用户越来越频繁地向AI咨询产品信息或寻求问题解答时，一个核心问题便浮现出来：我们应如何**“优化内容以适配AI”**，从而使自家的产品或服务能在AI生成的回答中占据前列？如下图所示：

ImageImage

一个明显的趋势是：近期向我咨询GEO相关事宜的企业决策者显著增多，他们普遍关心两个问题：具体如何操作，以及需要投入多少成本？

要深入解答这个问题，或许需要从大语言模型的底层运作机制开始剖析。

GEO的底层逻辑

Image

如图所示，大语言模型本质上是一个输入-输出系统。GEO的核心目标，是通过影响LLM训练时所使用的语料库，或其在回答问题时实时检索的外部知识库，最终达到影响其输出内容的目的。

这与传统SEO存在显著差异。搜索引擎的排名机制相对透明，它首先高度重视网站的权重，其次考量网页的一系列关键指标（如关键词密度、停留时间等）。这种清晰的排序逻辑使得关键词竞价等商业行为易于评估。

然而，LLM将海量语料“消化”后，其内部形成了一个复杂的黑盒。不仅内容发布者难以预测自己的内容何时会被引用，甚至模型开发者也可能无法保证输出的稳定性。因此，若企业主此刻急于在GEO领域投入大量资金，很可能需要承担较高的试错成本与风险。

我们有必要尝试揭开这个黑盒的一角。首要问题是：模型回答的内容究竟从何而来？

厘清内容的来源至关重要。答案主要集中于以下三个方面：

一、固化数据（模型参数内知识）

这部分指在模型预训练和微调阶段注入的数据，它们构成了模型认知世界的“世界观”与知识基石，犹如一座经过高度压缩的巨型图书馆。

试图通过“投喂”数据来影响基座模型，对于绝大多数公司而言是一个不切实际的目标。如果有人承诺能将网站数据直接编码进像ChatGPT这样的主流模型，这几乎可以被视作一种误导。

当然，这并非意味着完全无法介入。用于训练的数据要求极其苛刻，必须是高质量、权威性强的精品内容，其门槛本身就已非常之高，例如：在顶级学术期刊上发表SCI论文。

二、RAG（检索增强生成）

这是当前GEO最核心、最现实的优化战场。当用户提出问题时，AI会实时从互联网检索最新相关信息，并将这些信息作为“上下文”与用户问题一并提交给LLM，从而生成基于实时、相关信息的答案。

具体工作流程涉及意图识别与关键词解析，随后AI从索引库中查找相关网页。

需要特别注意，在此环节，传统搜索引擎的索引与排序逻辑依然发挥着重要作用，SEO的基础原则并未完全过时！

其内在逻辑是：AI会倾向于优先选择权威、可信、专业的信源（这意味着E-E-A-T原则的重要性依然凸显）。

注：当然，实际执行中可能出现偏差。例如，近期观察到某些模型在生成答案时引用了CSDN社区的内容，这引发了关于信源质量的讨论。

在该领域的核心策略，依然是在优质平台进行大规模的内容发布。至于“大规模”的具体标准，则因理解而异，本质上这仍是一种利用平台基础设施的内容分发逻辑。

关键洞察在于：对人类阅读体验不友好的文档格式，可能对AI处理非常友好。所谓对AI友好，通常具备以下特征：

  1. 以问答对形式组织；
  2. 内容海量、覆盖信息全面；
  3. 采用短句结构，便于截断与引用；
  4. ……

三、外链（链接内容）

如果用户问题或参考文档中包含了链接，模型也有可能对其进行访问和解读。然而，这种方式对于GEO目标的直接帮助通常较为有限。

综上所述，从模型内容输出的逻辑来看，核心原则似乎依旧围绕着E-E-A-T展开：

  1. Experience（经验） - 新增且日益重要的维度
  2. Expertise（专业度）
  3. Authoritativeness（权威度）
  4. Trustworthiness（可信度）

以上是对GEO基本原理的概述。接下来，我们思考第二个关键问题：对于AI领域的创业者而言，是否应该投身于GEO这趟快车？它当前的实际价值究竟如何？

GEO的价值与市场规模

关于GEO市场的具体规模，目前可查的直接数据相对有限：根据Valuates Reports的估算，2024年GEO相关服务市场规模约为8.86亿美元，预计到2031年将增长至73.18亿美元。

我们可以通过相邻市场的规模作为参考上下界：传统的SEO服务市场预计在2025年达到约749亿美元，2030年增至1273亿美元。

同时，预算迁移的信号已经清晰可见：美国的AI搜索广告收入预计在2029年达到259亿美元，占搜索广告总额的13.6%。

从需求侧渗透率来看，Google的AI Overviews功能在2025年3月已触发了约13.14%的搜索查询。

综上，GEO虽仍处于早期发展阶段，但已展现出可观的成长性：在AI搜索渗透率持续提升与营销预算结构性迁移的双重驱动下，它正从一项“增量试验”演变为独立的细分市场。

从数字上看，GEO的价值毋庸置疑。然而，这块市场蛋糕的大部分预计将被底层模型公司及其生态所占据，并且它们已经开始积极布局。

入口之争：从浏览器到任务调度系统

此前，我们讨论了AI浏览器作为下一代流量入口的趋势，也提及了像Atlassian以6.1亿美元收购Dia这类事件，它们都标志着流量入口正从传统浏览器向AI赋能的交互界面转移。

因此，科技巨头们纷纷加紧布局，争夺下一代的用户“入口”。并且，这种争夺不再局限于浏览器界面本身，而是深入到用户的工作流程、决策支持与深度集成层面。

在此趋势下，AI浏览器与AI智能体之间的界限正变得越来越模糊。

传统巨头的策略

拥有现有入口优势的巨头，正着力强化其既有生态：

  1. 微软：将Copilot深度植入Windows操作系统内核，实现系统级的智能体调用。
  2. 谷歌：通过Gemini重构Chrome浏览器，使搜索结果能直接呈现动态生成的3D模型演示等内容。
  3. 苹果：将Siri升级为具备主动感知能力的智能体，可跨设备预测并响应用户行为轨迹。

新兴势力的冲击

与此同时，各类新兴力量也在不断涌入并冲击这一领域：

  1. Dia浏览器：通过实时屏幕语义分析，在用户点击前即可预加载所需信息。
  2. Manus智能体：首创“认知沙盒”技术，能够并行运行多个智能体以处理复杂任务链。
  3. Nova Act SDK：提供跨平台的智能体运行时环境，旨在打破浏览器与本地应用之间的壁垒。

以上诸多领域是传统SEO难以触及的，但无疑是GEO必须关注的板块。从这个角度看，GEO所能覆盖的潜在流量范围实际上扩大了许多。

根据今年红杉资本AI闭门会议透露的信息：云时代的操作系统是Windows，移动时代是iOS/Android，而AI时代的操作系统，将不再是安装在设备上的软件，而是“任务调度系统”。

什么是任务调度系统？近期备受关注的Manus以及正在进行激进变革的各类AI浏览器，正是其雏形。

任务调度系统下的GEO新范式

如果沿着红杉资本的思路推演，AI时代的操作系统本质是“任务调度系统”，那么GEO的策略核心就必须从“关键词排名”升级为“任务理解与介入”。

传统SEO追求在用户主动搜索时被看到；而GEO的目标，则是让AI在用户执行任何任务（未必是搜索）的过程中，优先推荐你的产品、服务或内容作为解决方案。这不再是被动的响应检索，而是主动嵌入用户的工作流。

例如，当用户发出“帮我总结这篇论文”的指令时，AI可能会直接调用某个已深度集成的文献分析工具，而非仅仅返回一个网页链接列表。

在这些场景中，决策权移交给了AI。GEO要做的，就是让你的服务成为AI进行决策时的“首选方案”。

因此，GEO的优化维度不再仅限于内容本身。能否提供标准化、可被AI轻易识别和调用的API接口；能否输出结构化、可信度高的实时数据；能否进入主流AI平台的“白名单”或官方插件/知识库体系——这些将成为GEO更高级且更关键的手段。

这也是每一位意欲布局GEO的AI创业者需要深思的核心问题。值得注意的是：表面上看门槛极高，但实际上，许多细分垂直领域尚未出现“被AI默认调用”的垄断性巨头。这恰恰是中小型玩家凭借技术敏捷性与深度垂类认知，抢占GEO战略高地的宝贵窗口期。

回顾Atlassian巨资收购Dia、谷歌重构Chrome等事件，其本质都是在争夺“任务级别的用户入口”。作为创业者，你的GEO策略是否也已准备好，从“页面优化”全面转向“任务集成”？

或许，相关的布局需要从现在就开始。

结语：生态位选择与价值锚点

GEO的兴起，并非单纯的技术范式迁移，而是一场围绕用户入口与注意力的深层产业变革：

它标志着我们正从“搜索即流量”的时代，迈入“生成即触达”的时代。

在此过程中，流量的底层逻辑正在被重构，重心开始从网页排名转向任务集成与解决能力。然而，必须清醒认识到，GEO生态中的绝大部分价值，仍将由基座模型厂商与核心平台方主导。

它们控制着训练数据的选择、定义着内容排序的规则、掌握着服务接入的标准，正如移动互联网时代的iOS与安卓系统一样，它们构建了生态的顶层规则。

试图完全绕过这些平台自建一套独立的GEO体系，对绝大多数企业而言并不现实。更为理智的策略是主动融入主流AI平台所构建的知识与服务生态，在其既定的规则框架下，寻找并深耕自身的生存与发展空间。

在这个过程中，垂直细分领域蕴含着巨大机遇！在AI生成答案的背后，是对高度专业性、强结构化、高实时性内容的巨大需求。垂直领域的企业或服务提供商可以重点布局以下方向：

  1. 聚焦细分场景，成为AI的“权威信源”：在特定行业或领域内深耕，建立高质量的数据壁垒与内容护城河，塑造领域内的E-E-A-T优势。
  2. 构建RAG友好型内容体系：主动生产问答对、清单体、参数说明等易于被AI提取、理解和引用的内容形态，系统性提升被检索与采纳的概率。
  3. 积极接入插件与API生态：未来的AI将越来越多地通过调用外部工具与服务来完成任务。提供标准化、稳定可靠的API接口，是达成深度集成的前提条件。

GEO的竞争，其本质依然是信任与价值的竞争。专业领域的深度知识（Know-How）与高质量数据，已然成为新的关键竞争要素。

最后，关于GEO还存在一些更偏向技术实践与策略探索的研究，不便在公开文章中详尽展开，有兴趣的朋友可以私下交流探讨：

Image