深響持續關注AI營銷：

GEO亂象｜廣告4A的AI躍進｜詳解千問豆包元寶的營銷長跑｜AI營銷的陰暗面 ｜戛納AI大討論｜AI TVC｜百度AI營銷｜優酷AI營銷 ｜ 快手AI營銷｜阿里媽媽AI落地｜微軟AI營銷｜專訪X（Twitter）｜專訪鈦動

??深響原創 · 作者｜劉亞瀾

AI營銷正經歷冰火兩重天。

一邊是“養龍蝦”不斷破圈，A2A（Agent to Agent）營銷走上舞臺；另一邊則是警鐘敲響，央視315曝光GEO亂象，惡意“投毒”AI大模型，干擾AI的判斷，使其輸出帶有商業傾向甚至虛假的信息。顯然，在真實的AI營銷和大眾認知甚至行業認知之間存在著巨大的信息差。

最近，我們訪談到Pallas AI創始人Ethan，他在阿里有10年算法經驗，也是前螞蟻Ling大模型首席架構師，其創立的Pallas AI是市場上首款提供標準化產品的 GEO AI Agent，并已獲得兩筆投資，累計融資超千萬人民幣。

“你想投毒會變得越來越困難。如果AI能在秒級閱讀幾千篇文章，你需要投多少稿件才能影響它的判斷？AI會越來越聰明，所以這種惡意競爭的商業模式無法成立。”Ethan告訴「深響」：“在 AI 時代，惡意競爭的性價比極低。企業唯一能做的就是踏踏實實地做好自己的事情?！?/p>

圍繞GEO與AI營銷，我們核心討論了以下關鍵問題：

• GEO與SEO的核心區別、GEO的實現路徑、GEO的歸因邏輯
• “全民養蝦”對品牌意味著哪些機會？A2A營銷又是什么？
• 直面AI營銷的種種挑戰，廣告主可以做哪些準備？

GEO的誤區思考：什么才是真正的GEO？

雖然現在GEO被黑灰產搞得污名化，但Ethan并沒有回避這個詞。他希望客戶和行業能由此真正思考到底什么是GEO。

他認為，GEO并不是在AI里排名和露出的問題，而是如何讓AI理解你。GEO是幫助企業在內容輸出端，專門面向 AI 再做一次營銷，把企業的內容，用 AI 能聽懂、能深度理解的邏輯重新整合一遍，確保 AI 獲取到足夠完整、準確的信息，進而向用戶做出有效推薦。

“大家對GEO最大的誤解是混淆了GEO和SEO。兩者的核心區別不在于優化的平臺，而在于指標衡量方式。大家還是會把可見性、排名、首推率、推薦率這些當成重要指標。但GEO 真正的最終指標可能是多樣性覆蓋率（Diversity Coverage）以及轉化效果。”

在 SEO 時代，排名第一還是第五是決定生死的“最終指標”。但在 GEO 時代，用戶 Prompt（提問）是極度個性化且長尾的，平均長度達到 23-27 個詞，這意味著以前那種“守住幾個核心關鍵詞”的邏輯徹底失效了。AI 時代沒有所謂的“熱門 Prompt”，企業需要關注的是：在無數個長尾、碎片化的用戶意圖場景下，你的品牌是否都能通過真實的“證據”出現在 AI 的答案里——這也就是多樣性覆蓋。

Pallas AI營銷圖譜示意

目前的GEO行業，大致有兩種路線，一種是“博弈”，研究模型的偏好，試圖“黑”進推薦算法，找到AI的推薦規律；另一種則是 Pallas AI堅持的“共建”。

找規律的方法在短期內可能見效，但壁壘極低。隨著模型智能度的飛速提升，尤其是上下文（Context）窗口突破千萬級甚至上億級別時，AI 能夠拉回全行業的所有信息，所謂的“排名規則”將不復存在。Ethan認為，GEO 不應是去“黑”模型的偏好，而是通過補齊內容的“供給差異”，與模型實現共建。

“模型為什么要搜索？是為了找到更實時、準確的信息來提升回復質量。這可能才是模型最本質、第一性需要的東西?！盓than告訴「深響」：“那我們就要找到內容的供給差異（Gap），實時補充企業迭代的信息，提升模型回復的準確性。”

具體而言，Pallas AI通過五個基本步驟來實現：

• 背景調查：明確營銷實體是品牌還是產品線還是單一產品，并通過Agent對行業、競品、用戶畫像做深度研究；
• 營銷定向：為企業建立圖譜，找準用戶、場景、意圖；
• 分析監控：明確定向范圍后初步執行，并觸發監控從而獲取數據反饋；
• 生成策略：基于數據發現優化機會點，包括內容缺口，信息缺失點等；
• 內容生成：結合機會點需求，圍繞客戶背景調查及知識庫和全網評測信息來生成大綱、尋找證據（Evidence）并進行真實性校驗，最后發布并完成閉環。

以上的流程，是一個完整的GEO周期。這也是所謂“野生服務商”很難具備的系統性能力。它們看上去復雜，但在Pallas AI中，基本一天內就可以完成。

AI營銷的FOMO與真·浪潮

其實現在AI營銷的痛點并非技術，而是使用者的畏難情緒和彌漫在行業里的焦慮感。

就拿最近火熱的“全民養蝦”來說，從初創團隊到大廠高管，似乎人人都在“養蝦”，這種熱潮迅速演變成了一種新型的 FOMO（Fear of Missing Out錯失恐懼）：如果我還沒弄明白龍蝦是什么，是不是就要被 AI 時代拋棄了？如果我的品牌還沒做AI營銷，是不是就要錯過下一個抖音、下一個小紅書了？

在Ethan看來，這種情緒需要降溫。他建議廣告主關注龍蝦的普及率：“當前養龍蝦的還是AI圈、互聯網圈，沒有「全民」，雖然范圍在一點點地擴大，但這還是一個逐漸滲透的過程。這個速度對比2023年底ChatGPT達到1億DAU，我覺得還是差很遠的。”

但不焦慮的同時，我們也需要弄清背后的營銷趨勢?！褒埼r未必只是它表現出來的樣子，它實際上是用戶交互的入口。”Ethan指出，當交互入口從 ChatGPT、豆包等公共平臺轉移到用戶“自己的龍蝦”上時，流量的分發權也隨之位移。因為“自己的龍蝦”擁有用戶更多的私有上下文（Context），用戶對它的信任度遠超通用大模型。

對于廣告主而言，這種趨勢背后的商業邏輯確實不同以往。落到具體的營銷范式上，這就是A2A營銷的前奏。

在去年年底，A2A 聽起來還很遙遠，但隨著個人與企業間協議層的實驗展開，這種形態正在加速落地。想象一個場景：你需要買一條 1 米 93 的人穿的長褲。在傳統電商時代，你需要反復搜索、比價、看評論；但在 A2A 時代，你的 Agent 會直接帶著需求去詢問多家品牌方的 Agent。

由此，歸因的邏輯也會不一樣：過去，人是第一行動者，點擊、瀏覽、下單，構成了一條完整的用戶行為歸因路徑。這條路線定義了搜索、推薦系統時代的商業模式；而在AI的語境下，AI 是內容的第一閱讀者和決策參與者。未來 AI 會幫用戶比價、詢價，甚至通過協議（如 Instant Checkout 或 ACP）直接拉起支付鏈路。當訂單是由 AI 調起時，我們自然也需要一套全新的歸因體系。

多維度歸因

面對這樣的變化趨勢，廣告主可以做的準備主要是認知層面和內容層面。認知上，保持好奇、保持對AI營銷動態的關注，甚至可以進行一些實驗；而內容上的準備更緊迫一些——品牌們必須抓緊積累自己的AI內容資產，即AI可以看懂的、結構化的內容。

Ethan談到在業務中發現很多品牌的內容非常零散、沒有任何圖譜結構。“大家的品牌信息、產品信息、用戶信息都分散在各處，還有大量的PDF、PPT、視頻，缺乏結構化整理。而這個數據信息的結構化管理便是企業接下來的核心壁壘之一。你需要從品牌形象到細分 SKU，再到適配場景和競品優劣，建立一套完整的管理體系?！?/p>

說嚴重一點，未來用戶的 Agent（如龍蝦）直接對接企業的 Agent時，如果數據不能從營銷人員的腦子里搬出來，變成 Agent 可讀的持久化數據單元，品牌就無法接住未來的 A2A 流量。

更多細節思考在「深響」整理后的部分訪談實錄中：

GEO的誤區

深響：現在市場上對GEO行業誤解很多，您覺得最需要澄清的有哪些？

Ethan：最大的誤解還是混淆了GEO和SEO。兩者的核心區別不在于優化的平臺，而在于指標衡量方式。大家還是會把可見性、排名、首推率、推薦率這些當成重要指標。

在 SEO 時代，排名第一還是第五是“最終指標”；但在 GEO 時代，排名只是一個非?！爸虚g的指標”。它只能證明 AI 能夠理解并曝光你的產品，但遠沒有結束。

深響：如果排名不是最終指標，那 GEO 真正的最終指標是什么？

Ethan：我認為可能是多樣性覆蓋率（Diversity Coverage）以及轉化歸因。

在搜索引擎時代，其實大部分企業不需要做太多關鍵詞，只要圍繞搜索量級跟搜索熱度，把核心關鍵詞或者說用戶關注的一些關鍵詞做好就可以了。而且你可以比較單次、獨立地拿出這些信息，這些也能投SEM。

但在 AI 時代，用戶 Prompt 是極度個性化且長尾的（平均 23-27 個詞），不存在所謂的“熱門 Prompt”。因此，企業需要關注：面向AI營銷的時候，你的覆蓋率是否在持續提升？你是否挖掘到了用戶潛在的真實意圖？你通過什么樣的證據在補充用戶意圖？我們買的不是一個可見性，而是 AI 渠道帶來的實際營收效果。

這很大程度上也是引導市場的一個過程。AI平臺已經在做很多事情了，比如商品卡，千問幫我買、豆包的商品鏈接，這些東西都在嘗試提升用戶的效率。那對于GEO廠商，其實應該把這些事情聯動起來給企業出一些歸因方式，讓企業看到自己在GEO上的投入是否帶來了營收效果。

深響：但畢竟廣告主也需要匯報，我們看到挺多用截圖去當結案的?，F在的 GEO 歸因進展如何？

Ethan：我們的進展是，Agent 已經能監測到商品維度的曝光信息，并匯總到店鋪層面，通過連接銷量數據來觀察相關性。

AI營銷歸因現在還不完整主要挑戰在于行為主體的改變：

傳統時代： 人是第一行動者，點擊、瀏覽、下單，構成了一條完整的用戶行為歸因路徑。這條路線定義了搜索、推薦系統時代的商業模式，我覺得是非常合理的。

AI 時代： AI 是內容的第一閱讀者和決策參與者。未來 AI 會直接幫用戶比價、詢價，甚至通過協議（如 Instant Checkout 或 ACP）直接拉起支付鏈路。當訂單是由 AI 調起時，我們需要一套全新的歸因體系。

目前海外有一些比較清晰的路線，比如在海外我們可以連接企業客戶網站的CDN，包括他們跟AI交互的一些接口信息，我們去監聽這些接口是不是被AI調用了。這種情況下我們可以連接后續的AI行為去看最終營收與AI的關聯度有多大。

深響：為什么很多 GEO 公司選擇從海外市場試水，而不是國內？

Ethan：我覺得大家可能有兩個核心關注點。

1. 標準化：如果大家很關注海外市場，大概率是希望做標準化產品，而非重人力的服務方案。
2. 公域體系差異：海外跟國內有一個最大的區別，就是海外的網站體系（Website），或者企業的公域體系還活得很好。海外擁有成熟的網站體系，企業在自家官網維護 FAQ 和文章，AI 就能讀取，試錯成本極低。而國內幾乎不看網站了，內容多散落在各類三方媒體平臺上，企業需要通過各種中介發稿，成本和門檻更高。

深響：能否詳細拆解一個完整的GEO客戶服務流程，從初始達成合作到最終效果監測與迭代，一個完整的周期是怎樣的？

Ethan：我們將整個流程簡化為五步：

1. 背景調查：明確營銷實體（品牌還是具體 SKU），通過 Agent 對行業、競品、用戶畫像做深度研究Research。
2. 營銷定向（圖譜建立）：給企業做營銷定向，繪制營銷圖譜。明確優化目標之后，找到目標用戶，理解這些目標用戶會在什么場景使用產品、對產品有哪些疑問、產生哪些意圖……我們交付的不是幾個 Prompt，而是幾十條路徑，每條路徑下掛載幾十個示例 Prompt，追求多樣性覆蓋。
3. 分析監控：設定完整的基準線，讓企業選擇定向范圍以及目標地域、語言，然后去做、去觸發我們的整個監控。觸發監控后，我們可以直接讓企業在5-10 分鐘后迅速看到第一次數據反饋，產出原始回復明細和匯總數據。你就能看到AI平臺當下是怎么反饋問題的、你在平臺的位置如何（可見度、排名、平均位置、好感度、商品卡露出等等）。我們甚至支持企業客戶自定義所需要的指標。
4. 生成策略：基于上一部的真實數據發現“內容機會點”。比如 AI 在推薦護眼電視時推錯了型號，策略就是補充該型號護眼功能的強證據。
5. 內容生成（Agent 協作）：我們把自己的內容變成一個“子 Agent” ，它圍繞客戶背景調查及知識庫和全網評測信息來生成大綱、尋找證據（Evidence）并進行真實性校驗，最后發布并完成閉環。閉環后我們會把數據指標細粒度再對齊，比如這篇內容有沒有被AI引用、被AI引用到的情況下產生了什么樣的品牌可見性或者品牌定位的差異性或者效果提升，圍繞這些提升效果我們再怎樣生成策略、持續推進。

這以上的流程，是一個完整周期?；旧弦惶靸?，是可以完成一個直接閉環的。當然我們的Agent用起來，確實也有一些學習成本，一些營銷人員對Agent還不是很了解，大家可以通過把問題拋給Agent來解決。我們做了很多優化，也有一些培訓，客戶不用擔心這些會燒credits。

深響：市場上有些GEO公司主要研究模型偏好、投其所好，你們的思路似乎不太一樣？

Ethan：確實很多團隊都在看搜索引擎的ranking（排名）是怎么去做的，用過去的思路來看AI模型。我覺得這種思路是“博弈”。博弈在短期內會有收益，有結果，但我非常不看好。

模型智能度正在飛速提升，當 AI 連復雜的數學公式和長文本都能深度理解時，所謂的理解模型的“內容偏好”的差異（比如99 分與 100 分的差距）會變得微乎其微。 搜索引擎時代，SEO去研究排名規則有用，是因為規則不會頻繁變化。

更重要的是，下一個時代，當模型的上下文（Context）突破千萬甚至上億 Token 時，排名（Ranking）將不再重要，你能把這個行業的全部信息都拉回來。博弈者的壁壘會隨著模型迭代而消解。 這時候你的優勢又是什么呢？

我們在思考——模型為什么要搜索？為什么不能直接回復結果？因為搜索是為了找到更實時、更多方、更準確的信息來提升模型本身回復的準確性。這可能才是模型最本質、第一性需要的東西。那么我們做GEO怎么去擴大模型這方面的優勢？

我們的思路是共建：模型搜索是為了獲取更實時、準確的信息。那我們就要找到內容的“供給差異（Gap）”，實時補充企業迭代的信息，提升模型回復的準確性。這種生態共建模式在中長期是可持續的，因為模型永遠需要這樣的實時信息去回答用戶源源不斷的個性化的問題。

我們唯一關注的是渠道偏好，模型在哪些地方能看見內容、在哪些地方看不見內容，它的渠道偏好對我們來說就是0和1的區別。

直面AI營銷的挑戰

深響：品牌主現在應該如何積累自己的 AI 內容資產？

Ethan：這是一個特別好的問題，也是我們發現的痛點?，F在很多企業客戶，他們的內容是非常零散、沒有任何圖譜結構的。大家的品牌信息、產品信息、用戶信息都分散在各處，還有大量的PDF、PPT、視頻，缺乏結構化整理。而這個數據信息的結構化管理確實是企業接下來的核心壁壘之一。你需要從品牌形象到細分 SKU，再到適配場景和競品優劣，建立一套完整的管理體系。

這個結構其實以前就有，在營銷人員的腦子里——我的產品線什么樣、行業線怎么樣、產品直接怎么聯動、節點營銷什么組合拳，這些是有的，只是沒有被梳理好。

未來商業模式會變成：用戶的 Agent（如龍蝦）直接對接企業的 Agent。如果你的數據不能從營銷人員的腦子里搬出來，變成 Agent 可讀的持久化數據單元，你就無法接住未來的 A2A 流量。

深響：這是對內容結構的要求。那么具體到內容本身呢？我們需要讓內容更像“論文”來讓AI更容易讀懂嗎？

Ethan：我覺得至少文學性的語言包括可能偏向于營銷性的語言會減少，但它到底是不是一篇論文，我覺得也沒專業到那種程度。它的專業度在于你的信息可信、你是不是有一些引證單元，如果說這個引證單元有“論文”的結構的話，那你確實是可以保持這樣的結構，讓 AI 更可信一些。

深響：營銷內容往往需要夸張（比如“遙遙領先”），這與 AI 要求的真實性是否沖突？

Ethan： 我們需要把“實”的論據（Evidence）與“虛”的調性（Slogan/Tone）拆分開。 AI 作為一個“新銷售”，你不能只告訴它“遙遙領先”，它理解不了這種調性。你需要告訴它準確的參數和場景適配度，同時明確告知它品牌的價值觀。

在生成內容時，我們會區分“主觀表達”與“客觀證據”。如果只是通過簡單的 Prompt 堆砌營銷辭令，那是在制造“垃圾語料”，AI 的判斷力遠超個體用戶，這種低質污染在未來沒有商業性價比。

深響：如何應對競品的 AI 惡意差評或污染？

Ethan： 你想投毒會變得越來越困難。如果AI能在秒級閱讀幾千篇文章，你需要投多少稿件才能影響它的判斷？AI會越來越聰明，所以這種惡意競爭的商業模式無法成立。

在 AI 時代，黑別人的性價比極低。我們很期待AI時代，大家的博弈手段失效了，以前的很多負向競爭/惡意競爭失效，這時候企業唯一能做的就是踏踏實實地做好自己的事情。

深響：品牌方該如何判斷 AI 營銷服務商的水平？

Ethan：很難直接判斷，水平太參差不齊了。我不建議 KA 企業找外部服務商做獨立的 GEO，因為這應該是一個內部轉崗組建團隊、與現有營銷銜接的過程。 對于非 KA 企業，建議使用標準化的 Agent 工具。服務商的消耗太高且結果難量化，容易導致企業在 FOMO 和“被割韭菜”的挫敗感中死循環。

現在大家把GEO做為戰略預算，它的營銷占比當前不會太大，但會持續增加。所以企業還是先有認知，低成本地在這個事情上做積累和探索比較好。

深響：從營銷服務商轉型而來的AI營銷公司會積累了很多過去的營銷數據、用戶洞察，他們的Agent會有更多的“經驗”嗎？

Ethan：營銷公司積累的數據大多是營銷行為數據。這個數據是可以拿來訓練的，比如什么情況下操作點擊、曝光，它的競價大概多少，圍繞這些可以做競價bidding模型、操盤手策略。

在Pallas AI當前的視角上，我們只做數據積累，沒有做任何訓練，因為我們認為我們幫企業去理解的更多的是企業的營銷內容數據，包括用戶的內容數據。這些數據不需要去訓練。如果Agent公司宣稱這方面是有壁壘、宣稱自己在訓練模型的，通常是面向投資人不得不做的一件事。

你可以這樣想，如果你拿到了部分局部數據進行訓練，而ChatGPT又更新了版本，你覺得誰厲害？當前Agent公司從模型的維度去建立壁壘、構建閉環，我覺得是不太存在的。

我們的閉環在于，客戶在我們這里用GEO時，它的使用效率和反饋效率以及他持續使用時可能會產生的遷移成本。這是我們應用層公司應該去考慮的壁壘。

深響：大多數 Agent 平臺賣 Credit（積分），基于 Token 消耗的“計量收費”。Pallas AI也是。但大家可能會質疑這種模式可能并不希望你的任務一次性高效完成，因為“廢話越多，積分扣得越快”，讓你不斷地生成、不斷地分發，消耗大量積分。還有另一種模式是RaaS按結果付費，您怎么看這兩種商業模式？AI營銷服務的利潤空間應該從何而來？

Ethan：我其實挺不看好按結果付費的。在目前的狀態下，所有的按結果付費，它都不是真正的結果，而是個中間值?；蛘哒f，我給客戶畫個餅，告訴他這是結果，然后按餅付費。

我們從性價比角度、客戶真實的視角來看，我們的商業模式跟Manus還是高度相似的，我們把它變成一種基礎設施，就像電力一樣，客戶交的是電費。我們希望以高性比的方式融入客戶的企業。這樣對企業來講也是有最高ROI的。

從龍蝦到A2A營銷

深響：最近熱度很高的“全民養蝦”對AI營銷有什么影響？

Ethan：“龍蝦”未必只是它表現出來的樣子，它實際上是用戶交互的入口層。它是“全民私人顧問”在用戶端的具體落地。如果把這種形態定義為未來趨勢，那么用戶的核心交互場景將從 ChatGPT、豆包等 AI 平臺，轉移到“自己的龍蝦”上，用戶會更相信龍蝦，因為自己的龍蝦會擁有自己更多的上下文信息（Context）。

這個時候廣告主的營銷動作或者說入口的曝光方式會變成通過龍蝦對他們產品和品牌的理解，再去給用戶做相應的篩選。

深響：Agent to Agent。

Ethan：對，在去年11、12月，我們就在講A2A經濟，但那時候覺得很遠，尤其是個人到企業之間的這種A2A，需要很多商業協議和規范才能真正落地。當然現在純個人之間的A2A其實已經在交互了，個人與企業之間的A2A也不會特別遠了，我們正在做一些跟龍蝦相關的協議層的一些實驗。

深響：您覺得廣告主圍繞A2A，現在可以關注？基于這些關注點能做些什么？

Ethan：我覺得大家不要過度FOMO。在FOMO情緒下做的選擇大概率是錯的。我建議大家可以關注龍蝦的普及率，這是一個很重要的指標，當前養龍蝦的還是AI圈、互聯網圈，沒有“全民”，雖然范圍在一點點地擴大，但這還是一個逐漸滲透的過程。這個速度對比2023年底ChatGPT達到1億DAU，我覺得還是差很遠的。

具體來說，廣告主還可以關注入口遷移的商業邏輯。為什么龍蝦讓大家很FOMO，因為大家發現這次入口的遷移會真正帶來跟之前很不一樣的商業邏輯。廣告主現在可以做的是降低自己的FOMO情緒后做一些A2A的實驗去理解這個事情。

深響：最后談談對 A2A 營銷未來的走向判斷？

Ethan： A2A 是商業模式提效的最終命題。它能解決用戶極度個性化的需求（比如幫 1 米 93 的我買到合適的長褲子）。目前的難點在于協議與監管（支付、內容、法務協議）。

我們接下來的形態可能會直接給企業建立一個MCP，這個MCP可以跟多個Agent連接起來。我們比較堅定的是去做面向企業端的產品，當下是GEO的Agent，之后可能是Agent Builder。