从GEO到GPO：背书优化，月均线索量提升118%，有效性提升66%-知策数智

复盘案例引发思考

最近跟一个客户谈续费，复盘一个GEO项目，开始重新思考一个问题：企业已经被AI推荐出来了，GEO是不是就做完了？

现在大家做GEO，最常看的还是品牌提及率、推荐排名和信源覆盖。原来AI不认识这个品牌，现在认识了；原来用户问相关产品推荐时没有这家公司，现在不仅出现了，一些问题里还能排到比较靠前的位置，这当然都是效果。

但企业花钱做营销，最终不是为了让监测报表更漂亮，而是为了客户、线索、实打实的业绩。如果品牌提及率已经不错，咨询量也确实上来了，但真正适合企业的客户比例并不高，那么继续把提及率从80%做到90%、95%，是不是最值得投入的方向？

最近这个检测设备、测量仪器行业的GEO项目，让我有了新的思考。不过GPO这个概念并不是项目开始之前想出来的，而是项目做出效果以后，客户的一句话提醒了我。

我们先说案例。

第一次做GEO，客户只敢先签3个月（客户合作有顾虑）

这是一家做检测设备、测量仪器的企业，产品线比较多。

客户去年就已经关注GEO，也比较看好AI搜索未来的发展，只不过当时比较忙，一直没有真正开始。另外一个原因就是不太确定效果。

GEO毕竟还是一个比较新的营销方向，市场上的GEO服务报价从几万元到几十万元都有。第一次合作（客户是广东本土企业，之前是华东地区一家GEO公司提供服务），让客户选择一个从来没有合作过的服务商一开始就选长周期的合作、投入较高预算，心里有顾虑很正常。比如：

万一没有效果怎么办？
付钱以后服务商能不能认真执行？
最终用什么指标判断这笔钱花得值不值？

客户刚开始比较谨慎，只签了3个月。

对于企业刚进入一个没有验证过的新渠道，这种选择其实很正常。先用较短周期测试，有效再增加投入，效果一般继续调整，不适合也可以及时停止，降低损失。

3个月48条咨询，但真正有效的只有13条（第一批效果反馈）

从2月10日到5月10日，客户累计统计到48条咨询。

这个项目有一个比较特殊的地方，就是同期其他的推广渠道比较少。客户没有做百度竞价，官网也没有多少SEO自然排名，之前的短视频推广也已经暂停。

结合客户自己对咨询来源的判断，这一阶段新增线索基本可以认为主要来自GEO优化推广。3个月48条咨询，对于这类B2B企业来说，已经能够证明GEO确实带来了真实线索。（见插图1）

【插图1：客户做GEO3个月效果反馈】

但是客户并不是特别满意。

因为48条咨询里面，最终被客户判断为有效的只有13条，有效率约27%。这里的“有效”，不是有人打电话或者加微信就算，而是有真实采购需求，企业的产品能够承接，并且值得销售进行下一轮跟进的才算。

客户前3个月做完以后，给出评价：

GEO有效，但是ROI还有提升空间。

后面继续优化时，需要解决的问题已经不是“GEO有没有用”，而变成了：已经能带来客户了，怎么让来的客户更加精准？

【插图2：GEO信源建设总览】

团队重新梳理了456个问题，先看整体品牌提及率

分析整理提示词

我们拿到这个项目之后，没有急着增加信源，而是先看了下前服务商所作的工作，又重新认真的研究了一遍客户的产品结构和真正可能产生采购需求的搜索场景。

检测设备、测量仪器这类企业有一个明显特点：产品多、分类多、标准多、应用行业多，不同产品之间还存在大量关联。所以不能简单围绕“品牌推荐”、“厂家推荐”无限扩问题。真正需要搞清楚的是，用户到底从什么角度寻找产品。

最终重新梳理出了456个问题，覆盖解决方案词、标准词、试验分类词、行业词、产品名称词以及复杂混合场景词。

整体监测结果中，百度AI品牌提及率为86.62%，豆包74.56%，DeepSeek 80.04%，元宝91.67%，千问88.38%，Kimi 76.32%。（见插图3）从整体数据来看，品牌已经不是“AI不知道”的状态。多个平台的品牌提及率已经达到较高水平。所以后续真正值得研究的，是不同类型问题之间到底有什么差别。

【插图3：456个问题整体提及率截图】

六类问题整合，GEO价值差距很大

将提问词分为六类

1、解决方案词：用户找的不是一台设备，而是解决一个完整问题

解决方案类一共70个提问词。

这一类用户往往没有明确指定某一台设备，而是有一个完整检测需求，希望寻找能够整体解决问题的供应商。所以它真正考验的，不是企业“有没有某个产品”，而是多个产品之间能不能形成组合，企业有没有完整的方案能力。

很多多产品企业的问题就出在这里：每一个产品单独介绍都很详细，但不同产品之间可以如何组合、适合解决什么问题，全网没有说清楚。

人在看完产品资料以后也许能够理解，但AI未必能够自动建立这层关系。

本次70个解决方案问题中，百度AI品牌提及率82.86%，豆包64.29%，DeepSeek 62.86%，元宝91.43%，千问87.14%，Kimi 72.86%。（见插图4）可以看到，即使整体品牌提及率已经不错，到了“你能不能解决完整问题”这一层，不同平台的表现就开始出现明显差异。

【插图4：解决方案词品牌提及率截图】

2、标准词：用户已经带着明确要求来找供应商

标准类一共132个问题，是这次监测数量最多的一类。

检测设备、测量仪器行业很多采购本身就是围绕各种技术要求和标准发生的。用户可能已经知道自己需要满足哪类标准，却不知道应该配置哪些设备，也不知道哪些企业能够提供对应产品。

所以这类词真正解决的是：当客户已经带着明确技术要求来找供应商时，AI知不知道这家公司能做。这类客户与普通“看看有哪些品牌”的用户已经不一样，需求更加清晰。

132个标准词中，百度AI品牌提及率86.36%，豆包74.24%，DeepSeek 87.88%，元宝94.70%，千问96.21%，Kimi 74.24%。（见插图5）可以看到，部分平台在这一类问题中的品牌识别已经非常高，也说明企业公开内容中“产品与标准之间的对应关系”已经逐渐被AI理解。

【插图5：标准词品牌提及率截图】

3、试验分类词：客户说的是“我要干什么”，而不是“我要买什么”

试验分类词一共50个。

这类用户未必知道具体产品叫什么，也不一定知道具体型号，他只是知道自己需要完成某一类检测或者试验。

企业内部介绍产品时，习惯按照产品名称和产品分类组织信息；但客户寻找供应商的时候，更多是从自己的工作任务出发。

这中间其实存在一个信息差：

企业说的是“我有什么”，客户说的是“我要干什么”。

试验分类词的作用，就是帮助AI把两者连接起来。用户描述自己的任务以后，AI能够反向判断需要什么类型的设备，再进一步找到能够提供这些产品的企业。

本次50个问题中，百度AI品牌提及率72%，豆包92%，DeepSeek 92%，元宝98%，千问94%，Kimi 76%。同一类问题，百度AI只有72%，元宝却达到98%，也说明不同平台对企业业务关系的理解程度并不完全一致。（见插图6）

【插图6：试验分类词品牌提及率截图】

4、行业词：有这个产品，不代表适合所有行业

行业词一共42个。

同一类检测设备可能应用在很多行业，但不同行业的需求、使用环境以及整套设备配置并不完全一样。

所以真实采购中，用户经常会把自己的行业直接带入问题。这个时候，大模型需要判断的已经不是“这家公司有没有产品”，而是：

这家公司有没有服务这个行业的能力。

对于B2B采购来说，这本身就是一种很重要的背书。客户通常会更加信任有类似行业经验的供应商，因为这意味着沟通成本可能更低，对实际需求也更加熟悉。

本次42个行业问题中，百度AI品牌提及率100%，豆包57.14%，DeepSeek 90.48%，元宝95.24%，千问88.10%，Kimi 80.95%。这里的数据差距非常明显，百度AI达到100%，但豆包只有57.14%。如果只看整体品牌提及率，很容易把这种差异掩盖掉。（见插图7）

【插图7：行业词品牌提及率截图】

5、产品名称词：品牌提及最高，却不一定最值得继续追

产品名称词一共100个。

这是大家目前最熟悉的GEO场景。

用户已经知道自己需要什么产品，只是在寻找厂家、品牌或者供应商。

这一类问题主要解决的是：当采购需求已经非常明确以后，企业能不能进入AI给出的候选品牌。结果也和预期比较一致。

百度AI品牌提及率96%，豆包96%，DeepSeek 84%，元宝98%，千问86%，Kimi 92%。六个平台都已经处在较高水平。（见插图8）

【插图8：产品名称词品牌提及率截图】

这组数据反而让我有了一个新的思考。

如果一个项目只看产品推荐词，会觉得GEO已经做得非常好了，甚至没有多少继续优化的空间。但产品名称词解决的更多还是“有没有你”。它并不能完全回答另一个更重要的问题：这么多企业都有这个产品，为什么我要优先咨询你？

6、标准+行业等混合场景词：品牌提及最低，却可能离采购最近

最后一类一共62个提问词，也是这次项目里最值得研究的一类。

真实采购很少永远停留在“什么品牌好”。

当客户越来越清楚自己的需求以后，他的问题通常会加入更多限制条件：行业、检测要求、产品类型、应用环境甚至完整方案。

这个时候，大模型不能只知道“这家公司做检测设备”。它还需要判断企业有没有相应产品、产品与需求能不能对应、有没有相关行业应用，不同产品之间能不能组合。

结果也非常明显。

62个混合问题中，百度AI品牌提及率79.03%，豆包50%，DeepSeek 59.68%，元宝67.74%，千问72.58%，Kimi 56.45%。（见插图9）这是六类问题里面整体表现最低的一类。

【插图9：标准+行业等混合场景词品牌提及率截图】

但这组最低的数据，我认为价值反而很高。

因为问题越简单，AI只需要知道企业有这个产品就可以推荐；问题越复杂，AI就必须真正理解企业的产品、行业、要求和方案之间的关系。品牌提及率低，不一定代表这个词没有价值。恰恰可能意味着它更加接近真实采购需求。

六张图放在一起，真正的问题就出现了

数据合并发现问题

把六类数据放在一起看，会发现一个很有意思的现象。

产品名称词的表现最高，很多平台能达到90%以上；但是到了带有多个真实采购条件的混合问题，部分平台只有50%—70%左右。

也就是说：

AI可能非常清楚“这家公司生产某种产品”，却未必同样清楚“在某个具体需求下，这家公司是不是最适合的供应商”。

这也是前面48条咨询中只有13条被认定有效线索，值得继续深入研究的地方。

如果只是想让品牌提及率继续上涨，最简单的办法当然是继续增加宽泛的产品推荐、品牌推荐、厂家推荐问题。

最后总提及率很可能越来越漂亮。但企业真正需要的不是这个。企业需要的是，当一个真正适合自己的客户出现时，AI能够更加准确地判断：这家公司和你的需求很匹配，值得优先了解。

所以后面的优化方向开始改变。

不是继续单纯增加“有没有品牌”，而是重新梳理产品分类、应用场景、检测要求、行业和解决方案之间的关系，让AI不仅知道企业“有什么”，还知道这些能力“适合谁”。

技术优化后两个月，69条咨询里有31条有效

技术处理效果对比

按照这个方向继续调整以后，我们再次统计实际咨询。

从5月13日到7月14日，大约两个月时间，客户累计获得69条咨询，其中31条被客户确认属于有效线索，有效率达到44.92%。

前一个周期3个月48条咨询，月均约16条；后一个周期两个月69条，月均四舍五入约35条。按照这个口径计算，月均线索量提升约118%。

而相比线索数量，我更加关注有效率。它从原来的约27%提高到44.92%，相对提升约66%。前一个周期用了3个月累计13条有效线索，后一个周期大约两个月已经达到31条。（见插图10）

【插图10：优化前后线索数量及有效率截图】

优化前：48条咨询 / 13条有效 / 27%

优化后：69条咨询 / 31条有效 / 44.92%

当然，一个项目不能说明所有行业照着同样的方法做，都能获得118%的线索增长和66%的有效性提升。市场需求、采购周期、季节变化以及企业自己的销售承接能力，都会影响最终结果。

但结合这个客户同期其他主要推广渠道的情况，以及客户自己对咨询来源的判断，这个项目至少说明：GEO后面的优化空间，不一定只是让品牌出现更多次，还可以研究怎样让AI推荐得更加精准。

GPO这个名字，是客户的一句话提醒了我

GPO生成式背书优化由来

项目做到后面，客户主动反馈说，你这一轮优化做得很好。在交流过程中，他还说了一句话，大概意思是：

现在做的已经不只是让大模型推荐我们的品牌了，更像是在给企业做“信任背书优化”。

这句话反而提醒了我。仔细想一下，后面做的这一阶段确实已经和单纯提高品牌提及率不太一样了。

我们开始解决的是：同样推荐几家公司，为什么AI更愿意把这家企业放到比较靠前的位置；为什么用户看完AI答案以后，会更愿意主动咨询；为什么客户甚至还没有和销售沟通，就已经通过AI对这家企业产生了较高的初始信任。

所以我暂时把这一类优化称为：

GPO——Generative Proof Optimization，生成式背书优化。

它目前并不是什么行业标准，也不是为了造一个概念，在项目开始之前提前设计出来的。恰恰是项目先产生了变化，客户又提到了“背书优化”，才开始思考能不能把这套方法单独总结出来。

【插图11：GPO生成式背书的由来】

GEO解决“有没有你”，GPO解决“为什么优先是你”

这是目前对GEO和GPO最简单的区分。

GEO首先解决的是品牌能不能进入大模型答案。用户寻找产品、厂家或者供应商时，原来没有这个企业，后来能够进入推荐名单，这是最典型的GEO结果。

但进入名单以后，到产生高质量咨询，中间还有一段距离。

假设AI一次推荐5家公司，为什么你的企业被放到第一或者更加靠前的位置？为什么AI认为你的企业与当前需求更加匹配？为什么在介绍企业时，能够给出更多产品、行业、方案和能力上的依据？又为什么用户看完答案后，会产生“这家公司可能正好适合我”的感觉？

这就是GPO需要解决的问题。

所以GPO不是简单再发几篇所谓的背书稿，而是建立更加充分的推荐理由。

当用户需求与企业真实能力高度匹配时，大模型能够找到足够多、足够具体，而且可以相互验证的信息，从而拥有更加充分的理由优先推荐这个企业。

如果AI只是说“这家公司也可以考虑”，带来的可能仍然只是一场曝光。

但如果AI能够告诉用户，这家公司为什么与当前需求匹配，具备哪些对应能力，为什么值得重点了解，那么用户获得的信息完全不同。

客户还没有联系企业，信任就已经在AI里面提前建立。这也是GPO真正想解决的核心问题。

SEO→AEO→GEO→GPO，是一条逐渐接近客户的路径（GPO在AI营销的定位）

结合这个项目，可以把AI搜索营销的前半段暂时梳理成四层：

SEO解决搜得到→AEO解决读得懂→GEO解决推得出→GPO解决信得过。这是一条完整的关系定位链。

SEO：搜得到。

AEO：读得懂。

GEO：推得出。

GPO：信得过。

SEO是最基础的信息入口。企业官网、产品、案例、技术资料、解决方案首先需要能够被搜索引擎正常抓取和收录。传统搜索用户需要搜得到企业，到AI搜索时代，大模型同样需要足够的公开资料去认识企业。

AEO继续解决理解问题。尤其是检测设备、测量仪器这样的多产品企业，AI不能只知道一堆产品名称，还需要理解产品分类、应用场景、检测要求以及解决方案之间的关系。企业有内容，不代表AI一定读得懂。

GEO再向前一步。当AI已经能够理解企业以后，用户询问产品、品牌、厂家或者供应商时，企业能不能进入答案、成为候选品牌，这就是目前阶段大家最熟悉的GEO。

而GPO进一步解决的是信任问题。品牌已经被推荐出来以后，AI有没有足够的理由解释为什么值得优先了解，为什么与当前需求更加匹配，并让用户在正式咨询之前，就对企业产生一定程度的信任。

所以整个路径其实非常清楚：从信息入口，到正确理解，到进入推荐，再到建立推荐理由，每往后的一步，都距离真实有效客户的距离更近一点。

GPO不是再发一批“我们很厉害”（GPO需建立在真实事件上）

既然叫生成式背书优化，也很容易被做成另外一种批量发稿。

比如大量发布“某某公司实力雄厚”“某某品牌值得推荐”，制造排行榜、虚构案例，再通过数量影响AI。

我认为这不是GPO。

真正能够长期产生价值的背书，一定来自企业真实存在的事实。

企业有什么产品，就把产品说清楚；产品能够解决什么问题，就把对应关系讲清楚；服务过哪些行业，就沉淀哪些行业经验；拥有真实案例、技术资料、资质或者解决方案，就让这些内容形成能够相互验证的信息。真正的背书不是不停告诉AI：

“这家公司很好。”

而是让AI根据公开信息自己能够得出：

“在这个用户的需求下，这家公司确实比较匹配。”

对于不适合的需求，也没有必要强行推荐。因为把一个完全不匹配的客户引进来，最后只会增加销售的沟通成本，对企业并没有真正价值。GPO追求的不是推荐越来越泛，而是推荐越来越准。

比线索增长更重要的是，GEO的方向开始变了

挖掘GEO技术应用推动行业发展

目前这个客户项目还在继续合作。

客户从最开始因为不确定效果，只愿意先试3个月，到确认GEO确实能够带来咨询，再到现在开始进一步关注有效线索比例，整个过程其实很有代表性。

【插图12：从GEO到GPO推动行业良性发展】

下一阶段，双方也准备进一步确定更长期的优化合作。但这个项目真正值得复盘的，并不只是48条变成69条，也不是有效率从27%左右提高到44.92%。更重要的是它让我重新思考了GEO后面的商业价值。

当一家企业已经拥有不错的品牌提及率以后，继续优化时应该开始问：哪些问题真正带来了客户？哪些问题带来的客户更加精准？为什么AI愿意推荐这个企业？为什么愿意让它排得更加靠前？用户为什么看完答案以后愿意主动咨询？在真正与销售沟通之前，AI已经帮助企业建立了多少信任？

企业最终需要的，从来不是让AI机械地把自己的品牌名称多说几遍。而是在真正属于自己的客户出现时，AI能够更加准确地告诉他：这家公司和你的需求比较匹配，值得你优先了解。这也是目前对GPO最核心的理解。GEO把企业送进候选名单，GPO给客户一个优先咨询你的理由。从“被推荐”，到“带着信任主动咨询”，可能才是GEO继续向商业价值延伸时，真正值得研究的一步。