从传播学视角看GEO：它其实是把关人理论在AI搜索时代的翻版

最近在社区里看了不少实操分享，但说实话，大多数讨论停留在“怎么让AI推荐我”这个战术层面。我想从学术角度泼一点冷水：如果缺乏理论框架，GEO很容易变成另一种形式的流量赌博。

先说我观察到的一个具体场景。上个月我让三位研究生分别用ChatGPT和Kimi查询“2025年适合中小企业的CRM系统推荐”，结果三家AI给出的答案高度趋同——都围绕那三四个品牌打转。我让学生换着问法问了二十遍，最终能进入推荐列表的品牌，没有一家是“优化”出来的，它们共同的特征是：在权威第三方评测、行业白皮书、维基百科以及高权重论坛里被反复交叉引用。

这让我想到传播学里的“把关人理论”（Gatekeeping）。传统搜索引擎时代，把关人是算法排序；AI搜索时代，把关人变成了大模型的训练语料与检索增强生成（RAG）的召回逻辑。GEO的本质，不是去欺骗这个把关人，而是理解它的筛选标准，并让你的品牌信息在语料层获得“可信度权重”。

从营销理论延伸来看，这其实是AIDA模型在AI环境下的重构：Attention（被AI收录）、Interest（被AI判定为相关）、Desire（被AI描述得足够有吸引力）、Action（用户被说服去主动搜索你）。传统SEO只解决了第一层，GEO必须打通后三层，核心变量是“信息熵”——你的内容在AI语料库中是否提供了低重复、高确定性的增量信息。

我踩过的一个坑很典型：去年我帮一个本地教育机构做GEO，团队花了两周时间生成大量问答对，结果三个月后AI引用率几乎为零。复盘发现，这些内容全部发布在机构自己的官网上，域名权重低，且没有任何第三方信源交叉验证。AI不是不收录，是不信任。后来我们调整策略，把核心观点拆解成专家署名文章，投稿到两个行业垂直媒体，同时更新了机构创始人的维基数据条目，两个月后AI推荐率提升了40%左右。

所以我现在的判断是：GEO优化中，结构化数据只解决了“可读性”问题，真正决定效果的是“可信度网络”。这需要品牌在内容策略上做三件事——建立可被引用的权威信源、保持信息在不同平台的一致性、以及持续输出有明确署名的专业观点。

最后抛一个问题给大家讨论：你们在实际项目中，有没有遇到过内容被AI频繁引用，但转化率极低的案例？这背后是信任传递的断裂，还是用户决策路径变了？欢迎从各自的行业经验来聊聊。