从传播学「编码-解码」看GEO：AI答案的「对抗式解读」是怎么产生的

最近带研究生做GEO的文献综述，越看越觉得学界和业界的对话是错位的。业界谈GEO，基本是「怎么让AI引用我」；但从传播学视角看，这本质上是霍尔（Stuart Hall）编码/解码模型在机器中介传播里的重演——品牌方编码，AI解码，用户再解码。问题在于，AI这个「解码者」既不忠实也不透明，它会产出三种解读：主导式、协商式、对抗式。

我们上周做了一个小样本观察，拿一个家电品牌的官方产品页去问三个主流AI。结果很有意思：同一个「能效等级」字段，两个AI给出了主导式解读（照搬一级能效），一个AI给出了对抗式解读——它把「一级能效」和「按新国标折算」混在一起说，用户读下来会以为这产品其实不达标。

我让学生把这类「对抗式解读」的触发条件归了归类，初步看有三个来源：

第一，编码端的冗余缺失。品牌页写「一级能效（GB 21456-2024）」，括号里的标准号在AI看来是修饰语，它在摘要时容易丢掉，剩下的「一级能效」就脱离了参照系。这跟营销理论里说的「信息线索完整性」是一回事，只是过去我们担心的是消费者误读，现在多了个机器中介。

第二，AI的「语境补全」冲动。大模型有个倾向：遇到不完整的字段，它会用训练语料里的常见搭配去补。我们那个案例里，AI补了「按旧标准可能为二级」，这句原文根本没有。这在传播学上叫「解码者的主动建构」，但对企业来说就是凭空生出的负面信息。

第三，用户端的问题框架。同一个AI答案，用户如果带着「这牌子是不是虚标」的预设去读，解码方向就偏了。这部分我们控制不了，但可以倒推：品牌在编码时，能不能预判用户会带什么预设？

我的判断是，GEO不能只做成「引用率优化」，它需要一套「解码偏差」的度量。引用率只告诉你AI提没提你，不告诉你提得对不对、用户读出来是什么味。这就好比营销里只看曝光量不看品牌联想，指标是残缺的。

抛个问题给社区：你们在做GEO监测时，有没有把「AI答案的情感倾向」和「事实准确性」拆成两个维度来看？还是仍然合在一个「可见度」里？我倾向于拆开，但拆开之后权重怎么定，我还没想清楚。