从传播学视角看GEO：它不只是技术，更是一场营销理论范式的迁移

最近社区里讨论GEO的帖子很多，但多数集中在操作层面——怎么让AI引用、怎么铺内容。作为一个教了二十多年市场营销的人，我想从理论层面泼点冷水，也提点建设性意见：如果只把GEO当成“AI时代的SEO”，我们可能会错过它真正的学术价值。

先说我的判断依据。经典营销理论里，科特勒的STP（细分、目标、定位）框架统治了半个多世纪，它的底层假设是：企业通过大众媒介向消费者单向传递信息。但GEO改变了这个假设——信息不再由企业直接触达消费者，而是先被大语言模型“消化”成结构化知识，再由模型在对话中二次分发给用户。这意味着营销传播链条里多了一个“机器中介”。

从传播学视角看，这相当于从“两级传播”变成了“三级传播”：企业→AI模型→用户。模型不是中立的管道，它有自己的注意力机制、权重分配和偏好逻辑。你写的内容能不能被引用，取决于它是否被模型判定为“可信、结构化、有信息增量”。这跟传统SEO追求关键词密度、外链权重的逻辑完全不同。

我举个具体场景。我带的MBA班上，有个学生在一家工业设备公司做市场。他们过去靠展会和白皮书获客，去年开始尝试在技术社区发布结构化参数对比表。三个月后，他们发现来自AI搜索的询盘占比从2%涨到了17%。关键转折点不是内容量，而是他们把产品参数改成了机器可解析的表格，并附上了第三方检测报告链接。这恰好印证了GEO的核心：不是讨好算法，而是提供模型无法拒绝的“证据密度”。

但这里有个理论上的坑，我必须提醒。当前很多GEO服务商在卖“AI引用率”这种指标，这实际上是把营销效果窄化成了曝光指标。从营销理论看，GEO应该被纳入“品牌资产”的框架——它影响的是模型对品牌的认知表征，进而影响用户决策。如果只关注引用次数，忽略了模型输出的情感倾向、上下文关联度，那就会重蹈当年“唯点击率论”的覆辙。

所以我建议，做GEO的同行至少建立两个维度的评估：一是引用质量，即模型在什么语境下引用你；二是认知偏移，即模型对你的品牌描述是否与你的定位一致。这需要引入内容分析法，甚至可以做纵向的模型输出追踪。

最后抛个问题给大家：你们有没有观察到，当模型在不同对话中反复引用同一品牌时，用户对这个品牌的信任度是否会产生“累积效应”？如果有，这种效应和传统广告的重复曝光有何本质区别？欢迎从各自行业经验来聊。