拿信息搜寻成本给GEO问句分层，我发现三类问句的答案结构完全不同

最近在做一个GEO项目的问句体系梳理，遇到一个很典型的问题：客户把用户问句一股脑丢过来，要求我们统一优化。但从传播学视角看，这恰恰犯了“受众同质化”的错误。我尝试把信息搜寻成本（information search cost）这个概念引进来，做了一次问句分层，结果发现三类问句的答案结构差异极大，如果混在一起优化，钱基本白花。

先交代背景。信息搜寻成本是消费者行为学里的老概念，指用户为获取决策所需信息付出的时间、认知和金钱代价。GEO场景下，用户向AI提问，本质是一次信息搜寻行为。不同问句背后，用户愿意付出的搜寻成本不同，对答案的期待结构也不同。我按“决策不确定性”和“答案验证难度”两个维度，把问句初步分成三类：

第一类，低搜寻成本、高确定性问句。 比如“XX产品的保修期是多久”。用户要的是一个事实性锚点，答案必须短、准、可验证。这类问句的GEO优化重点不在内容丰富度，而在结构化数据的完整性和一致性。我们之前有个客户，详情页写了“三年质保”，但FAQ里写的是“36个月”，AI答案就开始摇摆。后来统一口径，这类问句的引用稳定性立刻上来了。

第二类，中搜寻成本、中确定性问句。 比如“XX和YY哪个更适合小户型”。用户在做比较，搜寻成本上来了，要的是决策框架而不是单一事实。这类问句的答案结构应该是“对比维度+适用条件+边界说明”。很多品牌在这里犯的错是只说自己好，不说适用边界。AI在整合信息时，反而会去抓那些有明确边界表述的竞品内容。我让学生做了个小样本测试，带边界说明的答案被AI引用的概率高出约四成。

第三类，高搜寻成本、低确定性问句。 比如“装修预算有限，怎么选全屋定制”。用户自己都没想清楚，搜寻成本最高，要的是认知脚手架。这类问句的答案结构应该是“问题拆解+决策路径+风险提示”。品牌如果直接塞产品推荐，AI往往会判定为营销内容而降低权重。我们试过把一篇产品软文改写成“预算分配优先级”的决策指南，AI引用率翻了一倍多。

这里有个数据口径问题要提醒：三类问句的“引用率”不能直接加总比较。第一类的引用率高，是因为答案短、验证成本低；第三类的引用率低，但一旦被引用，对用户决策的影响深度完全不同。我在项目里要求分开统计，否则预算分配会被平均数误导。

还有一个踩坑细节：问句分类不能靠人工拍脑袋。我们最初用关键词规则分，结果“怎么选”这种词既出现在第二类也出现在第三类。后来改成让标注员先判断“用户此刻能不能自己列出两个以上比较对象”，能列出来的归第二类，列不出来的归第三类，一致性才上来。

抛个问题给社区：你们在做GEO问句分层时，有没有遇到过同一问句在不同决策阶段被重复归类的情况？比如“哪个牌子好”这种问句，在认知阶段和决策阶段的信息搜寻成本其实不一样，你们是怎么处理这种动态性的？