29 比 2，AI 导购重排品牌座次

三个加起来年营收数百亿美元的品牌，在 AI 搜索里输给了一个加拿大小众内衣牌，比分是 2 比 29。这不是冷门，是入口迁移的信号：用户不再问“有哪些知名品牌”，而是问“产后漏尿穿什么”。AI 每回答一次，就重新排一次座。复盘一批海外 GEO 案例后，我把赢家的动作归纳成五个“抢”：抢场景、抢问题、抢产品依据、抢解释权、抢第三方共识。

🩲 29 比 2：AI 导购重排了座次

座次不是被打掉的，是被重新问出来的。

2025 年，海外 AI 搜索与营销科技媒体公开报道过一组测试（可检索 Search Engine Land 等媒体当期报道，具体样本与数字以原报道为准）：研究者向 ChatGPT 和 Google AI Mode 提了 20 组真实购买问题，比如“产后身材适合穿什么内衣？”“经期内裤有哪些值得推荐？”

结果很难看：H&M、优衣库、维多利亚的秘密 三个大品牌，总共只出现了 2 次。而加拿大小品牌 Knix，出现了整整 29 次。

注意这 20 组问题的问法——没有一组是“有哪些知名内衣品牌”。那种问题大品牌当然占优，但用户一般不这么问 AI。真实的用户问的是：吸收量怎么样、漏尿怎么办、产后身体怎么选。每一个具体问题，正中 Knix 的下怀，因为它的官网、商品页、媒体报道和用户评价，一直都在讲这些。于是一个过去名不见经传的小品牌，突然被 AI 老师安排到了前排。

这可能是 GEO 带来的最大变化：过去，品牌争的是消费者先想起谁；现在，争的是用户提出某个具体问题时，AI 愿意推荐谁。而且，用户每换一个问题，AI 都可能重新排一次座。

把两种逻辑放在一起对比，差异一目了然：

换句话说，SEO 时代抢的是“心智份额”，GEO 时代抢的是“问题份额”。问题份额没法靠品牌历史躺赢，每一次问答都是一场新的竞标——这对守成的大品牌是坏消息 ⚠️，对内容敏捷的小品牌是天大的好消息。

复盘海外案例时，我发现它们表面上做法各异，实际都在抢五样东西，框架如下：

1. 抢场景：把品牌写进用户的具体时刻（观影、露营、产后），成为那个时刻里被 AI 想起的人选；

2. 抢问题：把长尾痛点逐条做成内容资产，扩大 AI 的问题覆盖率；

3. 抢产品依据：把差异化翻译成结构化、可验证、可被 AI 引用的参数与证据；

4. 抢解释权：定义品类标准，让 AI 拿着你定的标尺去衡量所有人；

5. 抢第三方共识：让媒体、评测、社区、用户评价替你说话，因为 AI 只采信“证人证言”。

（本文案例复盘首发于梁将军的公众号，下文沿用这套“五抢”框架展开。）

🎬 抢场景：先成为那个时刻里的合适人选

用户说“随便”的时候，AI 反而不能随便。

设想一个场景：你和女朋友去看电影，爆米花已经买好了，选饮料时她说“随便”。恋爱经验告诉我们，“随便”通常不是都行的意思，而是在考验你的用心程度。于是你偷偷问 AI：“看电影配什么饮料？”AI 大概率会劝你买 可口可乐。

这不是玄学。2025 年，有 AI 品牌监测机构发布过公开测试（相关结果被多家营销媒体报道，可在其官网或行业媒体检索原文）：在“看电影配什么饮料”这类场景问题里，可口可乐凭借几十年积累的场景语料，被 AI 稳定推到前排。

为什么？因为几十年下来，可乐的内容资产里早已布满“场景共现”：广告里是聚餐、庆祝、观影；社媒文案是爆米花配可乐；新闻、影评、生活攻略里反复出现这种搭配。AI 检索时，场景词与品牌词的共现密度，就是它的“联想强度”。

这就是抢场景的本质：把品牌写进“那个时刻”。用户不会在 AI 面前提品牌名，他提的是时刻——看电影、露营、加班、健身后。谁的内容语料在这个时刻里密度最高，谁就被 AI 想起。

按公开案例做一个定性归纳，当前格局大致是这样（⚠️ 下表为作者基于公开案例的定性估计，非实测排名数据，仅供参考）：

存量玩家最危险：它们坐拥巨大的 SEO 资产和品牌知名度，但在 AI 的问题级推荐里几乎没有存在感。领跑者未必预算最大，而是内容与场景、问题咬合最紧的那一批。

“本节小结：抢场景就是把品牌词与场景词的“共现密度”做高——用户提时刻，AI 提名字。

❓ 抢问题：把痛点写成内容资产

关键词是少数人的入口，问题是所有人的入口。

回到 Knix。它赢下的每一组问题——产后身材穿什么、经期内裤推荐、吸收量如何、漏尿怎么办——没有一个是品牌词，全是赤裸裸的身体痛点。这类问题，用户平时不好意思问店员，但在 AI 面前，他们会问得极其具体。

Knix 的做法说穿了很“笨”：官网、商品页、媒体报道、用户评价，全部围绕这些痛点组织内容。别人在拍品牌大片，它在回答“产后漏尿怎么办”。29 次出场，就是这些内容资产被 AI 逐条引用的结果。

用户从提问到被推荐，完整路径是这样的：

1. 提出问题：用户说出具体痛点（如“产后漏尿穿什么”）；

2. 需求解析：AI 把口语化提问拆解为真实需求（场景 + 功能 + 约束）；

3. 检索依据：AI 扫描品牌内容资产（商品页、参数、场景说明）；

4. 核对共识：AI 交叉引用第三方语料（媒体评测、榜单、社区讨论、用户评价）；

5. 生成推荐：AI 给出带理由的品牌名单；

6. 点击转化：用户在回答内完成选择与跳转。

产业逻辑在于问题的数量级。关键词表几百个词条就到头了，问题清单却是无限的：每一种身材、每一个生活场景、每一类顾虑，组合出一个长尾到没有尽头的题库。大品牌的内容要过品牌部、法务部，没有人有空答这些“不体面”的问题；小品牌可以全答。

据多位海外 GEO 服务商在公开访谈、播客与行业报告中的说法，他们交付的东西已经从“关键词包”变成了“问题包”：从客服记录、电商评论、社区帖子里扒出上千个真实提问，逐条对应生产内容。谁的问题库更厚，谁在 AI 那里的覆盖率就更高。

“本节小结：关键词是有限集，问题是无限集——问题库的厚度决定 AI 推荐的覆盖率。

📦 抢依据与解释权：让 AI 有料可抄

AI 不信口号，只信有出处的细节。

AI 生成推荐时是要给理由的。“推荐 Knix，因为它是针对产后场景设计的”——注意，AI 说不出它没见过的参数。它的每一句推荐，背后都要有可引用的依据：商品页的参数表、面料说明、场景测试数据、用户评价里的具体反馈。

这就是抢产品依据：把产品的差异化翻译成结构化、可验证、可被引用的信息。形容词没有用，“高吸收”没有用，有数字、有对比、有场景的描述才有用。

更狠的是抢解释权。所谓解释权，就是定义“什么才算好的经期内裤”的能力。谁写的品类标准被 AI 引用，谁就在之后的每一次回答里隐形出场——AI 会拿着你定义的标尺去衡量所有人，而你天然是最符合标尺的那一个 💡。这是最便宜的一种垄断。

还有一个值得注意的行业信号：海外营销媒体（如 Marketing Week）在 2025 年前后的公开报道中观察到，十亿美元营收俱乐部之外的 CMO 们，已经把 AI 创意内容的规模化生产当成日常工作。翻译一下：中腰部品牌正在用 AI 批量生产对比页、参数页、场景页这类“依据型内容”，当天生产、当天上线。而大品牌的同一条内容，可能还卡在品牌部的排期里。

在 GEO 这个战场上，组织速度第一次比预算更重要。Knix 们不是更有钱，是更快。

“本节小结：给 AI 可引用的参数，再给 AI 可套用的标准——前者让你出场，后者让你次次出场。

🤝 抢第三方共识：别人说的你，才算数

自己说的叫广告，别人说的才叫事实。

注意 Knix 案例里一个容易被忽略的细节：它出现的那 29 次，依据不只是官网和商品页，还有媒体报道和用户评价。AI 在组织推荐时，大量引用的是第三方语料。

道理不难理解：品牌自述在 AI 眼里接近“当事人陈述”，可信度天然打折；媒体评测、榜单、社区讨论、真实用户评价，才是它愿意采信的“证人证言”。据多位从业者在公开访谈中的交流，做 GEO 的团队现在会把相当一部分资源，从投放转向“进入被讨论的场域”——送测、社区运营、媒体 PR，目标不是曝光量，而是让产品出现在 AI 愿意引用的语料里。

把这些动作叠起来看，AI 推荐背后的信任结构大致是一个四层金字塔（从顶到底）：

这个结构解释了一个反直觉的现象：GEO 做得好的品牌，往往不是内容最多的，而是“被别人说得最多”的。共识没法自产，只能长期经营——这是五抢里最慢、也最难被抄袭的一项。

“本节小结：AI 只采信“证人证言”——送测、PR、社区运营，本质上都是在为自己积累证词。

小结：被推荐不是运气，是内容工程的产出

当推荐权交给 AI，品牌营销就变成了一场内容工程。

29 比 2 的比分提醒所有人：AI 导购时代没有终身座次，用户每换一个问题，比赛就重新开始。抢场景、抢问题、抢产品依据、抢解释权、抢第三方共识——这五个动作没有一个是玄学，全是可拆解、可复制、可度量的工程活。真正的分水岭在于时间：当所有品牌都反应过来开始抢，先发者积累的问题覆盖与第三方共识会变成复利。对大品牌而言，最贵的从来不是预算，而是组织的反应速度。