29 比 2：小品牌怎么赢走 AI 的推荐位？

H&M、优衣库、维多利亚的秘密，三个全球大牌加起来，在 AI 搜索里只被提到 2 次。一个加拿大小品牌 Knix，出现了 29 次。

这不是段子，是海外媒体实测的结果：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”。

我的判断很直接：GEO（生成式引擎优化）正在重写品牌排名规则，第一批赢家的做法可以拆成五个“抢”——抢场景、抢问题、抢产品依据、抢解释权、抢第三方共识。这五个抢，每一个都有可复制的操作路径。

📉 29 比 2，大牌到底输在哪

先看数据。20 组购买问题抛给两大 AI 入口后：

如果用户问的是“有哪些知名内衣品牌”，H&M 和 优衣库 当然占优——它们砸了几十年广告费买下的心智，不可能一夜蒸发。

问题是，用户根本不这么问 AI。

用户问的是：吸收量怎么样？漏尿怎么办？产后身体怎么选？这些问题正中 Knix 下怀。它的官网、商品页、媒体报道和用户评价，一直在围绕这些具体问题做内容。于是一个过去名不见经传的小品牌，被 AI 老师安排到了前排。

这就是 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具体问题时，AI 愿意推荐谁。

更麻烦的是，用户每换一个问题，AI 都可能重新排一次座次。SEO 时代好歹有一个相对稳定的 SERP 排名，GEO 时代是“一问一排名”。这对头部品牌是持续失血，对小品牌是结构性机会。

🎬 抢场景：先成为“那个时刻”里的合适人选

场景是 GEO 竞争的第一张考卷。

设想一个场景：你陪女朋友看电影，爆米花买好了，选饮料时她说“随便”。恋爱经验告诉你，“随便”通常不是都行的意思，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 大概率会让你买 可口可乐。

这不是玄学。当提问被锚定在具体场景里，AI 的推荐会迅速收敛到那个“场景默认选项”上——因为 AI 回答购买类问题时，本质是在海量语料里找“与这个场景最频繁共现、且被反复论证过”的品牌。可口可乐在“观影、聚餐、加班”这类场景语料里的共现密度，是几十年营销和用户内容堆出来的。

对中小品牌，这意味着两件事：

第一，别去抢通用大场景，那是巨头的语料主场。要去找巨头内容里没有的细分场景——比如“健身后能喝的电解质饮料”“适合孕吐期的饮品”。

第二，场景词就是新时代的关键词。SEO 时代你优化 "running shoes"，GEO 时代你要优化“马拉松后半程脚胀怎么办”。谁先把一个场景的语料做密，谁就拥有那个场景的推荐位。

❓ 抢问题：AI 的考卷全是长尾题

圈子里私下流传一句话：SEO 是让人找到你，GEO 是让 AI 替你说话。

但 AI 愿意替你说话的前提，是你回答过它要问的问题。Knix 的 29 次出现，拆开看全是长尾提问的胜利：产后身材、经期内裤、漏尿困扰——每一个都是搜索框里打不出、但对 AI 一句话就能说清的真实问题。

这暴露了传统内容策略的一个盲区：品牌官网的关键词矩阵，是按搜索量排序的；而用户向 AI 提问，是按生活困扰排序的。搜索量趋近于零的问题，恰恰是 AI 推荐权重最高的语料。

操作上可以建一张“提问-内容”映射表：

看得出来，胜负手全在左上三行。最有效也最枯燥的动作，是把自家品类的 Top 100 真实提问挖出来，逐条对照我们有没有内容。这活儿枯燥，但枯燥就是护城河。

📎 抢产品依据与解释权：被引用不等于被推荐

很多品牌以为：AI 引用了我的页面，就会提到我的品牌。实际测试一再给出当头一棒：在引用页面中出现过的品牌，回答里被点名的概率依然偏低；不触发联网搜索、纯靠模型记忆作答时，品牌几乎不会被主动提及。也就是说，引用位是入场券，不是推荐位。

海外营销圈有句话说得直白：Being found isn't enough——被找到远远不够。真正的功课是改造网站、Google Business Profile 和用户评价，让 AI 把你和“对的买家”匹配起来。

拆开看，这背后是两条抢夺线：

一是抢产品依据。AI 推荐一个产品需要“说得出口的理由”——吸收量参数、面料测试数据、适用体型说明。你的页面里如果没有这些结构化、可引用的依据，AI 即便检索到你，也没有素材替你说话。产品页要从“氛围种草”改造成“论据仓库”。

二是抢解释权。如果说抢问题解决的是“用户在问什么、我有没有回答”，抢解释权解决的是“这个问题该按什么框架被讨论”。谁能定义品类的衡量标准和术语体系——比如渗漏等级、产后恢复阶段——AI 组织答案时就会沿用谁的定义框架，顺着框架自然引出对应的产品。Knix 赢的另一半原因就在这里：它持续输出的这套解释体系，已经成为 AI 归纳品类时的现成模板。

一句话总结：把官网从广告牌，改造成 AI 愿意抄作业的教材。

🤝 抢第三方共识：AI 只替有人背书的品牌说话

最后一抢，也是最容易被忽视的一抢：第三方共识。

AI 大模型回答推荐类问题时有一个隐含偏好——它不想为任何一个品牌的说法负责。官网内容是“你说的”，媒体报道、用户评价、平台榜单是“别人说的”。后者在模型权重里的可信度天然更高。

这解释了 Knix 的另一半胜因：它的媒体报道和用户评价生态里，长期存在大量围绕产后、经期场景的第三方叙述。AI 不是在推荐 Knix，是在复述互联网的共识。

对品牌的操作含义有三层：

第一，把评价当内容资产运营，而不是当客服问题处理。评价里出现的产品语言，会直接进入 AI 的语料池。引导用户用真实场景词写评价（“剖腹产后穿”“夜用不侧漏”），比刷五星有用得多。

第二，第三方媒体、垂直榜单、问答社区要系统性铺设。SEO 时代外链是投票，GEO 时代第三方叙述是证词。

第三，本地图谱类资产别裸奔。Google Business Profile 这类结构化信息，是 AI 判断“这是个真实可信的生意”的基础信号，缺了它，后面都白搭。

🛠 五抢怎么落地：一张 90 天路线图

把前面的判断收拢成一张全局图。五个“抢”不是并列选项，而是一条递进的证据链：

对应到竞争格局，可以这样定位当前玩家：

右上角的核心变量就是“场景颗粒度”——内容做得越细、越贴真实提问，AI 推荐率越高，跟品牌预算规模的相关性反而在下降。

落地节奏上，一个从零起步的品牌，建议按 90 天推进（以下起始日期仅为示例，可按实际启动日顺延）：

四个阶段的具体动作和验收标准如下：

诊断期（第 1–15 天）

• 动作：从用户评价、客服记录、社区讨论里挖掘真实购买提问；选定 20–50 组本品类高频问题，逐一测试各大 AI 入口的回答，看品牌是否被提及、被谁压制；据此建立“提问-内容”映射表。
• 交付物：真实提问清单 + 内容缺口对照表。
• 验收指标：AI 推荐率基线数据（品牌在多少组问题中被主动提及）。

内容期（第 16–45 天）

• 动作：按映射表逐条产出场景化内容，优先覆盖“无页面、高困扰”的长尾提问；同步改造产品页为论据仓库——参数、测试数据、适用场景、统一术语体系。
• 交付物：场景内容若干篇 + 完成改造的核心产品页。
• 验收指标：映射表长尾问题的内容覆盖率；页面中结构化论据的数量。

权重期（第 46–75 天）

• 动作：启动评价运营，引导用户用真实场景词写评价；系统性铺设第三方叙述——垂直媒体、榜单收录、问答社区；补全 Google Business Profile 等结构化资产。
• 交付物：第三方叙述铺设清单 + 评价运营话术库。
• 验收指标：带场景词的新增评价数量；第三方平台对品牌关键问题的覆盖条数。

复测期（第 76–90 天）

• 动作：用诊断期同一组问题复测各 AI 入口，对比推荐率变化和座次漂移点；针对仍未被推荐的问题回溯原因（缺论据、缺共识还是缺场景语料），滚动迭代内容；把复测固化为月度机制。
• 交付物：复测对比报告 + 下一轮迭代清单。
• 验收指标：AI 推荐率相对基线的提升幅度；座次漂移点的修复率。

注意最后一环：复测必须做。因为 AI 的座次是“一问一排”，今天测的推荐率下个月就会漂移。GEO 不是一次项目，是一个持续的内容运营函数。

写在最后

29 比 2 这组数字，残酷但公平：它奖励的不是预算，而是对用户真实问题的理解密度。

AI 搜索的流量分配逻辑已经从“谁名气大”转向“谁回答得好”。对资源有限的中小品牌，这是十年一遇的窗口；对头部品牌，这是必须立刻补的课。抢场景、抢问题、抢产品依据、抢解释权、抢第三方共识——五个抢按 90 天路线图做完、做实、做进月度复测，AI 的前排座位，是可以被认真经营出来的。