29次对2次：小品牌在AI搜索里掀翻巨头

H&M、优衣库、维多利亚的秘密，三个家喻户晓的内衣巨头，在 AI 搜索里输给了一个加拿大小品牌。

2026 年 8 月，AI 搜索专业媒体 Search Engine Land 刊发了一项测试：向 ChatGPT 和 Google AI Mode 提出约 20 组真实购买问题，小品牌 Knix 被提及 29 次，三大巨头加起来只有 2 次（该测试为单一机构的一次抽样，完整方法与原始数据未全部公开，具体数字以原报道为准，更值得参考的是其方向性结论）。

这不是玄学，也不是运气——GEO（生成式引擎优化）正在把品牌竞争从「消费者先想起谁」，改写成「用户提问时，AI 愿意推荐谁」。而第一批赢家，抢的是同样五样东西。

📊 29比2：一次测试掀翻了老座次

先看这场测试本身。据 Search Engine Land 的报道，这 20 组问题不是「有哪些知名内衣品牌」这种大词，而是诸如「产后身材适合穿什么内衣」「经期内裤有哪些值得推荐」这类具体到不能再具体的购买问题。

按报道的结果，一边倒：H&M、优衣库 和 Victoria's Secret 总共出现 2 次，Knix 出现了整整 29 次。

当然，单凭一次测试，还不足以坐实归因。但把 29 比 2 放回两个可独立验证的证据背景里，结论就站得住多了：

其一，学术证据。 普林斯顿大学、佐治亚理工、艾伦人工智能研究所等机构的研究者在 2023 年底公开、2024 年 8 月经同行评审发表于 ACM KDD 的 GEO（Generative Engine Optimization）论文中，对上万个真实查询做了受控实验：同样的问题，把信源内容改写为「含统计数据、明确引用出处、具体场景描述」的版本后，在生成式引擎中的可见度最高提升约 40%——而提升最明显的，恰恰是长尾、具体的问题，不是大词品类。Knix 的赢法，与论文验证有效的优化路径高度吻合。

其二，需求侧证据。 Adobe Analytics 的公开监测显示，2025 年美国零售网站来自 AI 助手的跳转流量出现了数十倍量级的增长，且增长主要由购买决策类提问带动。也就是说，用户向 AI 抛出的确实不是「知名品牌」这种大词，而是「吸收量怎么样」这类小题——这正是测试中大品牌集体缺席的题型。

一次抽样样本有限，但当「内容讲得具体、信源全网一致的产品在 AI 回答中占优」这一归因，与学术实验、流量数据两个独立维度指向同一方向时，它就不再只是个例。

逻辑其实不复杂。如果用户问「有哪些知名内衣品牌」，大品牌当然占优——但用户不是这么问 AI 的。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，因为它的官网、商品页、媒体报道和用户评价，长期都在讲这些事。

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。

这可能是 GEO 带来的最大变化：用户每换一个问题，AI 都可能重新排一次座。座次不再是一个固定榜单，而是被成千上万个具体问题切成了无数个局部战场。大品牌守得住「知名品牌」这道大题，却守不住每一道小题。

🎬 抢场景：在「随便」的那一刻被选中

场景，是 GEO 竞争的最小触发单位。

设想一个日常画面：你和女朋友看电影，爆米花买好了，选饮料时她说「随便」。恋爱经验告诉你，「随便」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 大概率会把头部饮料品牌——比如 可口可乐——放在答案前排。

这件事你现在就可以验证：打开 ChatGPT 或 Google AI Mode，输入「看电影配什么饮料」，多试几种问法，看看被点名的是谁。这正是 GEO 讨论的好处——它可复现、可自行测试，不必依赖任何机构的转述。

产业逻辑在这里发生了微妙的位移。过去品牌讲「场景营销」，是在广告里营造氛围，赌消费者在货架上想起你；现在场景营销变成了被检索行为——你的内容有没有精确描述「看电影时」「产后哺乳期」「经期内裤」这些时刻，直接决定 AI 在那一刻提不提你。

从 Search Engine Land、Ahrefs 等平台公开的 GEO 实操复盘看，这批最早吃到红利的团队，做的第一件事往往不是改官网，而是把自家内容库里所有「品牌自嗨式文案」替换成「场景+问题式文案」。谁先完成这个转换，谁就先站进了 AI 的引用池。

场景是买不来的，只能提前埋进去。这是 GEO 与投放逻辑最本质的区别之一。

❓ 抢问题：别研究用户怎么夸你，研究他怎么问

第二个争夺对象，是问题本身。

Knix 的案例里藏着一个关键事实：用户在 AI 面前的提问方式，和品牌方的自我介绍方式，几乎是两套语言。品牌说「我们做高品质内衣」，用户问「吸收量怎么样、漏尿怎么办、产后身体如何选择」。

这意味着 GEO 的核心工作之一，是建立一张「问题清单」：你的目标用户在购买前，会向 AI 抛出哪 50 个、100 个具体问题？每一个问题背后，都是一次 AI 重新排座的机会。

需要提醒的是，问题清单不是拍脑袋想出来的。从 Knix 的胜出路径看，它的内容之所以被 AI 反复引用，是因为这些问题早已被它系统性地回答过。谁把用户的问题答得越具体、越成体系，谁就越接近「默认答案」。

在 SEO 时代，长尾词是流量蟑螂，很多品牌嫌它上不了台面；在 GEO 时代，长尾问题就是货架本身。

🧾 抢产品依据与解释权：AI 只认有出处的话

第三样和第四样东西要放在一起说：产品依据，和解释权。

AI 推荐不是凭感觉，它需要引用依据。Knix 能在「产后」「经期」「漏尿」这三类问题上反复出现，靠的是官网、商品页、媒体报道和用户评价构成的完整证据链——吸收量、适用场景、真实反馈，都是可以被 AI 抓取、比对、引用的硬信息。

而「解释权」，指的是更隐蔽的一层：谁来定义这个品类问题的标准答案。

当用户问「产后身材适合穿什么内衣」，AI 的回答需要一个框架——什么样的身材特征对应什么样的选择标准、判断依据是什么。谁的内容把这套标准讲得最完整、最权威，AI 就倾向沿用谁的解释，然后在解释的框架里填上谁的品牌。Knix 表面上赢的是 29 次曝光，本质上赢的是「产后与经期内衣怎么选」这个问题域的解释权。

这也是为什么我反对把 GEO 做成玄学。前述 GEO 论文的受控实验，和 Search Engine Land 等公开复盘的从业者结论，指向的是同一件事：凡是跑出结果的团队，都在老老实实做两件事——把产品事实结构化，把品类标准写清楚。前者决定 AI 能不能引用你，后者决定 AI 引用你时用什么姿态引用。

🤝 抢第三方共识：自己说一百句，不如别人说一句

最后一样东西，是第三方共识。

按 Search Engine Land 报道的信源构成：Knix 被引用的内容，不只有官网和商品页，还包括媒体报道和用户评价。也就是说，AI 在做推荐时，实际上在做一次「全网口碑交叉验证」——你说自己吸收量好，媒体这么写过吗？用户评价这么讲过吗？

这就是第三方共识的分量。在 GEO 的逻辑里，品牌自己的声明只是证词，媒体与用户的声音才是证据。当全网关于你的描述足够一致、足够具体，AI 才敢把你放进推荐位——因为推荐错误答案的代价，对 AI 产品来说是致命的。

对品牌方的启示很直接：公关、口碑、电商评价不再是「品牌部的周边工作」，而是 GEO 的基础设施。一条被 AI 反复引用的第三方内容，价值可能超过十篇自说自话的品牌稿。

⚠️ 写在最后：新货架已经开门，别再站在旧门口

把五样东西连起来看，GEO 赢家的打法其实是一套组合拳：

1. 抢场景：把品牌内容从「氛围描写」改写成「时刻+问题」的精确描述，提前埋进用户说「随便」的那一刻；

2. 抢问题：建立问题库，把目标用户购买前会问的 50 到 100 个真实问题逐条回答到位；

3. 抢产品依据：把参数、适用场景、真实反馈结构化，让 AI 抓得到、比得了、引得出；

4. 抢解释权：把品类问题的判断标准写得最完整、最权威，让 AI 沿用你的框架作答；

5. 抢第三方共识：让媒体报道与用户评价和你的声明互相印证，凑齐 AI 敢推荐你的证据链。

五步环环相扣：场景和问题决定你在哪出现，依据和解释权决定你怎么被引用，第三方共识决定 AI 敢不敢推荐你。

回头看，第一批 GEO 赢家没有黑科技。他们只是比巨头早想明白了一件事：AI 搜索的货架，不是按品牌名气陈列的，是按用户问题陈列的。

对大多数品牌来说，现在动手还不晚——但方式要对。别指望「喂」几篇软文就改写 AI 的答案，真正有效的是可测量的系统工程：梳理场景清单、建问题库、结构化产品依据、争夺品类解释权、经营第三方共识，然后像 Search Engine Land 的测试那样定期自测验证、迭代内容。

可以预见，随着购买决策越来越多地