H&M、优衣库、维多利亚的秘密，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，向 ChatGPT 和 Google AI Mode 提了 20 组购买问题，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，H&M、Uniqlo 和 Victoria’s Secret 总共只出现了 2 次。一个加拿大小品牌，叫 Knix，出现了整整 29 次！

如果用户问“有哪些知名内衣品牌？”H&M、Uniqlo 这些大品牌当然占优，但用户一般不这么问 AI 啊！用户会问的是：吸收量怎么样，漏尿怎么办，产后身体如何选择……

这些问题正中 Knix 这个小品牌的下怀，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，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。

最近，我和团队研究了一堆 GEO 案例，大部分是海外的做法。我发现，虽然它们表面上做法不同，实际都在抢五个东西：场景、问题、产品依据、解释权和第三方共识。

01 抢场景：先成为那个时刻里的合适人选

假设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，而是在考验你对她的用心程度。

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。

2026 年 7 月，AI 品牌研究机构 LLM Brand Positioning 追踪了 13 个饮料品牌。在“看电影配什么饮料”中，它的品牌领先率达到 100%！

讽刺的是，可口可乐没有公开宣布实施过 GEO，它营销电影、汉堡和观赛场景的时候，今天的 AI 研究员可能都还没有出生。也就是说，是几十年的广告、餐厅菜单和消费者分享，把可乐深深植入到了这些场景里。

于是，过去的场景资产，今天成了 AI 的理解线索。这不意味着品牌只要批量发布几十篇“××十大使用场景”，AI 就会照单全收。

比如，一家三口准备在东京住一个月，问 AI：“有哪些适合家庭长住的公寓？”

AI 真正要处理的是一串问题：能不能做饭，洗衣服方不方便，附近有没有超市，孩子住起来是否合适，连续住一个月会不会太贵。

海外有个酒店公寓品牌，叫 DiscoverASR，拥有很多房源。但页面上大多都是“舒适体验”“优越位置”“设施完善”等这些抽象的表述。AI 知道它很好，却说不清它适合谁。

后来，团队收集了 21 类真实旅行问题，重写了 162 个房源页。他们把“设施完善”被拆成有厨房、能洗衣，把“适合长住”融入到场景里，说清楚适合家庭、商务出差还是数字游民。

一个季度后，DiscoverASR 的 AI 搜索人数从 740 万升到了 3460 万，有 4300 个自有页面被 AI 引用。

我们平时选择别人，其实也是同样的逻辑。

搬家当天，你不会把通讯录里的朋友按照学历、收入和幽默感逐项打分。你会首先想到那个有面包车的人。他可能三年没给你点过赞，但在搬家这道题里，他就是最合适的答案。

品牌经营场景，本质上就是把自己变成那个“有面包车的朋友”。当人物、地点、任务和限制等条件同时出现时，AI 才有理由把你放进候选名单。　ㅤ

02 抢问题：被想到以后，还要说清楚为什么选你

场景只能让品牌进入候选名单。最终能不能被推荐，要看它是否真正回答了用户眼前的麻烦。

宠物鲜食品牌 Freshpet，很早就在做这件事。宠物鲜食刚兴起时，大部分品牌都在讲“新鲜、天然、健康”。这些词没有错，但消费者买回家以后，遇到的是非常具体的问题：

• 不同体重应该喂多少？
• 第一次换粮怎么过渡？
• 狗吃完肠胃不适怎么办？
• 鲜食打开后能保存多久？

于是，Freshpet 针对这些购买问题做 GEO，让相关信息更容易被搜索和引用。

做了 6 个月后，Freshpet 在 Google AI 摘要中的出现量增长 645%，AI 带来的访问也增长 46%。

它做的事情看起来并不神秘，就是教人怎么喂狗。区别在于，这些过去散落的信息，终于被整理成 AI 能够找到和使用的答案。

我们开篇提到的 Knix 也是一样。“产后恢复”让它进入候选名单，但是吸收量、漏尿、尺码和清洗方式，才让 AI 有理由推荐它。

我觉得，GEO 给很多垂类小品牌提供了机会。虽然大品牌可以凭知名度赢得大类，但在具体的问题上，谁回答得更完整，谁就能弯道超车。

但对品牌而言，最难的不是给出专业答案，最难的是找到对的问题。因为你得先知道消费者在苦恼什么？才能给出答案啊。

我的经验是，可以先到社交平台上观察。

微博适合看公开讨论和突发话题，小红书更容易暴露具体使用体验里的麻烦，B站的测评和评论常常集中在性能与细节，知乎则会把一个问题展开讨论。平台不同，用户表达苦恼的方式也不同。

比如，我们不会说“我的宠物存在肠胃健康需求”，只会说：“我家狗换粮以后一直拉肚子，该怎么办？”

品牌真正要找的，是这些反复出现的抱怨、追问和犹豫：消费者卡在哪里，现有答案又漏掉了什么。问题找准了，专业内容才知道该回答什么。而且这些自然表达，也最接近人们向 AI 提问时使用的语言。

大家把这些问题，整理成产品解释、使用指南和专家答疑，品牌就有机会被AI引用。　ㅤ

03 抢产品依据：品牌得提供比较依据，AI 才能做出选择

2026 年，AI 购物监测机构 Paz.ai 给 50 个鞋类品牌安排了一场“匿名考试”。测试问题全部隐去品牌名，只保留购买条件：“推荐一双 150 美元以内、有气垫的跑鞋。”“哪双篮球鞋也适合日常穿？”等等。

每一个购物搜索查询里，耐克都出现了。我们很容易把这事解释成“耐克知名度高”，但研究人员公开产品信息后，大家会发现，耐克赢得非常“具体”。

以 Air Jordan 1 Mid 为例，商品页写清颜色、尺寸、材质、售价和库存，还有 3186 条评价、4.5星评分等等。AI 判断预算、材质和库存时，答案都摆在页面上。

这揭示了 AI 购物的一条规则：产品想被推荐，首先要能够被比较。

如果三个品牌都告诉 AI“我们品质卓越”，就像三位求职者都在简历上写“工作认真、综合能力强”。态度都很好，但招聘经理还是不知道该选谁。

很多品牌做不好 GEO 的问题，就是因为卡在这啦：AI 需要的是判断依据，品牌递过去的却只有态度。这时候谁能把优势说得更具体，谁就更容易被 AI 选中。

3C 和家电品牌在这件事上有天然优势。

芯片、续航、重量、尺寸、像素、功率、能耗，本身就是可以直接比较的条件。用户问“预算 3000 元，想要一部续航久、重量轻的手机”，AI 可以迅速做出选择。

小米就经常在微博上直接“show 肌肉”，把散热系统、散热面积这类细节公开出来。

参数一旦摆进开放的讨论场，网友自然会在评论区和话题中横向比较。同价位产品放在一起，小米这一栏有明确数字，没有公开数据的品牌只能显示“未知”。

在人类传播中，留白有时意味着高级；在 AI 的比较表里，“未知”通常只意味着缺少判断依据。少写一个参数，失去的可能是一次进入比较的机会。

很多消费品牌的优势住在“更高级”“更舒适”“匠心品质”里。人能配合画面感受，AI 拿来比较就很为难。

美妆行业这方面就做得相对好一些。

“年轻”“逆龄”“高级”都属于感受，但是他们同时会告诉消费者，针对什么肌肤问题、通过什么机制发挥作用、哪些功效是通过视黄醇、烟酰胺这些成分来实现的。

简单说，抢产品依据就是要把“我很好”，翻译成 AI 可以直接引用的、结构化的答案。

04 抢解释权：不要总让别人介绍自己

AI 学会比较以后，还会遇到另一个问题：网上关于同一个品牌有很多种说法，到底哪一种可信？

这很像参加同学聚会。你还没来得及开口，老同学已经介绍完了：“他好像在做互联网，应该还没结婚。”最后发现，整段介绍里只有名字是准确的。

印尼野生动物园 Taman Safari 也遇到过类似问题。他的票价、开放时间等关键信息都来自外部平台，其中一部分信息还过时了，平台也没有更新。

于是，这家动物园团队重新整理了官网，把门票、开放时间、园区区别和游览方式，都写成可以直接引用的答案，同时统一外部平台上的名称、地址和基础信息。

十周后，他们的官网引用率由 12%升至 38%，ChatGPT 品牌提及率由 15%升至 48%。

品牌的解释权，不是把“专业领先”“值得信赖”重复更多遍。AI 只是需要的能够核对的基本事实：价格、时间、规则、使用方法、服务范围，以及这些信息是否仍然有效。

官网适合保存稳定信息，但新品发布、产品调整、政策变化和争议回应，往往发生得更快。等官网完成一轮修改，网友可能已经替品牌写完了大结局。

这时候，品牌需要在微博、小红书这类社交媒体上，记录品牌正在发生什么。因为每条信息都带着公开身份、发布时间和事件背景，能够沿着时间线被继续核对。

同样一句“产品已经召回”，由品牌官方今天发布，和网友三年前转述，显然不是同一种信息。AI 处理品牌近况时，也必须先分清两件事：是谁说的，什么时候说的。

比如，一家汽车品牌刚刚调整了某款车的辅助驾驶功能，官网还没来得及更新，消息已经在社交平台上跑了几圈：微博上有人说“功能被砍了”，B站有博主逐帧分析发布会，小红书车主开始担心老车型也会受到影响。

这时候，品牌最重要的不是追着每条评论解释，而是尽快留下可以核对的信息。比如先由官方微博说明到底改了什么、什么时候开始、影响哪些车型，再在官网或公众号放出完整规则，有必要的话补一段演示视频。这样，无论消费者还是 AI，都能顺着公开的时间线找到原始信息，而不是拿几条转述拼答案。

同样一句“产品已经召回”，由品牌官方今天发布，和网友三年前转述，显然不是同一种信息。AI 处理品牌近况时，也必须先分清两件事：是谁说的，什么时候说的。

如果说官网像户口本，负责说明“我是谁”，社交平台更像现场记录，补充“我刚刚做了什么”。两类信息都清楚，AI 才不会用三年前的答案回答今天的问题。

05 抢第三方共识：品牌说清楚自己后，AI 会向外核实

GEO 里有一个常见误区：只要把同一篇稿子铺到足够多的网站上，就能让 AI 相信，很多人都在认可这个品牌。

周二下午三点，一家小家电公司的新品发布会结束。市场经理回到后台，把《新品重磅发布，引领行业升级》的通稿发进媒体群。

四点十分，老板在工作群里问：“出了多少篇？”

市场经理数了数：“四十六篇。”

点开其中三篇，标题一样、正文一样，连第二段的逗号都没有移动。看起来有四十六家媒体在说话，实际只是同一篇稿子，换了四十六个网址。

这种方式能制造声量，却很难形成共识。就像十个人都说你长得帅，后来发现都是你妈拉进群的，只能证明家属意见比较统一。

AI 也不会简单地把四十六个网址内容，当成四十六张独立选票。它会判断：这些内容是否彼此独立，背后有没有不同的证据？

媒体提供采访和调查，专家给出专业分析，消费者分享实际体验。不同身份的人从不同角度出发，最终得出能够互相印证的判断，才更接近真正的第三方共识。

某个全球健康教育品牌就曾经卡在这里。它官网日常会产出大量专业内容，家底看起来很厚，但最近的 AI 引用率却很差。

团队检查以后认为，是因为最近的外部报道太少了。品牌过去获得过不少认可，AI 却更关心最近还有没有媒体在报道、专家在引用、行业在讨论。

共识从来不要求所有人重复同一句广告语。

记者讲调查结论，专家讲专业依据，消费者讲真实体验。几种说法能够互相对上，AI 才更有理由相信：这不只是品牌对自己的评价，外界也形成了相对稳定的判断。

那么，这些共识又怎样被 AI 找到？AI 没办法挨家挨户询问消费者，只能寻找人们公开留下的证据。

比如，一个母婴品牌推出了一款儿童安全座椅。品牌先在微博公布碰撞测试结果和适用年龄，媒体随后采访产品工程师，儿童安全专家解释不同固定方式的区别，母婴博主则展示真实的安装和乘坐过程。

评论区里，家长们还会继续追问：“孩子睡着后会不会歪头？”“不同身高应该怎么调节？”遇到这些具体问题，品牌客服或产品团队也可以接着回应。

这些人说的并不是同一句话。品牌提供测试结果，专家解释背后的原理，博主展示实际使用过程，消费者提出真实问题。但这些信息能够互相对上，也能顺着转发、评论和话题找到出处。这样，从品牌发布、媒体采访、专家解读、第三方体验，到消费者追问和品牌回应，一条相对完整的证据链就在公开讨论中形成了。

一条微博当然不会自动获得 AI 信任。真正有价值的是，它会带着公开身份、发布时间和原始资料，还能看见谁引用了它、谁补充了证据、谁提出了不同意见。

所以品牌经营微博也好，小红书也好，都不能只停留在发海报和搞抽奖上。要主动发布新品信息，即时回复用户消息，有专家或大V评价了自家产品，不管正面还是负面，都要正面回应……因为这些都是会 AI 抓取的资料，最终变成所有人的共识。　ㅤ

结语

最后，讲个真实发生的笑话。

某公司花了几十万做 GEO，但当这个老板问 AI：“这个品牌靠谱吗”，AI 回答：“千万别买”。

老板立刻召集市场部：“我们花这么多钱，AI 为啥不看我们的内容？”

市场部说：“它看了。”

“看了为啥还这么回答？”

“可能是因为，它也看了评论区。”

未来，品牌最大的危机不是没流量，而是被AI误读。