近期执行的一个 GEO（生成式引擎优化）项目，首轮监测数据表现远低于预期。在监测的 220 个问题中，DeepSeek 品牌提及率为 0；Kimi、豆包、元宝及千问的提及率也分别仅为 1.8%、1.4%、6.4% 和 12.7%。
数据显示，112 个不带明显地域属性的全国性业务词，在五大主流 AI 平台上的品牌提及率均为 0。客户品牌的曝光主要集中在部分区域性问题中。
这一结果与我们过往多数 GEO 项目（品牌提及率通常超 70%，部分达 100%）形成巨大反差。作为初期测试表现最差的项目，首轮回测让我们深刻意识到低估了该项目的执行难度。
一、项目背景与执行周期
本项目客户属于企业商务服务行业，成立于 2025 年，是一家新兴企业。项目启动至今仅两周，第一周主要用于梳理企业资质、业务范围、目标客群及服务能力，并据此设计监测词、撰写稿件及审核。
由于客户业务非标准化产品，涉及多场景、多地区及不同企业类型，搜索意图复杂多变。尽管我们在监测词设计上已尽量覆盖找服务商、比价、对比分析及区域性采购等多种意图，但首轮数据依然令人震惊。
二、数据低迷却意外获客
面对惨淡的监测报表，团队原计划重新分析竞争对手、信源及监测词，并向客户如实汇报：虽已建设 23 个信源，但初期效果未达预期。
然而，客户在项目群中反馈已收到询盘，并对团队表示肯定。
这一反转出乎意料。从监测数据看，DeepSeek 提及率为 0，其他平台表现平平，全国核心词几无结果，理论上不应迅速产生询盘。但事实是，真实询盘确实发生了。这表明：单一条询盘不能证明项目完全成功，同样，抽样监测数据不佳也不能断定 AI 端毫无获客机会。
三、行业竞争壁垒分析
深入复盘发现，该企业商务服务行业成熟度极高。AI 在回答服务商推荐类问题时，倾向于优先展示大型国企、跨国公司或经营多年的成熟企业。
这些竞对的优势不仅在于业务能力，更在于其长期的互联网资产积累：官网、媒体报道、案例、招聘信息、行业活动及 B2B 平台等海量公开信息，构成了深厚的数据护城河。相比之下，2025 年新成立的客户虽然线下业务扎实，但线上品牌认知薄弱，且服务差异化难以被 AI 快速识别。
当用户询问“国内 XX 服务商推荐”时，AI 选择信息丰富的大型企业符合逻辑。这种由长期信息积累造成的差距，无法仅靠短期建设几篇信源内容迅速抹平。
四、全国词遇冷，区域词突围
首轮数据中唯一具有研究价值的是区域词的表现。全国性宽泛业务词基本无果，但加入地域限定后，部分词汇开始出现品牌提及。
究其原因，全国性问题面临数十甚至上百家候选企业竞争，而叠加地区和具体业务场景后，竞争范围显著缩小。对于互联网积累有限的新企业，细分领域更易获得机会。
这也引发了对监测词设计的反思：真实产生询盘的 user query 可能并非标准的"XX 服务商推荐”，而是包含地区、企业情况、特殊场景等高度具体的长尾问题。现有的几百个标准监测问题，难以完全覆盖真实用户的多样化对话。
需明确的是，品牌提及率本质是抽样监测。DeepSeek 提及率为 0，仅代表在监测的 220 个问题中未出现，而非该品牌在所有潜在用户对话中永远缺席。
五、执行层面的反思与调整
除外部竞争因素外，首轮执行本身也存在优化空间。部分信源选择不当，直接影响了收录效果。虽然同一套方法论由不同人执行会有差异，但作为项目计划的制定者，低估竞争难度导致信源策略和内容方向偏差，主要责任在于我方。
当前重点并非追责，而是将首轮数据视为测试结果进行拆解：
- 哪些关键词完全没有突破机会？
- 区域词为何能率先出现提及？
- 竞争对手长期依赖的核心信源有哪些？
- 首轮信源选择的具体失误在哪里？
- 用户真实搜索习惯与预设监测词之间的偏差何在？
厘清上述问题后，方可进行针对性的策略调整。
六、重新定义“品牌提及率”
GEO 项目必须重视数据监测，以避免陷入主观臆断。但本项目再次印证：提及率是重要指标，却非最终商业结果。
即便整体数据低迷、全国词无果，只要部分区域词见效且产生真实询盘，就证明项目具备价值。GEO 不应只盯着百分比，而应综合考量提及率、推荐位置、引用信源以及最终的咨询质量和成交转化。监测数据是辅助决策的工具，而非项目存在的唯一目的。
七、直面不完美的实战案例
行业内流传的 GEO 案例多为“提及率从 0 到 90%"、“月覆盖数百问题”等成功故事。这容易给企业造成"GEO 必涨”的误解。实际上，项目难度因行业竞争度和客户历史积累而异。
面对高难度项目，无需粉饰太平或强行放大微小亮点。如实告知客户数据现状，共同分析原因并调整策略，才是负责任的态度。这既让客户清楚资金去向，也让团队明确下一步方向。
八、结语：以终为始，正视成败
该项目目前远未达到成功标准，核心业务词表现甚至创下新低。但次日即出现的询盘提醒我们：提及率仅反映特定问题集的 AI 可见度，无法完整还原真实用户与 AI 的全量对话。
项目执行总有顺逆。关键在于效果良好时总结经验，效果不佳时主动承认偏差并及时沟通调整。GEO 终究不是一场数据游戏，其核心价值在于帮助真实用户通过 AI 找到企业，并最终促成咨询与交易。