9 月 30 日，Salesforce 发布了第四版《State of Commerce》报告，其中一组数据很扎眼：把 AI 对话当作购物第一步的行为，同比涨了 200%。
报告追踪了全球 15 亿购物者的真实行为，结论更直接：2025 年 8 月到 2026 年 5 月，靠传统搜索发现商品的比例下降了 15%；而通过 AI 助手、社交 AI、配送 App 这些新渠道发现商品的比例，涨了 38%。从 AI 对话导入电商网站的流量，每个季度都在同比增长 150% 到 428%。
同一份报告里还有一句话：82% 的商务负责人相信，一年之内，大模型就会成为产品发现的主要入口。
其实这件事，今年 7 月已经预演过一次，而且预演得很残酷。
7 月 9 日，OpenAI 上线 GPT-5.6。第二天，一家长期追踪 AI 商品引用的机构 Profound 发现了变化：ChatGPT 商品推荐中，来自结构化商品数据（feed）的比例，一天之内从 8.26% 跳到了 61.54%。
更狠的是后果——687 家被追踪的店铺里，450 家（约三分之二）的购物可见度，三天内掉了三分之一以上；与此同时，头部 10 家店拿到的引用份额从 22.5% 涨到 41.8%，被引用的商家总数减少了 20% 以上。
没有邮件通知，没有后台提醒，官方也没做解释。就是换了。
那一刻，很多卖家才第一次意识到一件不舒服的事：决定他们生死的那个东西改了规则，而且它不需要告诉你。
01 一句话说清：SEO 和 GEO，差在哪
不绕弯子：
SEO 优化的是"被找到"，GEO 优化的是"被引用"。
展开看两条链条。
SEO 的链条：买家在搜索框打字 → 系统做关键词匹配 → 吐出一整页排序列表 → 买家自己扫、自己比、自己点 → 你的目标是挤进前排。
GEO 的链条：买家对着 AI 说一句完整的话（带场景、带条件、带目的）→ 模型理解需求、去你的数据里找证据、跨源交叉验证 → 直接给出一段答案和 3-5 个推荐 → 买家从答案里挑，甚至直接下单。
差别不在平台，在中间那个做判断的东西换了。
以前做判断的是买家本人，你在说服一个人。
现在做第一轮判断的是模型，你在喂一个模型。
再看平台自己的动作。亚马逊的 AI 导购 Rufus，2025 年就有超过 3 亿客户用过，用过它的人下单概率高出约 60%，它带来的销售在过去一年增长接近 120 亿美元；据 Sensor Tower 监测，重度亚马逊用户在约 60% 的购物会话里会用到它。
今年 5 月，亚马逊把 Rufus 和语音助手 Alexa+ 合并，推出了 Alexa for Shopping——Rufus 这个名字从购物界面里退场了。
比改名更要紧的，是位置变了：它不再是搜索框旁边那个附加图标，而是直接长进了主搜索栏。你输一个简单词，出来的还是商品列表；你输一句复杂需求，它自动切换成 AI 回答。搜索框和 AI 导购，已经是同一个入口了。
不只是亚马逊。阿里巴巴国际站也是同样的变化——首页搜索框新增了 AI Mode（智能采购）入口：买家不再打关键词，直接用一句话描述采购需求，AI 会追问用途、批量、预算、认证，然后回传一份约五家工厂的短名单。
你看，前面说的"GEO 链条"，在 B2B 这边也落地了。
02 真正变的，是这四件事
前面是结论，这里是"为什么"。四条，一条比一条扎心。
变了一：从"匹配关键词"到"满足约束条件"
SEO 的核心动作是覆盖关键词。买家搜 `insulated water bottle 32oz`，你标题里得有这几个词。
GEO 的核心动作是满足约束。买家说的是：
"我想找个能放进车杯架的保温杯，早上装的咖啡，下午还是热的。"
（a bottle that fits my car cup holder and keeps coffee hot till afternoon）
模型要做的，是去你的数据里找两个证据：
·能不能放进车杯架 → 你有没有 尺寸 + 适配范围
·下午还热不热 → 你有没有 保温时长 + 测试条件
关键词还在，但它只是入场券。真正决定入选的，是你有没有回答那几个附加条件。
这就是参数写得全、却没被推荐的第一层原因：参数是写了的，但它没有和"买家的问题"对上。
变了二：从"说明产品"到"回答问题"
先把话说清楚：卖家现在的写法没有问题，而且是有依据的。
五条五点、每条用大写利益点开头、后面跟功能支撑——"KEEPS DRINKS COLD FOR 24 HOURS – Double-wall stainless steel insulation"，这是亚马逊官方指南推荐的结构，也是行业多年验证下来的标准写法。参数填得细的卖家，五点里"利益 + 功能"已经写得很扎实。
变的是对面那个读它的东西。
以前读它的是买家：从头看到尾，被说服了就下单。
现在先读它的是模型：它把你的 listing 当成一份用来回答问题的材料，按意图去里面找证据。
具体来说，亚马逊的 COSMO 不看关键词密度，看的是意图。行业里把它拆成五个维度：
·COSMO 看的维度：主观体验；举例：握感、声音、触感
·COSMO 看的维度：事件场景；举例：通勤、露营、送礼
·COSMO 看的维度：具体活动；举例：热瑜伽、力量训练、打豆浆
·COSMO 看的维度：目的；举例：一整天补水、早上不吵人
·COSMO 看的维度：人群；举例：久坐办公的人、常忘喝水的人
而传统写法主要覆盖的，是"产品属性"这一个维度。
所以这次要补的不是重写，而是——在原有写法上，加一层"谁、在什么时候、干什么用"。
同一件商品，两版五点：
·现在行业通行的写法（本身没错）：LEAKPROOF DESIGN – BPA free, food-grade material；加上场景和人群之后：LEAKPROOF FOR YOUR BAG – 做过摇晃跌落的密封测试，可直接扔进健身包、电脑包、登山包，不用再垫毛巾
·现在行业通行的写法（本身没错）：Keeps drinks cold for 24 hours；加上场景和人群之后：一场 90 分钟的高温瑜伽下来，水一直是冰的
·现在行业通行的写法（本身没错）：Perfect for gym, travel and outdoor use；加上场景和人群之后：健身房、长通勤、周末徒步
·现在行业通行的写法（本身没错）：Suitable for adults；加上场景和人群之后：给整天坐着、老忘记喝水的人
·现在行业通行的写法（本身没错）：只填了 Material、Capacity；加上场景和人群之后：把 Occasion、Target Audience、Activity 这些 COSMO 会读的字段也填上
左边一条都没写错——BPA free、保冷 24 小时、适合运动，全是标准写法。
右边的差别只有一处：它把"适合什么"换成了"谁、在什么时候、干什么用"。 这恰恰是模型判断"意图匹配"时能抓的东西。
还有一个容易被忽略的点：Rufus 会用 OCR 读你图片上的字——认证、尺码表、对比图，它都读。图片上的文字，现在也算文案。
变了三：不是掉了排名，是掉出了名额
这是让人觉得别扭、却又无能为力的一个变化。
排名是连续的：第 1 名和第 20 名都有流量，只是多少的问题。你掉到第 3 页，后台看得到，你能优化。
名额是离散的：AI 只给 3-5 个，第 6 个等于不存在。而且——你看不到。
后台不会弹一个提示告诉你"你的商品今天没被 AI 推荐"。这个数据，平台不给你——7 月那 450 家店，就是这么无声掉下去的。
所以你以前的 KPI 是排名和 BSR。现在这两个指标，测不出你真正的生死。
必须补一个新动作：自己去 AI 里查自己的提及率。
变了四：说服的对象，从人变成了模型
人对什么敏感？"爆款""千万用户喜爱""值得信赖"。
模型对什么敏感？可验证、可交叉、有边界。
两个反直觉的点，卖家很容易踩：
① 模型要的是边界，不是赞美。
写"适合所有场景"，模型无法判断；写"适合健身房和办公室，不适合装碳酸饮料（压力会影响密封）"，模型反而能精准匹配需要它的人、避开不适合的人——引用率和转化率都会更高。
② 模型会跨源比对。
它会同时看你的亚马逊 listing、独立站、A+ 页面、评论、Q&A，甚至站外内容。数据打架，它就降低对你的信任。
这就是为什么你的参数不能只写在一个地方。
03 那么，卖家具体该做什么
说完"变了什么"，说怎么做。四件事，按优先级排。
第一件：把结构化字段填满、填具体
很多卖家把后台属性当"上架时顺手填的"，能省就省。
但在 COSMO 的体系里，字段是比文案更硬的输入——它是结构化的，模型不用猜。字段空着，模型就少一个判断依据。
要做两件事：
① 品类下能填的字段，全填。 材质、尺寸、重量、适用场合、目标人群、活动类型……每空一个，就少回答一个问题。
② 别只留裸值，带上结果。
·`Capacity: 1.5L` → `1.5L (50oz) — 一次能打四口人的豆浆`
·`Noise: ≤78dB` → `58dB — 相当于正常聊天的音量`
·`Jar: Tritan` → `BPA-free Tritan 杯体，日常用半年不留塑料味`
·`Cleaning: Easy clean` → `刀组可拆卸，15 秒冲净`
一次改一个字段，从营收前 20 的 ASIN 开始，每个 30 秒。
为什么值得优先做：模型没有"常识补全"能力。你写 1.5L，它不知道这对一个家庭意味着什么。
第二件：做一份"意图清单"，看看你还缺什么
以前你做关键词研究，是研究买家搜什么词。
现在要多做一步：研究买家在问 AI 时，会加什么条件。
去哪找？翻你自己的 Q&A、差评、客服记录、评论、Reddit——买家真正在意的是什么：
·买家会问的（中／英）：太吵了 / it's too loud；你要补的数据：分贝数值
·买家会问的（中／英）：清洗麻烦 / hard to clean；你要补的数据：拆洗方式、耗时
·买家会问的（中／英）：太重了 / too heavy；你要补的数据：重量数据
·买家会问的（中／英）：能装冰吗 / can it crush ice；你要补的数据：功能边界说明
·买家会问的（中／英）：能上飞机吗 / can I fly with it；你要补的数据：航空规定适配说明
·买家会问的（中／英）：能装碳酸吗 / carbonated drinks?；你要补的数据：使用边界
·买家会问的（中／英）：送老师的 / a gift for a teacher；你要补的数据：人群、送礼标签
找完，把这些反向补进字段和五点。
一句话：SEO 拼关键词覆盖率，GEO 拼意图覆盖率。
一个能力强的卖家，内容已经覆盖了 90% 的常见问题；剩下的 10%，就是别人抢走你订单的地方。
第三件：写"可引用单元"——能被直接摘走的句子
模型引用你的时候，往往是摘走一整句话。
那你就主动把那句话写好。合适且好用的载体是 Q&A / FAQ。
写法有个固定套路：问句用买家的大白话，答句带数据。
Q: Can it crush ice?（能打冰吗？）
A: Yes — the 6-blade 304 stainless steel handles ice and frozen fruit with no chunks.
>
Q: Is it loud?（吵不吵？）
A: It runs at 58 dB — about the same as a normal conversation.
>
Q: Can I put hot liquid in it?（能装热的吗？）
A: Yes, up to 90℃. Do not run it continuously for more than 3 minutes.
这三句话，模型可以原封不动拿去回答别人。你的商品，就这样出现在别人的答案里。
比这更重要的是：主动把 Q&A 答满。没人问的也自己补上——同行没答的问题，就是你的位置。
第四件：跨源一致
参数在亚马逊、独立站、A+、包装、说明书写得是否一致？
模型交叉验证时，任何一处对不上，都是减分。这一条不需要写新东西，只需要对齐。
04 怎么知道自己做没做对：AI 提及自查
以前你打开后台看排名。现在你打开 AI，用买家的口气问。
三步：
第一步，测场景——用口语问一个带条件的需求：
"想买个安静点的破壁机，早上打豆浆，别吵到邻居。"
看它推的前三个里有没有你。
第二步，测品类——直接问："破壁机有哪些值得买的牌子？"
看你在不在名单里。
第三步，记录下来——做个表格，每周问一次，记录你出现了几次。这就是你的 AI 提及率，未来它比排名更重要。
小技巧：换几种问法各问一遍。不同措辞会触发不同的检索路径，只问一次不算数。
写在最后
SEO 没有死，只是它服务的对象换了。
过去二十年你练的就是"让算法找到我"，那套本事到今天依然有用。只是现在，算法后面还站着一个模型——它不光要找到你，还要读懂你、敢引用你。
参数你已经写全了，这一步你比很多人做得好。
接下来要补的，是让这些内容能被模型听懂的写法：把数字挂到场景上，把意图答进 Q&A，把同一句话说给每个渠道。
不花钱，不用重做，只是换一个读者去写。
这一次，读你 listing 的，不是买家，是 AI。