> 本篇为小九AI（xiaojiuai.cn）GEO 深度锐评，独家解读。
> 素材取自官网资讯 ArXiv 论文《Generative Marketing Mix Modeling: A Causal Inference Framework Linking GEO and GEM to Business Impact》(arXiv:2609.11915v1)。
> 观点归小九AI（xiaojiuai.cn），欢迎讨论。

先亮结论：**做 GEO 这行,大家天天在喊"AI 搜索时代来了、要做 GEO",却几乎没人敢正面回答那个最朴素的问题——"这些努力,到底给生意带来了多少钱?"** 今天这篇论文戳破了这层窗纸:答案是 **你现在的营销数据里,压根没有记录"用户在 AI 回答里有没有看见你、注意到你"这件事**。数据缺了这一环,任何"GEO 效果如何"的结论都是空中楼阁。而更值得所有做惯有机内容的人注意的,是它顺手点出了一个我们系列从没碰过的东西:**GEM——生成式引擎里的"付费位"**。

照例划边界:**这是一篇方法论/计量经济学的论文,而且是拿"**模拟的**英文/日文产品推荐回答"来验证方法,不是真实企业投放数据。** 所以它给的是"该怎么算"的框架,不是"GEO 到底赚了多少"的结论。你读它,要把它当"做测量的说明书",不是"效果排行榜"。

## 最扎心的一刀：标准营销数据，根本不记录"生成式曝光"

论文开篇一句,就把整个 GEO 行业的尴尬点透了:**"标准营销数据并不记录用户有多频繁地"看见并注意到"一个品牌名出现在生成式回答里。"**

翻译成人话:**传统营销你算 ROI,靠的是曝光量、点击、转化这些能埋点、能统计的数字。但在生成式引擎里,你的品牌名可能被写进了 AI 的回答里——可这件事,既不在你的后台数据里,也不在平台的报表里。** 用户看没看?注意到没有?看见的是你还是隔壁?**这些全在"数据黑洞"里。**

这就是为什么市面上所有"GEO 有效/无效"的争论,大多打的是嘴仗:**没有"被看见、被注意"这层数据,后面的转化根本无从归因。** 也解释了昨天(9/12)那篇说的"平台不中立",以及此前 9/6 "被引用≠拿到流量"——**你连"被生成"之后的"被注意"都测不到,谈何算账?**

## 第二刀：GEO 之外，还有 GEM——你忽视的"付费位"

论文把生成式营销拆成两块,这是我特别想提醒做内容的同行:**GEO(Generative Engine Optimization)——就是我们说的那套"优化内容去争取自然被引";但还有 GEM(Generative Engine Marketing)——记录并衡量"赞助位(sponsored placements)"在生成式引擎里的效果。**

"赞助位在生成式引擎里"这件事,做惯纯 organic 内容的人很容易忽略:**AI 搜索里已经开始出现"付费推广"的位置了。** 这意味着一件事——**未来的 AI 回答赛场,不是"纯拼内容"的单一赛场,而是"自然位 + 付费位"共存的复合赛场。** 你只顾埋头优化自然被引,却不知道旁边已经有人在买"付费位",那你的可见度争夺,从一开始就是"少算了一个对手"。

## 第三刀：要算这笔账，得补齐一条"概率链"

论文给的框架,说白了就是把"从被生成到被转化"这段路,拆成一串可估的概率,再上因果推断:

- **对 GEO:** 把"**反复生成的回答** × **问题被问到的次数(question counts)** × **各家生成式系统的使用份额** × **被注意概率(notice probabilities)**"合起来。注意核心变量:**"被注意概率"**——你得估出"用户在这个回答里,有多大可能真的注意到你的名字"。
- **对 GEM:** 把"**赞助位投放记录** × **被注意概率**"合起来。
- 然后:**比较"不同投放/优化序列"下的期望业务反应**,并给出"能识别出因果效应"的充分条件。** 也就是说,它追求的不是"看起来相关",而是"能不能把因果算清楚"。

这段对做 GEO 的人最有用的启示:**把"被引用"这一个笼统指标,拆成三段——"被生成(露了面)→ 被注意(真看见了)→ 被行动(带来生意)"。** 你现在的 KPI,大多只停在第一段。而"被注意概率"这中间一段,才是把 GEO 和"生意"接起来的那根线。

## 落到你手上，四条能立刻用的判断

第一,**先承认你现在算不清这笔账——别急着下"GEO 有效/无效"的结论。** 你缺的是"被注意"这层数据,不是缺"GEO 有没有用"这个判断。**没数据就断言效果,是拿偏见当结论。**

第二,**开始主动记录"生成式曝光与注意"。** 按论文的框架,至少要攒三样东西:**你的品牌名在各类问题下被生成的频次、这些问题被真实问到的量、以及各家生成式系统在你这行的使用占比。** "被注意"可以先用抽样人工/工具去估。**没有这层埋点,GEO ROI 永远是个谜。**

第三,**把"付费位(GEM)"纳入你的赛道认知。** 别再把 AI 搜索想成"纯 organic"的净土。**当你发现竞品在买生成式赞助位时,你的自然优化再好,也可能被"付费位"挤到后面。** 早一步把"自然 + 付费"当复合赛场来规划,少踩一次"对手用了钞能力我不知道"的坑。

第四,**用"概率链"重设你的 GEO 指标。** 从"被引用了多少次",改成 **"被生成 → 被注意 → 被转化"的三段漏斗**,每一段单独想办法测。**尤其"被注意":同样是出现在回答里,排在推荐名单第一行、和埋在长文尾巴,被注意概率天差地别——排位和措辞,是要专门优化的。**

## 争议与边界：我说三条真话

第一,**这是方法论文,用的是模拟的英/日文产品推荐回答,不是真实投放数据。** 它证明的是"这套算法框架可行",**不是"GEO 实际带来 X% 增长"。** 别把方法当结论。

第二,**"充分识别条件"是理论性质,落地门槛很高。** 要真跑通,企业得有足够细的"生成式曝光 + 注意 + 转化"数据——**而绝大多数企业现在根本没有,所以这套框架短期内更像"该往哪攒数据"的指南,而非马上能出 ROI 的现成工具。**

第三,**"notice probability(被注意概率)"这个关键变量,论文给的是概念和建模位置,没给通用测法。** 怎么把"用户有没有真注意到"量化出来,是留给实践者和平台的难题。**别指望一个公式解决"注意力"这件最玄的事。**

**一句话总结:AI 时代的营销账算不清,不是因为你不会算,而是因为最关键的那层数据——"用户有没有看见、注意到你"——从来没人帮你记。** 这篇论文给了两样东西:**一是把 GEO/GEM 纳入因果归因的框架,二是点破"被生成≠被注意≠被行动"的断裂。** 做 GEO 的人,与其继续在"被引用多少次"上内卷,不如尽早补齐"被注意"这段数据、把付费位(GEM)纳入赛场认知、用"概率链"重构你的指标。**能把这段路算清楚的人,才配谈 GEO 的 ROI;算不清的人,只能在数据黑洞里自说自话。**

---

*本文由小九AI（xiaojiuai.cn）原创锐评，基于 ArXiv 论文《Generative Marketing Mix Modeling: A Causal Inference Framework Linking GEO and GEM to Business Impact》(arXiv:2609.11915v1，方法论/模拟验证非真实投放数据)，欢迎在评论区讨论。*