7月中旬到8月上旬，豆包与抖音商城完成了一次关键的链路打通——用户在豆包问答中即可直接跳转商品卡完成支付下单，抖音商城开始向豆包侧回传销量数据，并对由此产生的交易进行抽佣。这意味着，AI对话框第一次从“品牌曝光入口”变成了具备完整归因能力的“交易入口”。

当AI Chatbot变成信息获取的最小单元，开始蚕食原生内容平台和渠道，意图就成为了新的货架。作为国内最早一批投入GEO模型算法研发，以及获得数千万融资的服务商，PureblueAI清蓝在最初就预判了“意图电商”的趋势。

本文来源于广告门 adquan.com

什么是意图电商？可以用这样一个例子来说明它和传统人找货、货找人逻辑的不同。当消费者在AI中提问：睡不好觉怎么办？AI可能在回答中给你推荐了一款睡眠枕。消费者并没有在意图中提到任何关于枕头推荐的Prompt，甚至没有意识到他需要一款枕头，但是AI Chatbot推理了这个意图背后的需求。

理解消费者的意图，并踩中意图上架商品，成为品牌当前的新课题。经过AI的转译，对话链路从B2C，转变为B TO AI TO C， 在金瞳内容盛典的分享上，清蓝作为2026年金瞳奖首个年度AI口碑营销公司，其市场副总裁李铭和行业观众，分享了这一变化背后的逻辑，以及如何“科学GEO”？

广告门摘取了分享中的核心观点，以Q&A形式整理如下。

广告门：豆包和抖音商城打通，具体意味着什么？为什么说这是一个关键信号？

李铭：这个变化分了几个阶段。今年五六月份的时候，你在豆包里问一个问题，它给你的还是图文形式的商品描述，点进去是一个商品集合页，这算1.0阶段；到7月中旬，开始出现独立的商品卡，点击可以直接跳转到详情页完成支付下单，这是2.0；再往后，7月中旬到8月上旬左右，豆包后面接上了抖音商城的数据——你能清楚看到多少销量是来自豆包这个AI问答平台的，并且抖音商城会对这部分销量进行抽佣，抽佣比例根据商家所属行业不同而有差异。

值得一提的是，阿里千问后台接的是全家桶，包括淘宝、天猫、飞猪，理论上想象空间更大，腾讯的元宝则是接的京东AI Agent，也跑通了。

这三步走完，意味着过去我们只能对AI做“品牌曝光”层面的营销，现在已经能追踪到实实在在的商品售卖结果了。这也是我们清蓝比较早就提出的一个理念——“意图电商”。

广告门：清蓝是反应比较快速，率先从GEO维度对豆包商品卡做出监测的，现在你们可以对商品卡监测到哪些数据？

李铭：PureblueAI清蓝的监测功能通过将前端商品卡曝光数据与抖店后台豆包渠道订单进行精准匹配，为品牌提供明确、可核验的转化依据。由此，品牌能够获得两个相互补充的数据视角：前端，看具体商品在AI回答中的呈现；后端，看具体商品的成交结果。

在商品信息层面，我们可结合不同用户意图下的商品卡出现率、提及频次、平均位次及竞品表现，识别本品与竞品的差异，并据此提供商品信息、商品描述等维度的优化建议。

交易链路打通，品牌如何应对？

广告门：交易链路的打通，对于数字资产没那么丰富的新兴品牌也会带来更直接的效果。你们和36kr发表了消费品牌AI推荐力名册，我们看到其实不仅仅是传统的大品牌，新消费品牌也有机会上榜。

李铭：在服务品牌的过程中，其实做GEO最困难的品牌，是那些从未对品牌做出过梳理，甚至无法一句话说明定位的企业。大模型的推荐和搜索引擎不一样，它不是一个排序逻辑，所以新消费品牌如果具备差异化的定位，反倒更容易弯道超车。

左滑查看在汽车/手机/空调/冰箱/面膜等垂类领域的AI推荐力

广告门：这个名册跑了几期之后，发现了哪些规律？

李铭：这个名册我们从5月份开始做，每两个月更新一期，覆盖不同品类，主要看品牌在DeepSeek、豆包、千问、元宝这些主流平台上的推荐力表现。跑了两期下来，我们总结出四个比较有意思的特征：

第一，从“泛化认知”到“场景占位”。你的内容营销一定不能只是泛泛地说“我的品牌怎么怎么好”，这样大概率没用。你得具体到场景——比如不要说“最好的手机是哪个”，而要对应“拍照好的手机推荐”或者“续航强的手机推荐”这类具体场景，把品牌和场景绑定，才更容易被AI推出来。

第二，从“单一爆款”到“矩阵防守”。如果你有多条产品线、多个SKU，千万别单打独斗。我们在榜单里看到，像海尔这样有好几个产品同时上榜的品牌，明显是做了矩阵化的营销和内容布局，效果比只推一个爆款要好得多。

第三，从“国际垄断”到“国货突围”。尤其在美妆彩妆这个赛道，国际大牌预算多、声量大，但国货品牌其实有弯道超车的机会——重点在于突出自己的特殊成分、国风包装这些差异化的角度，这些素材在AI时代反而容易脱颖而出。

第四，从“声量为王”到“高质语料”。很多人以为要在AI时代被更多推荐，就得拼命发文章、堆声量，但事实不是这样。内容的数量不是关键，语料本身的质量才是核心变量。

广告门：对品牌方来说，现在应该做什么准备？

李铭：可以按照“一个底座+三类场景”的思路来梳理：

一个底座：你的官网是不是做了GEO适配？这一两个月我们明显看到，模型对官网内容的抓取和引用权重在提升，很多品牌的官网还归在IT部门管，没人关注这个问题，但这其实是所有优化的基础。

三类场景：推荐类（消费者问品类而非品牌，比如“跑鞋哪个品牌好”、“双十一送男友什么礼物”）、验证类（消费者直接对比问“A和B哪个好”）、专项类（AI舆情、事件营销）。品牌不一定三类都要做，可以根据市场部当前的预算和campaign目标去选择重点。

另外要提醒一点：GEO现在门槛不高、市场参差不齐，但品牌方一定要守住两条底线——营销数据可管可控，品牌内容可信可审。这不是一句空话，是我们后续能不能持续、合规地做这件事的前提。

如何选择靠谱的GEO代理商

广告门：现在市场上做GEO的有很多流派，有SEO转GEO的；也有广告公司内部孵化的——通常会被解读为，更懂品牌需求；也有以清蓝为代表，在算法和量化层面，实力强劲的技术流，对于品牌，应该如何选择？如何识别呢？

李铭：现在市场上大概有三种打法：

经验驱动：靠人工经验写稿、发稿，这类公司通常强调“我对某个行业比较懂”。但这种方式效果正在明显衰减——去年上半年可能还有点用，但随着模型越来越聪明，基本上已经不太奏效了。

数据驱动：靠A/B测试摸索规律，比如同一篇文章写两个版本分别投放，看哪个更容易被大模型收录。这种方式命中率确实高一些，但问题是周期太长——一轮测试加正式写稿，差不多要一到两个月，而且大模型本身三五个月就会迭代一次，规律一旦过时，之前的测试等于白做。

模型驱动：PureblueAI清蓝就是模型驱动的GEO服务商。我们不去分析“文章应该怎么写”，而是直接用模型去分析对方大模型的偏好和工作逻辑——也就是“AI可辨识度”。打个比方，早期做海报、TVC是一道“美术题”，做内容营销、写公众号是一道“语文题”，而GEO是一道“数学题”——你要先算清楚对方模型的偏好，再按算法逻辑去生产和分发内容，才能真正提高命中率。

对于品牌来说，判断一家GEO服务商，不能只看是否“懂品牌”或者能不能写稿、发稿，更重要的是看其背后采用什么样的驱动方式，以及是否具备从品牌监测与诊断、模型分析，到内容优化与分发的完整能力。

广告门：品牌对于GEO的理解，有哪些常见的误区？

李铭：依然有很多品牌会认为GEO就是写稿与发稿，甚至认为通过海量发稿就能提升AI推荐。我们提倡的“科学GEO”，把整个流程拆成了8个环节：知识管理、意图挖掘、品牌诊断、内容管理、效果预估、内容分发、数据监控、策略优化。在写稿之前，知识管理与品牌诊断是不可缺失的环节。

服务客户的过程中，我们需要和客户明确，什么样的意图是可以被优化的，什么样的意图是不可被优化的，一个客户想要优化，和诊断后实际优化的意图，可能是不一样的。

广告门：你们会帮助客户去判断，他想要优化的意图是否可行，具体这个过程是如何实现的？有没有案例？

李铭：我们不会从客户希望优化的某一个Prompt直接开始，而是先通过知识管理梳理品牌现有的产品、定位和内容基础，再围绕真实用户需求进行意图挖掘，并结合品牌诊断判断这些意图与品牌实际业务是否匹配。之后再通过效果预估确定优先级，进入内容管理、分发、数据监控和后续策略优化。

因此，客户最初“想优化”的意图，与诊断后真正进入执行的意图可能并不完全相同。核心是先判断品牌与用户意图之间是否真实匹配，再决定是否值得优化。比如此前有一个麻辣香锅品牌，客户最初希望优化“这个地区最好吃的麻辣香锅”这类意图，但经过诊断后发现，相比泛化地争夺“最好吃”的认知，品牌更适合围绕自身业务特点，布局与加盟场景相关的意图。

清蓝更强调的是，不为了追求更大的意图而强行拔高品牌，而是优先选择与品牌真实定位、产品能力和业务场景相匹配的用户意图。

广告门：清蓝一直在提“科学GEO”，这个“科学”具体体现在哪？跟大家熟悉的SEO有什么本质不同？

李铭：我们讲的“科学GEO”，主要体现在四个维度：

流程科学：从用户意图挖掘到实时效果监控，8大环节覆盖GEO全链路工作流；

方法科学：通过异构模型进行算法构建与混合训练，结合AI可解释性进行分析优化；

工具科学：基于自研AI原生架构打造的数字员工平台，发布行业首款AI口碑营销数字员工；

标准科学：SOTA级别交付标准与合规承诺，参与多项国家与行业标准起草及制定。

如果再和SEO做一个比较，更严谨地讲，应该是：搜索引擎排序有规则，但AI推荐无规则。

SEO本质上是让网站在百度、谷歌里往前排，背后有一套相对明确的参考指标，比如DR值、DA值。怎么提高？站内埋关键词（TDK），站外做友链、大量发稿，都是有章可循的成熟打法。

但GEO优化的对象不是搜索引擎，是AI大模型本身。大模型背后不是靠DR、DA这类明文规则运作，它是一个“黑箱”。所以想拿SEO那套经验来做GEO，是不成立的。

广告门：具体怎么落地？能否举个例子说明“算法驱动”和“经验判断”的差别？

李铭：我们从刚才提到的科学GEO的八大环节里，挑两个环节，用真实案例说明“算法”和“常识”之间的差距有多大。

一个是内容管理，从6月底7月初开始，豆包对视频内容的权重明显提高了，尤其是抖音短视频，成了它采信的重要因素之一。这意味着GEO已经不只是“写文章”，还要考虑视频生产。我们分析出了相关性、时效性、权威性等一系列具体因子，按这个方向去优化，能明显提高命中率。

另一个是内容分发，这个例子更直观。有一个做家居建材地板的客户，按常识判断，这类文章应该发到装修、建材类媒体上。但我们用算法去分析DeepSeek、豆包、千问、元宝这四个平台的实际采信信源后发现：DeepSeek排第一的信源居然是“什么值得买”，第二是建材网，第三第四是邢台网、山西科技报；千问的高频信源里有一个是“大众网”；元宝排前面的甚至有淄博新闻网。

这些结果，靠人的经验和常识是完全想不到的，只有通过算法去计算对方模型的真实偏好才能发现。这就是我们说的“数学题”逻辑——算准了，才能“一发一个准”。

写在最后

从“品牌曝光”到“交易转化”，从“经验判断”到“算法计算”，AI营销正在经历一次根本性的范式转移。豆包与抖音商城的打通只是一个缩影，李铭在分享中反复强调的一点是：这不再是一道“美术题”或“语文题”，而是一道需要被算清楚的“数学题”。

PureblueAI清蓝目前已推出面向品牌方的免费AI推荐力诊断工具，品牌可通过检测了解自身在DeepSeek、豆包、千问等主流AI平台中的现状表现及内容评价倾向。

点击https://mkterai.com/campaign/quick-diagnostic?utm_source=ccma_awards，

免费开启【品牌AI推荐力】诊断

END