换个城市问，AI推荐就换一批信源：31200份回答证明GEO的可见性「分地点」

15 0

10 月 16 日，多伦多大学团队（Mahe Chen 与 Nick Koudas）在 arXiv 上发布了一篇只有 4 页、却直指 GEO 监测盲区的研究：Location, Location, Generation。过去做 GEO（生成式引擎优化）监测，绝大多数团队默认一件事——从自己的办公室（单一地点）问一遍 AI，得到的就是「标准答案」。这篇论文用 31,200 份受控回答证明：这个默认是错的。AI 答案里引用的信源与推荐的品牌，取决于你在哪里问。

实验设计：把「地点」当成变量

研究者向 ChatGPT 提出同一组 300 个问题，分别以 19 个申报地点（应用层声明的城市）发起；同时让 ChatGPT 与 Gemini 从 5 个真实网络出口（国家级）访问，每个设置跑两遍以测量随机波动，合计 31,200 份回答。实验设计的巧妙之处在于把「申报地点」与「网络出口」分离——这正好对应引擎读取用户位置的两种不同通道。

发现一：ChatGPT 听「你说的」，Gemini 听「你连的」

ChatGPT 跟随应用层申报的地点，精确到城市：它会把城市写进自己发起的搜索词里，而且即使问题里一个地名都没有，它的搜索后端也会把结果本地化；至于网络出口在哪个国家，它并不在乎。Gemini 恰好相反：它无视申报地点，只认网络所在的国家级位置——连那些和地点毫无关系的问题，信源也会换掉一大半。同一组问题，两个引擎走的是两条完全不同的「位置通道」。

商业后果：被推荐的商家跟着信源一起换

更要紧的是最后一环：AI 答案里推荐的本地商家与品牌，随信源的变化而变化。换句话说，生成式搜索里的品牌可见性不是全局指标，而是「位置特定」的指标。你的品牌在北京的 ChatGPT 答案里出现、在广州的答案里消失，可能只是因为引擎在不同城市调用了不同的信源池——而不是你的内容发生了任何变化。

对 GEO 审计的三条硬要求

论文的结论落在方法上：任何 GEO 可见性审计，都必须同时控制申报地点与网络出口两个通道。落到执行层面有三件事值得马上做。第一，监测要按地点分桶采样，至少覆盖「城市级申报地」与「国家级网络出口」两类变量，单一地点的数据不能外推；第二，面向本地业务的页面要把地域信号结构化写清楚——城市名、服务范围、门店地址，让引擎在做「城市级改写」时能把你捞进对应地点的信源池；第三，跨地区业务要分地区分别评估，一份全国平均报告会掩盖所有真实的波动。

延伸：影响力开始用「钱」计价

几乎同一时间（10 月 19 日），另一篇 arXiv 论文把 GEO 的度量又往前推了一步。研究者提出「价格等价」（price-equivalent）审计：在受控的强制二选一里，把被卖家内容标记的商品价格一路抬高，直到它只剩一半的概率被选中，这个溢价就是该「暗示」影响力的价格。他们跑了 113,472 次试验、覆盖 7 个模型与两类商品，发现「选择率看起来一样强」的两组暗示，折算成价格后差距悬殊——传统的选择率审计严重低估了卖家内容的影响力。有意思的是，直接输出选择概率的「决策原生」模型 Jev 抵抗了大多数暗示，却对最强的社会证明类话术敏感。当 GEO 的效果开始能折算成钱，「值多少钱」会逐渐取代「有没有被选」，成为品牌评估 AI 渠道的通行口径。