问题——“答案入口”被商业操控风险上升 随着生成式大模型加速进入搜索、消费决策和公共服务等场景，用户获取信息的方式正从“找链接”转向“要答案”；该背景下，一些打着“生成式引擎优化（GEO）”旗号的营销工具和服务商——把大模型当作新的流量入口——公开宣称可通过付费“投喂”“占位”影响模型回答，让客户品牌在多个主流应用的推荐列表中反复出现，甚至把缺乏事实依据的广告表述包装成“可信解释”。调查发现，这类服务在电商平台、社交平台上仍有销售痕迹，价格从9.9元试用到数百元包月不等，传播范围广、购买门槛低。 原因——逐利驱动叠加机制缺口形成“灰链条” 一是“答案型分发”带来新的流量收益。大模型输出通常摘要强、结论明确，用户容易把“看起来很权威的回答”直接当作决策依据。对营销方而言，只要能影响回答内容，就可能获得比传统广告更隐蔽、更高效的转化路径。 二是批量化内容生产降低了违规成本。一些服务商提供从素材整理、自动生成标题和文章到多平台分发的一站式工具，再配合“账号矩阵”授权、关键词配置等操作，能在短时间铺开大量同质化“软文”，在公开网络中制造“信息密度”和“仿佛有共识”的效果，为模型训练、检索与引用提供可乘之机。 三是平台审核与模型防护存在时间差。一上，软文常披着“科普”“测评”“经验分享”的外衣，规避广告标识或踩着夸大宣传边界，增加内容治理难度；另一方面，部分大模型引用来源标注、冲突信息甄别、商业意图识别诸上仍有提升空间，面对组织化、持续性的“投喂”时，容易出现推荐偏向或事实失真。 影响——扰乱市场秩序，放大信息风险与信任危机 其一，误导消费者与企业采购决策。以“推荐厂家”“对比产品”“选购指南”等常见提问为目标的内容投喂，可能把原本应基于质量、资质、口碑的选择，变成“谁更会投喂谁更容易被推荐”，从而诱发不公平竞争。 其二，挤压优质内容与合规经营空间。当违规营销借助低成本工具实现规模化扩散，会形成“劣币驱逐良币”的压力，迫使部分经营者被动卷入流量竞赛，破坏正常商业生态。 其三，削弱大模型可信度并带来连锁治理成本。一旦用户频繁遇到“看似中立却夹带私货”的回答，将加重对技术应用的疑虑，进而抬高平台审核、企业合规和社会治理的整体成本。 对策——多方协同堵住“投喂—扩散—引用”链条 业内人士建议，从内容源头、传播平台与模型端三方面同步推进。 在内容源头层面，压实广告合规责任，强化对“测评”“种草”“经验贴”等高风险内容形态的广告识别与标注，严查虚构资质、夸大功效、伪造口碑等行为。对组织化发布、批量账号操控等特征明显的行为，应完善证据留存与处置机制，提高违法违规成本。 在平台治理层面，电商与社交平台应对有关工具售卖、代运营服务、话术引流开展巡查清理，建立“关键词+行为特征+交易链路”的联动识别机制，对提供“影响模型回答”“把广告做成标准答案”等导向性服务的商家加强处置，必要时联动打击黑灰产链条。对账号矩阵异常授权、短期集中发布、跨平台同质内容扩散等情况，可引入更严格的风控策略和分级处置。 在模型与应用层面，提升“反操控”能力与透明度尤为关键。包括加强来源可信度权重设计，完善引用标注与多源校验，对商业意图明显、证据不足的结论增加风险提示；针对更易被操纵的“推荐类”“榜单类”问答场景，可设置更严格的证据门槛与冲突信息呈现规则，降低单一来源造成的偏置。 前景——从“流量竞赛”回归“可信信息竞争” 生成式大模型正成为新的信息基础设施，治理关键在于守住真实性与公平性底线。可以预期，随着平台对黑灰产打击加码、模型对“投喂操控”的识别能力增强，以及广告合规与数据治理规则持续完善，“靠堆量影响答案”的空间将被压缩。但也要看到，营销手法会不断翻新，治理需要常态化、机制化推进，推动“技术防护+平台治理+法治约束+行业自律”协同发力，让大模型回答更可验证、更可追溯、更可问责。
当技术迭代速度快于规则更新周期时，GEO乱象值得警惕。构建可信的AI生态不仅要强化技术防护，也需要多方参与的社会共治。如何在保持人工智能发展活力的同时守住信息真实性，将成为衡量数字治理能力的重要标准。