在拥抱 AI 服务客户的这些年里，我们听到最多的一句话是：「我们在百度投了几百万，为什么在 AI 里一个都搜不到？」

这句话问的是结果，但它指向的其实是一个更根本的问题：品牌在 AI 世界里的「认知」，究竟是由什么决定的？为了回答这个问题，我们提出了一套原创的分析框架——问题冰山模型。

水面之上：事实问题

冰山露出水面的部分，是「事实问题」。它们具体、可描述、能直接观察：

  • AI 推荐位被竞品抢占，客户搜「XX 品牌怎么样」，结果里没有我们；
  • AI 检索到了品牌，却「说不清技术实力」，缺乏结构化参数与案例，被排除在推荐之外；
  • 同城搜索被推荐给竞对，门店信息全网不一致，AI 无法把「我」和「这家店」关联起来。

事实问题好识别、好描述，也因此最容易成为企业做 GEO 的「起点」——大家都盯着「怎么让 AI 提我一句」。

水面之下：深层焦虑

但真正让「不被提及」变成「订单流失」的，是冰山沉在水面下的部分——深层焦虑。它不直接说出来，却决定了成交的走向：

  • 品牌正在被年轻消费者抛弃：他们不再看广告，买东西前先去问 AI。当 AI 不知道你，你就慢慢从他们的选择集里消失；
  • 采购负责人怕担责：一旦选了技术不强的供应商，项目失败就是自己的锅。AI 帮他做了初筛，但如果 AI 的信息来源本身薄弱，他的决策风险反而更高；
  • 实体店最怕客人路过但不知道门开着：AI 正在成为本地消费决策的第一站，错过这个入口，就只能靠老客复购撑场面。
事实问题决定「AI 有没有提到你」，深层焦虑决定「提到你之后，用户敢不敢选你」。GEO 如果只解决前者，等于只修好了冰山的一角。

为什么这套模型对 GEO 重要

传统 SEO 优化的是「算法排名」，它天然只能处理水面上的事实问题——关键词、链接、技术结构。而 GEO 优化的是「大模型的认知与推荐」，它必须同时穿透水面，抵达深层焦虑。

因为大模型的学习语料，正是海量用户提问里携带的焦虑。AI 说「这家不行」时，它复述的不是某个关键词，而是无数用户藏在问题背后的担忧。所以，做 GEO 的第一步，不是堆关键词，而是先把「用户在水下真正怕什么」挖出来。

如何落地：三步用起来

第一步 · 分水面与水下

把所有「AI 没提我」的现象归类为事实问题，再逐一追问一句「用户为什么在意这件事」，把答案归类为深层焦虑。

第二步 · 优先解决水下

深层焦虑决定了内容该「讲什么」。比如 B2B 采购怕担责，内容就要做「可核验的资质、参数、案例」，而不是自说自话的卖点。

第三步 · 用事实回应焦虑

把深层焦虑翻译成结构化事实（资质、数据、案例、可溯源的出处），喂给大模型。事实回应焦虑，焦虑驱动事实的取舍。

这，就是问题冰山模型在 GEO 实战中的完整闭环。