Zentrale Medien weisen erneut auf Missstände bei GEO-Diensten hin: Wie können Unternehmen den passenden Partner auswählen?

In letzter Zeit hat die Yangguang Net wieder einen langen Artikel veröffentlicht, der sich auf die Missstände bei GEO-Dienstleistern konzentriert.

In einem von ihr untersuchten Fall hat eine internationale Logistikfirma nicht die von ihrem GEO-Dienstleister zugesagte "Top 3-Rangfolge in der AI-Suche" erreicht. Stattdessen wurde sie von mehreren AI-Plattformen als "nicht vertrauenswürdige Informationsquelle" markiert, weil der Dienstleister unüberprüfte Informationen massehaft generiert und falsche Inhalte erstellt hat. Schließlich musste die Firma mehrere Male die Kosten für die Reparatur der öffentlichen Meinung aufwenden.

Dies ist jedoch kein Einzelfall. Mit der zunehmenden Einbettung von KI in das tägliche Leben wird GEO von einer "Experimentieraktion" von Unternehmen zu einer grundlegenden Fähigkeit in der Markenführung. Daraus resultiert die Entstehung unzähliger GEO-Dienstleister und eine Vielzahl von Missständen im Service. "Garantie der Rangfolge", "Garantie der Sichtbarkeit" und "Abdeckung aller Plattformen" sind zu üblichen Fallstricken geworden.

Für Unternehmen ist die Frage nicht mehr, ob sie GEO betreiben sollten, sondern vielmehr: Welche GEO-Dienste sind vertrauenswürdig? Welche nicht? Wie wählt man einen Partner aus, mit dem man langfristig die KI-Wahrnehmung der Marke aufbauen kann?

Welche üblichen Missstände gibt es bei GEO-Diensten?

In dem langen Artikel der Yangguang Net gibt es auch das Beispiel einer Umzugsfirma. Die Firma wurde mit einer hohen Rangfolge und einer breiten Plattform-Sichtbarkeit versprochen, musste aber nur mehrere Social-Media-Konten registrieren und dauerhaft Beiträge veröffentlichen. Nach fast einem Monat war die Rangfolge und die Sichtbarkeit immer noch null, und die Rückerstattung des Geldes war äußerst schwierig.

Währenddessen hat das Team von Jianshi mehrere private Treffen zum Thema GEO organisiert. Viele Marken und Gäste haben ähnliche Phänomene erwähnt.

Beispielsweise legt ein GEO-Dienstleister in seiner Verkaufs-PowerPoint-Präsentation einen scheinbar professionellen Fallbeispiel-Screenshot ab, auf dem der Markenname, ein Screenshot der KI-Empfehlung und ein Datenvergleichsdiagramm usw. zu sehen sind. Er behauptet, dass "eine Marke eine Steigerung der KI-Empfehlungsrate um 300 % erreicht hat".

Tatsächlich hat er jedoch den Markennamen eines anderen Kunden in den Namen der von ihm bedienten Marke geändert oder sogar ein ganzes Fallbeispiel erfunden, einschließlich Markenname, Branche und Effektdaten, allesamt falsch. Das Ziel ist es nur, die Kunden zu beeinflussen, indem sie "Fallbeispiele aus der gleichen Branche" sehen und denken: "Wenn die Konkurrenten es tun, muss ich es auch tun."

Andere Dienstleister erledigen nach Erhalt eines Projekts im Wesentlichen keine wesentlichen Arbeiten. Sie veröffentlichen nicht die vorgesehenen Inhalte und optimieren nicht die Plattformen. Wenn es Zeit für die Wochenberichte ist, nehmen sie einfach einen Screenshot eines KI-Dialogs und behaupten, dass die Ziele erreicht seien. Oder sie erledigen tatsächlich einige Arbeiten, aber von sehr niedriger Qualität (z. B. kopieren und fügen sie den Inhalt der Kunden-Website unverändert auf mehrere kostenlose Plattformen ein).

Effektlosigkeit mag noch das Geringste sein. Ein Dienstleister hat um schnell Ergebnisse für eine Bekleidungsmarke zu erzielen, auf Plattformen wie Xiaohongshu massehaft Inhalte zum Thema "trendy Outfits" veröffentlicht. Kurzfristig hat die Anzahl der Inhalte zugenommen, aber nachdem die KI diese Inhalte erfasst hat, wurde diese Marke, die eigentlich auf "kostengünstige Berufskleidung für Männer" spezialisiert ist, fälschlicherweise als "Streetwear-Marke" klassifiziert. "Nach drei Monaten stellte man fest, dass die KI die Markenpositionierung falsch verstanden hatte."

Diese Art von Inhalten verschmutzt die externen Informationsquellen, auf die das Large Language Model bei der Generierung von Antworten möglicherweise zurückgreift. Wenn falsche Inhalte von mehreren Kanälen wiederholt verbreitet werden, kann die KI bei der Kreuzvalidierung fehlerhafte Urteile fällen. Schließlich müssen die Markenbetreiber die Folgen einer verzerrten Wahrnehmung, eines Vertrauensverlusts und die Kosten für die anschließende Reparatur tragen.

Verschiedene Missstände lassen sich zumindest in drei Kategorien einteilen.

Erstens: "Leeren Versprechungen" ohne Grenzen. Äußerungen wie "7-Tage-Besetzung aller Suchergebnisse", "Garantie der Top 3-Rangfolge" und "Abdeckung von Tausenden von Schlüsselwörtern" fallen leicht von den Lippen. Aber KI-Antworten sind keine festen Rankings wie bei traditionellen Suchmaschinen, sondern dynamische Antworten, die die Nutzeranfragen verstehen. Solche "Versprechen", die die technischen Prinzipien ignorieren, nutzen im Wesentlichen die Informationslücke, um Unternehmen zu manipulieren.

Zweitens: "Lieferung" mit Tricks. Falsche Experten, falsche Tests, falsche Daten und falsche Ergebnisse sind die häufigsten Lieferungsfallen. Unternehmen können diese überhaupt nicht verstehen und auch nicht überprüfen.

Drittens: "Schuld" abwälzen, wenn Probleme auftreten. Sobald die Fälschung entdeckt wird oder die Marke aufgrund falscher Informationen von dem Large Language Model degradiert wird, weist der Dienstleister die Schuld zurück. Das daraus resultierende Durcheinander muss das Unternehmen dann selbst bewältigen.

Wie wählt ein Unternehmen einen guten Dienstleister aus?

Wenn die Missstände die frühen Probleme des GEO-Marktes aufzeigen, kann man umgekehrt auch die gemeinsamen Praktiken vertrauenswürdiger Dienstleister erkennen:

Sie versprechen normalerweise nicht sofort "die Garantie der Rangfolge" und fragen auch nicht zuerst, wie viele Schlüsselwörter das Unternehmen optimieren möchte. Stattdessen klären sie zuerst eine grundlegendere Frage: Wie sollte die KI diese Marke und das Produkt eigentlich verstehen? Dies beantwortet auch eine andere Schlüsselfrage: Wie wählt ein Unternehmen einen zuverlässigen GEO-Dienstleister?

Aus einigen etablierten Projekten geht hervor, dass vertrauenswürdige GEO-Dienste in der Regel fünf Schritte durchlaufen.

Erster Schritt: Sachverhalte erfassen: Zuerst die Markenbotschaft einheitlich festlegen, statt direkt Artikel zu veröffentlichen.

Ein Team hat Jianshi mitgeteilt, dass bei der Beratung einer bekannten Muttermärkte festgestellt wurde, dass die KI nicht feststellen konnte, ob die Produkte auf der Website, auf Tmall und auf Xiaohongshu dasselbe waren, weil die Produktnamen unterschiedlich waren. Dadurch war die KI-Sichtbarkeit der Marke weniger als 5 %.

Ähnliche Situationen sind in Unternehmen sehr häufig: Das gleiche Produkt hat auf verschiedenen Plattformen unterschiedliche Namen, die gleichen Verkaufsargumente werden in Verkaufsgesprächen, Werbematerialien und Kundenbetreuung unterschiedlich formuliert, und wichtige Informationen wie Zertifikate, Patente, Fallbeispiele und Parameter sind in verschiedenen Abteilungen und Kanälen verteilt.

Deshalb ist der erste Schritt eines vertrauenswürdigen GEO in der Regel nicht die Veröffentlichung von Artikeln, sondern die Erfassung von Informationen und die Einheitlichung der Botschaft: Sind die Marken- und Produktnamen einheitlich? Werden die Kernargumente durch Fakten gestützt? Sind die Parameter, Zertifikate, Patente und Preise nachprüfbar? Widersprechen sich die Inhalte auf der Website, in E-Commerce, Social-Media und Medien? Welche Informationen können als Grundlage für die KI-Verständnis der Marke dienen? Dieser Schritt scheint grundlegend, bestimmt aber, ob der nachfolgende GEO vertrauenswürdig ist.

Zweiter Schritt: Aufbau eines Unternehmenswissensgraphen: Marketing-Formulierungen in KI-verständliche Wissensknoten umwandeln.

In der Marketinglogik ist es für Unternehmen üblich, Begriffe wie "branchenführend", "hochwertig", "vertrauenswürdig" und "einheitliche Lösung" zu verwenden, um ihre Stärken auszudrücken. Diese Ausdrücke können Menschen verstehen, aber die KI weiß möglicherweise nicht, welche Fakten sie entsprechen.

Welche Marktanteile, Patente, Fallbeispiele oder Drittanbieterzertifikate entsprechen dem Begriff "branchenführend"? In welchen Parametern, Preisbereichen, Nutzungskosten oder Kundenservicebedingungen zeigt sich die "kostengünstige Qualität"? Wird die "Sicherheit und Zuverlässigkeit" durch Prüfberichte, Zertifizierungsstandards oder echte Fallbeispiele von Nutzern gestützt?

Der Kern dieses Schritts besteht darin, die "Selbstpräsentation" des Unternehmens gegenüber Menschen in KI-verständliche, überprüfbare und zitiervolle Wissensknoten umzuwandeln. Das heißt, die Marke muss mit der Hilfe des GEO-Dienstleisters ihr Sprachausdrucksystem neu aufbauen und Produktnamen, Anwendungsfälle, Nutzerfragen, Funktionsparameter, Beweismaterialien, autoritative Informationsquellen und echte Fallbeispiele verbinden.

Der Aufbau von Unternehmenswissensgraphen hat sich bereits in einigen Praktiken etabliert. Beispielsweise hat 360 Zhijian GEO den Wissensgraph als Kernbasis für vertrauenswürdigen GEO festgelegt:

Einerseits zerlegt es die realen Unternehmensaktivitäten in KI-erkennbare Wissensknoten wie "Subjektqualifikation - Produkt- und Serviceangebot - Anwendungsfall - Nutzerfrage - Kernargument - Beweismaterial - Autoritative Informationsquelle" auf der Grundlage von über zwanzig Jahren Erfahrung in der Unternehmensberatung, Millionen von Unternehmenskunden, Milliarden von bösartigen Stichproben und branchenübergreifenden Risikomanagement-Fallbeispielen. Andererseits erstellt es eine differenzierte Wissensstruktur in Bezug auf die Entscheidungsabläufe in verschiedenen Branchen.

Beispielsweise wird in der Gesundheitsbranche ein vertrauenswürdiges Vermögenssystem um Berufsqualifikationen, Expertenteams, Servicestandards, Therapieerklärungen und Compliance-Grenzen aufgebaut. In der Spielebranche wird ein Empfehlungs- und Vertrauensmodell um Spielmechaniken, Spielerbewertungen, öffentliche Meinung, Spielanleitungen und emotionale Tendenzen aufgebaut.

Der so entstehende Wissensgraph ist nicht nur eine interne Unternehmensdatenbank, sondern eine Infrastruktur für die Markenwahrnehmung, die für die KI-Suche, -Schlussfolgerung, -Generierung und -Zitierung ausgelegt ist.

Dritter Schritt: Problemidentifikation: Zuerst ein Nutzerfragenmodell erstellen, statt eine Schlüsselwortliste zu erstellen.

Viele Unternehmen verwenden beim GEO immer noch den SEO-Ansatz: Schlüsselwörter auflisten, Artikel veröffentlichen und Kanäle ausbauen. Aber die Fragen der Nutzer auf KI-Plattformen sind keine statischen Schlüsselwörter, sondern eine Fragekette, die sich um Bedürfnisse, Vergleiche, Überprüfungen und Entscheidungen dreht.

Deshalb wird ein vertrauenswürdiger Dienstleister nicht nur eine Schlüsselwortliste liefern, sondern zuerst die wichtigste Geschäftsziel des Unternehmens feststellen: Ist es die Markenerkennung eines neuen Produkts, die Franchisewerbung, die Produktkonversion, die Expertensicht, die Reparatur negativer Berichte oder der Vergleich mit Konkurrenten? Bei begrenztem Budget muss man klarstellen, welches Geschäft, welche Zielgruppe, welcher Anwendungsfall und welche Fragengruppe zuerst optimiert werden sollen.

Nehmen wir beispielsweise einen Hersteller von numerisch gesteuerten Schneideanlagen. Wenn man nur auf allgemeine Schlüsselwörter wie "Welche Schneideanlage ist die beste" abzielt, ist es schwierig, die KI-Antworten wirklich zu beeinflussen.

Wenn 360 Zhijian GEO diesen Hersteller berät, wird zuerst der potenzielle Kundenstamm aus verschiedenen Anwendungsfällen wie Bekleidungsfabrik, Innenausbau und Industrie, beruflichen Identitäten wie Einkaufsverantwortlichen und Geschäftsführern sowie technischen Parametern wie rein elektrischer Servoantrieb und Laserschneiden segmentiert. Dann werden die potenziellen Bedürfnisse und Probleme in verschiedenen Szenarien basierend auf Faktoren wie Zeit, Raum, Ziel und aktuellen Themen abgeleitet. Schließlich werden die Funktionsargumente, Serviceargumente, Marketingargumente und Wettbewerbsargumente festgelegt.

Natürlich sind die Fragemodelle in verschiedenen Branchen völlig unterschiedlich. Bei Produkten mit hohem Entscheidungsaufwand muss in der Regel eine vollständige Entscheidungsreihe um Rollen, Parameter, Budget, Compliance, ROI, Lieferung und Kundenservice aufgebaut werden. Bei Produkten mit geringem Entscheidungsaufwand hängt es eher von der Übereinstimmung zwischen Szenario und Problem ab.

Beispielsweise werden Nutzer von Gelatineprodukten eher Fragen wie "Wie kann man seine Qi und Blutversorgung verbessern, wenn man oft spät arbeitet?", "Was soll man essen, wenn man an geistiger Erschöpfung in einem stressigen Arbeitsumfeld leidet?" und "Welche Symptome weist eine Qi- und Blutversorgung auf?" stellen. Der Schwerpunkt des GEO liegt dann nicht auf dem Aufbau einer langen technischen Schlussfolgerungskette, sondern auf der Verbindung zwischen typischen Szenarien, Nutzerproblemen und Produktwissen.

Vierter Schritt: Informationsquellen gestalten: Vertrauenswürdige Inhalte an Stellen platzieren, an denen die KI sie leichter akzeptiert.

Nehmen wir das Beispiel der internationalen Logistikfirma aus dem Artikel der Yangguang Net. Der Dienstleister hat ohne Überprüfung massehaft falsche Informationen wie "Eigentümer eines über 200 Quadratmeter großen Werks" und "Zehnjähriges Bestehen" generiert. Tatsächlich war das sogenannte "Werk" nur ein Mietbüro, und das Unternehmen war erst seit weniger als zwei Jahren gegründet. Wenn solche Inhalte von der KI erfasst werden und bei der Kreuzvalidierung als inkonsistent erkannt werden, kann dies dazu führen, dass die Marke als "nicht vertrauenswürdige Informationsquelle" markiert wird.

Deshalb ist der Schlüssel bei der Aufbau von Informationsquellen nicht, "wie viel" man veröffentlicht, sondern "welche Inhalte von welchen Informationsquellen getragen werden sollten". Im Allgemeinen bestätigen offizielle Informationsquellen die grundlegenden Fakten der Marke. Autoritative Medien und Branchenplattformen erhöhen die Vertrauenswürdigkeit. Zertifikate, Patente, Verbände und öffentliche Regierungsdaten stützen die wichtigen Argumente. Social-Media- und Inhaltsplattformen decken reale Szenarien und Meinungen ab. Vertikale Plattformen oder akademische Materialien