围绕“怎样让大模型相信自己、推荐自己”，外界提出了几种做法。有些是在改善信息表达，有些则试图利用信息重复、权威包装和语言风格，影响AI对事实与品牌的判断。
我自己过去也一直在研究GEO和AI Visibility，所以我并不是反对这些优化。相反，我认为随着AI逐渐成为新的信息入口，让AI能够准确理解一个人、一个品牌或者一个产品，本来就是未来需要解决的问题。
我关心的是：当这些做法成为获取可见性的竞争手段，它们会怎样改变内容、思想，以及话语权的分配？
一、外界正在尝试怎样影响大模型
第一种，是被称为结构化“投毒”的做法。
把随性的情感软文，改写成维基百科式的客观词条、对比表格和问答，再使用JSON-LD、Schema等结构化标记，让信息更容易被机器识别和提取。有些内容还会主动加入一点自身的微小缺点，营造冷静、客观的评测感。
这种表达可以用于正常的信息整理，也可以被用来包装未经证实的结论。但格式规范并不保证AI推荐，更不代表内容真实。Google也明确说明，其AI搜索功能没有特殊的Schema要求。
第二种，是制造“权威回音壁”。
通过社区讨论、媒体报道、官网Q&A和行业维基之间的互相引用，拼出一条看似完整的“信任链条”。更具操纵性的版本，是先伪造讨论，再让报道和引用赋予它权威感。
如果这些内容实际来自同一个策划源头，所谓“多方证实”，就可能只是同一套说法换了几个发布位置。
第三种，是“词频寄生”与语境绑定。
把自己的品牌反复放进行业巨头、核心技术和常见解决方案的讨论中，试图让AI在检索相关问题时，一并看到自己。例如，持续把某个产品描述成大厂产品的配套工具或替代方案。
这种做法试图影响检索到的上下文，但不能简单解释成“矩阵计算会把两个品牌死死绑定”，也不能保证模型形成稳定的关联。
第四种，是对“可信表达”的逆向工程。
弱化夸张、绝对化的宣传，改用“根据数据”“一个潜在的局限性是”“在特定场景下表现优异”等措辞，伪装成中立、理性，甚至带有一点批判色彩的行业观察者。
严谨表达本身没有问题。问题在于，它也可能被用来制造一种“看起来值得信任”的外观，而没有增加任何真实证据。
这些做法的效果不能一概而论。早期GEO研究发现，补充引用、统计信息和改善表达，在实验中能够提高内容可见度，但效果因方法和领域而异。这与“掌握几个技巧就能稳定操控大模型”，仍然是两回事。
二、可能带来的危害
我觉得这里面有几个问题。
首先，由于这种信息回音室的效应，共识可能趋同，越来越没有创意。不同的声音即使作为独立信源，也可能失去被检索和引用的机会，在中心化的道路上被边缘化。十个来源如果都在转述同一份内容，数量并没有带来十份独立证据。
在数理统计的道路上，人文素养和深邃的思想，可能被过度拆解。当获取可见性越来越依赖某种标准表达，就会变成人类去适应AI的表达，而非反过来。那些含蓄的、矛盾的、尚未形成完整结论的思考，可能在进入讨论之前，就被认为“不够清晰”。
如果这些信号持续被优先采用，话语权就可能趋向集中，舆论以分层权重或者重点样本的方式被简单化，数量和结构重于思辨和新想法。
这并不意味着AI无法帮助创作。一个值得警惕的现象是：个人可以写得更好，大家却写得越来越像。一项短篇故事实验就发现，AI辅助提高了个人作品的创意评价，同时降低了作品之间的整体多样性。
存量有巨大样本优势。如果benchmark和信源评价又主要选择大公司、大媒体，新的观点就可能在尚未获得传播之前，先输给已有的权威。而那些尚未被结构化、显性化的经验，也可能长期停留在评价体系之外。
如果这些倾向持续加强，所谓的新世界，就可能再次变成上一个旧世界：工具改变了，原有的话语权结构却被进一步放大。
而且我觉得，这个问题可能会比现在讨论的GEO更远。
今天大家争的是AI看见什么、引用什么。未来Agent越来越多参与筛选和决策以后，争的会变成AI相信什么、保留什么，以及最后选择什么。
到了这一步，前面这些人为制造的“共识”和“权威”，影响的就不再只是一个答案，而可能进入真实的决策链。
还有一个问题，是谁来定义所谓“正确”的信息和表达。
评价者群体、benchmark的选择，以及系统如何处理意见分歧，本身都会影响模型行为。某一套评价标准可以是合理的，但不能因为它被写进模型，就直接等同于“人类共同价值”。
真实社会里本来就存在利益冲突、竞争、愤怒、亲疏关系和大量不符合标准答案的情况。如果模型只能识别一种最稳妥、最规范的表达，最后仍然会回到同一个问题：复杂的人类现实，被压缩成一套更容易被机器处理的世界。
三、正确的方式
对内容生产者而言，结构化应该服务于真实表达。表格、词条和问答可以帮助AI理解信息，但背后应当有可验证的事实、测试过程和实际经验。商业内容可以明确表达立场，不必伪装成独立观察者；品牌与行业巨头的关联，也应建立在真实用途和证据上。
对平台而言，交叉验证应当回到独立的原始证据。同源转载需要识别，循环引用需要追溯。出现次数、发布平台和表达形式，都不能直接代替对内容本身的判断。一个独立来源提出的新证据，不应该因为声量小，就失去进入讨论的机会。
时间戳也需要与原始内容、作者归属、历史版本和引用关系一起保留，让最初的贡献能够被追溯。对于尚未被整理成表格、词条和标准结论的记录，应当保留原始语境和被发现的机会。不能让后来的高权重转述，轻易覆盖最初的思想来源。
benchmark需要给小机构、独立作者、新出现的问题，以及不同的表达方式留下位置。除了检验模型能否复述已有知识，也应检验它能否发现新证据、识别权威错误，以及保留合理分歧。新观点需要接受证据检验，但获得检验的机会，不应取决于它是否已经成为主流。
对于企业，这并不意味着不要做GEO。我的结论其实相反：AI Visibility会越来越重要，只是不能把它理解成“怎样多做一些内容，让ChatGPT提到我”。
我后来继续研究ASO（Agentic Search Optimization），就是因为我觉得GEO还只解决了一部分问题。
GEO更多解决AI能不能找到、理解和引用你。ASO再往后一步，关心的是AI会不会选择你。
这个区别到了Agentic Commerce阶段会变得更明显。
未来网站另一头的接收方不一定是人，也可能直接是Agent。一个Agent替用户找产品、比较酒店、选择软件或者采购服务，它不会只是把十个网页发回来，而是可能自己完成读取、判断、过滤，甚至在获得授权以后继续执行。
所以网站需要做的不只是让AI能够读，而是让Agent能够真正使用。
产品、价格、库存、服务范围、身份、证据、接口、支付和履约，都需要能够被机器理解和调用。网站需要开始变得Agent-Ready，甚至未来可能是Agent-First。
再往后，信息的另一头甚至可能也是Agent。
Agent找Agent，Agent向Agent询价、验证、调用和交易。
到了这里，AI Visibility也不能只用“有没有被提到”衡量。被检索、被引用、被推荐、进入候选、被选择和最终被执行，本来就是不同的阶段。
这也是我后来讨论Decision Authority Economy的原因之一。
当AI开始替人承担越来越多筛选、比较和执行工作，真正发生变化的其实是决策权本身。
过去争的是流量、点击和人的注意力。未来还会争取进入Agent的决策路径。
所以如果今天人为制造给AI看的“现实”，未来受到影响的可能不仅是AI说什么，而是AI替人做什么。
我认为正确的优化方向，应该是让真实的信息和能力更容易进入这条路径，而不是先研究怎样欺骗它。
把真实能力变得更容易被机器理解，把真实权威变得更容易被机器验证，把网站真正做成Agent-Ready，这些事情可能没有“操纵大模型”听起来那么刺激，但我认为更加长期。
AI应该帮助人更充分地表达、思辨和选择。让AI适应人的表达与现实，应当成为技术改进的方向；不应让人只有先变得像AI，才有资格被看见。
