过去十年，品牌危机的第一现场是微博热搜、媒体头条和投诉平台。今天，这个现场已经悄悄搬到对话框里。用户在凌晨两点打开一个AI助手，问的是某个品牌的产品还能不能买、某批货是不是真的有问题、这个公司最近是不是出事了。模型在几百字之内给出一段有结论、有语气、有排序的回答，完成了过去需要十几篇报道、几十条评论才能完成的认知塑造。
这件事的性质已经超出营销范畴。企业过去争的是搜索结果页上的位置，一个好位置意味着多一次被点击的机会；现在要争的是模型生成答案里的那几句话，那几句话本身就是结论，用户往往看完就做决定，根本不会再点开任何一个链接。当答案变成唯一入口，负面信息不再只是排在前面，而是直接被写进结论里。
这就是GEO在舆情场景中的真实价值起点。它不是在危机发生时帮你删掉什么，而是在危机发生前，先把足够多、足够硬、足够容易被引用的事实放进模型能够读到的位置，让模型在生成答案时手里有别的牌可打。本文给出一套可以真正算账的框架：把负面压制拆成可以观测的指标，把信源护城河折算成可以比较的成本，再用一次中等规模事件的完整数字，说明GEO内容资产在舆情事件中究竟能省下多少钱、少损失多少订单。文中所有数字均为示例口径，企业可以按自身行业参数替换。
一、危机的第一现场为什么迁移到了AI答案里
理解防护价值，先要理解战场形状变了。信息分发从列表页变成答案页，不只是交互形式的变化，而是整个传播经济学的重写。至少有三个结构性变化在同时发生，它们共同决定了负面信息在新环境里的杀伤力被放大了。
入口合并：从多次跳转到一次定论
在传统搜索时代，用户看到负面标题后，会点进去看正文，会翻到第二页看企业回应，会去电商评论区看真实反馈，整个判断过程是分散的、可被打断的、可以被企业后续动作影响的。生成式答案把这一串动作压缩成一次交互，用户提出问题、得到结论、离开。中间所有可以让企业补位、解释、澄清的环节，全部消失了。
答案唯一化：正面与负面被塞进同一段话
搜索结果页上，十条链接可以各自表态，负面在第三条、正面在第七条，用户可以自己权衡。生成式答案只输出一段话，模型必须把互相冲突的信息融合成一个连贯的判断。融合的结果通常是保守表述，比如某个产品在特定批次上存在争议、建议关注官方通报。这种表述看起来温和，杀伤力却很强，因为它自带一种中立的权威感，用户不会像看自媒体标题那样先打个折扣。
信源折叠：没被引用的内容等于不存在
这是最容易被低估的一条。假设一个品牌词下有两百篇相关网页，模型在一次回答中平均只引用三到八个来源。也就是说，超过百分之九十五的内容在这一次回答中的曝光概率接近于零。过去做SEO，排名第十一页至少还有理论上的长尾流量；现在做GEO，没进引用集合就是彻底缺席。折算下来，一篇没有被任何模型引用的稿件，其边际价值接近于印刷出来的废纸。
负面信息在AI答案里的三种形态
- 直接定性型：答案直接给出否定结论，例如存在安全隐患、已被监管部门处罚、多个用户投诉未解决。这种形态最容易识别，也最容易触发公关动作。
- 条件式提示型：答案给出限定条件，例如在某某批次或某某地区曾出现问题、部分用户反映某某情况。这种形态杀伤力被低估，因为限定条件在传播中会被读者自动忽略，只剩下问题两个字。
- 缺失式负面型：答案里根本不提你的品牌，用户在比较类提问中拿到的候选名单里没有你。这种形态没有任何一条负面信息，但它造成的损失可能最大，因为你连被讨论的资格都失去了，而且企业内部往往监测不到。
三种形态对应三套完全不同的处置逻辑。第一种需要事实补位，第二种需要口径统一，第三种需要语义占位。很多企业的舆情体系只盯着第一种，把所有预算压在删稿和撤稿上，结果在第二和第三种形态面前毫无还手之力。
二、防护价值的三层测算框架
算账最怕两种情况：一种是把所有好处都说成钱，算出来一个没人相信的天文数字；另一种是只算直接成本，把防护价值算成负数。可行的做法是分层拆解，每一层用不同的口径，最后再加总。本文采用的框架是三层：曝光层、信任层、成本层。
第一层 曝光层：负面还看不看得见
曝光层回答的是最基础的问题，即在给定的提问集合里，有多少比例的回答出现了负面表述。这一层的数据最容易采集，也最容易被误读。因为它只统计可见性，不统计影响力。一条排在答案末尾的负面提示，和一条写在开头的否定结论，在曝光层是等权的，在实际效果上可能差五倍以上。所以曝光层必须配合位置权重使用，通常把首句和首段的负面权重设为二点五，中段设为一，末尾设为零点四。
第二层 信任层：看到之后信不信
信任层的核心变量是信源。同一句负面判断，出自监管部门通报和出自匿名论坛帖子，用户的采信度完全不同，模型在组织答案时给出的措辞强度也完全不同。可观测的代理指标是引用结构：回答里引用了几个来源、这些来源分别属于什么层级、其中有多少属于企业可控或可影响的范围。当引用结构从匿名聚合站为主，转向官方通报、行业协会、主流媒体、企业自有事实页为主时，即使负面事实没有被否认，答案的措辞也会从定性转向陈述，从警告转向提示。
第三层 成本层：为了压住它到底花了多少钱
成本层是最容易被漏掉的一层。企业通常在事件结束后只统计直接支出，比如公关公司服务费、媒体合作费、加急监测费，却忽略了三个隐性成本：一是内部人力，危机期间通常要抽掉市场、法务、客服、电商至少十五到三十人全职投入两到四周；二是决策延迟成本，管理层在信息不完整时倾向于暂停投放、暂停上新，这段时间的机会损失往往大于公关费用本身；三是渠道摩擦成本，经销商和平台在事件期会要求更长的账期、更低的供货价，这部分让利很少被计入舆情账。
三层加总之后，可以得到一个简化表达：防护价值等于负面曝光减少量乘以单次曝光的转化损失系数，加上纠偏周期缩短带来的现金流保护，减去内容资产的年化投入。这个式子里最难的参数是单次曝光的转化损失系数，行业经验值通常在百分之二到百分之五之间，快消和母婴偏高，工业品和B端偏低，因为决策链条更长、验证环节更多。
三、指标口径：把负面压制拆成六个可以计量的数
没有统一口径的测算都是自说自话。下面六个指标构成一套最小可用的观测体系，每一个都给出定义、采样方式和示例值，企业可以直接照搬到自己的监测看板里。指标之间不是并列关系，前三个描述现状，后三个描述过程和结果。
- 负面答案占比，简称NAR。定义是在一组固定的提问集合中，回答里出现负面表述的提问数量占比。采样要求同一组提问、同一批模型、同一时间段，每周固定跑一次。示例值：事件前百分之四，事件峰值百分之三十八，有防护情况下峰值百分之十九。
- 首屏负面命中率，简称FNH。定义是负面表述出现在回答前三分之一篇幅内的比例。这个指标比NAR更贴近真实伤害，因为绝大多数用户只读开头。示例值：无防护百分之六十二，有防护百分之二十八。
- 负面信源引用份额，简称NSR。定义是回答引用来源中，属于负面或批评性来源的条数占总引用条数的比例。示例值：无防护零点三四，有防护零点一二。
- 纠偏周期，简称TTC。定义是从负面答案占比达到峰值，到回落到事件前水平一点五倍以内所经历的天数。这是最能体现内容资产价值的指标。示例值：无防护二十一天，有防护九天。
- 追问留存率。定义是用户在首个回答之后继续追问的比例。追问意味着用户还没被说服，还在寻找反证，这是企业翻盘的机会窗口。示例值：无防护百分之五十五，有防护百分之七十八。
- 品牌词干净度。定义是品牌核心词加品类核心词的组合提问中，答案完全不含风险提示的比例。这是一个反向指标，越高越好。示例值：无防护零点七二，有防护零点九一。
采样方法：怎样取样本才不失真
指标再漂亮，采样错了等于零。三个坑必须避开。第一是提示词集不能只放品牌词，必须覆盖品牌加产品、品牌加竞品对比、品牌加能不能买、品牌加投诉、品牌加售后这五类，其中比较类和风险类提问的负面命中率通常是最高的。第二是同一个问题要在不同账号状态下各跑一次，登录态和未登录态、新账号和老账号、有无历史对话，答案差异可能超过百分之二十。第三是同一模型要跑多次，生成式输出存在随机性，单次采样不足以代表稳定分布，建议每个提问每个模型采样五次，取中位数。
基线怎么定：没有基线就没有对比
所有防护价值都建立在差值上，而差值需要一个可信的基线。很多企业的做法是事件发生后临时补一次采样，然后把这次结果当作基线，这等于用病人发烧时的体温当健康标准。正确做法是在常态期连续采样至少八周，取均值和波动区间，同时记录当期是否投放、是否有新品、是否有行业性事件，把这些干扰因素标注清楚。只有这样，事件期的数字变化才能被归因。
四、举例测算：一次中等规模质量事件的完整防护账
为了让框架落地，这里构造一个具体案例。某消费品企业年营收十二亿元，客单价一百八十元，年购买用户约四百万人，日均与品牌相关的AI提问量约十二万次，包含品牌词、品类词和比较词。事件性质是某批次产品标签标识不规范，不涉及安全，但被自媒体以检出异常的标题放大，四十八小时内登上两个平台热榜。
无防护情形：从峰值到长尾
事件前该企业的负面答案占比为百分之四。事件爆发后第三天达到峰值百分之三十八，高位持续二十一天，之后回落到百分之十一，长尾期稳定在百分之八左右。按二十一天、加权平均占比百分之二十四计算，负面答案曝光量约为十二万乘以百分之二十四乘以二十一，约六十点五万次。
把曝光折算成生意需要一条转化链。行业经验值是从答案到站内或详情页的点击率约为百分之八，站内转化率约为百分之四点二。六十点五万次曝光乘以百分之八，得到四点八四万次访问；再乘以百分之四点二，得到约两千零三十三单；乘以客单价一百八十元，直接成交损失约三十六点六万元。
这只是第一层。第二层是复购折损，受影响的四点八四万用户中，原本年复购率为百分之三十二，事件后下降约九个百分点，损失约为四点八四万乘以百分之九乘以一百八十元，约七十八点四万元。第三层是渠道摩擦，两家区域经销商暂缓进货十天，日均出货四十二万元，压货导致的临期与折价损耗约十八万元。三层合计约一百三十三万元，再把品牌联想、招商受阻、招聘困难等软性损失按一点四倍系数折算，总损失约一百八十六万元。
有防护情形：同样的负面，不一样的答案
假设这家企业在事件前六到十二个月已经系统性建设了内容资产：约六十篇结构化事实页，覆盖原料来源、检测流程、批次追溯、售后政策；约八十条常见问题解答，覆盖用户最常问的二十个风险类问题；十二个可被模型稳定引用的权威信源节点，包括行业协会资料库、第三方检测机构公示页、地方标准信息平台。
同样的负面事实，在防护情形下的表现是：负面答案占比峰值降至百分之十九，高位持续九天，加权平均百分之十二。负面曝光量约为十二万乘以百分之十二乘以二十一，约三十点二万次。按同一转化链折算，直接与间接损失合计约九十三万元，相比无防护情形少损失约九十三万元。此外，长尾期负面占比从百分之八降至百分之三，未来十二个月避免的持续性损失约二十二万元。合计避免损失约一百一十五万元。
投入怎么算：前置摊销而不是临时救火
这家企业的GEO内容资产年投入约四十二万元，包含内容生产、信源建设、监测工具和少量外部支持。按其中一半可归因于危机防护计算，摊销二十一万元。投入产出比约为（一百一十五减二十一）除以二十一，约四点五。
对比另一条路径。如果企业没有前置资产，事件发生后只能临时救火：舆情监测加急八万元，权威媒体沟通与辟谣稿十五万元，意见领袖澄清二十二万元，法务与公关外包十八万元，合计六十三万元，而且周期普遍要三到四周，峰值压不下去。也就是说，有资产的企业用二十一万的摊销换来了峰值腰斩，没资产的企业花六十三万还在追着峰值跑。这个对比才是GEO防护价值最直观的表达。
五、信源护城河：AI眼里什么样的内容才算权威
很多人把信源护城河理解成多买几家媒体发稿，这是对机制的误判。模型判断一段内容值不值得引用，不看它花了多少钱，而看它是否具备四个特征。四个特征缺一个，引用概率就会明显下降。
可解析：事实必须以陈述句和结构化的方式出现
模型在检索和摘要环节更偏好边界清晰的内容。一段充满修辞、比喻、悬念的营销文案，在语义上很热闹，在事实上很空洞，模型很难从中抽取出可以写进答案的确定性陈述。相反，检测项目是哪些、标准限值是多少、批次编号是什么、检测机构是谁，这类内容即使文风枯燥，被引用的概率也高得多。写作上的建议很朴素：把结论写在第一句，把数字写在名词旁边，把条件写在结论后面。
可核验：数字、时间、主体三件套齐全
一段内容如果只有形容词没有数字，只有观点没有时间，只有他称没有主体，模型在组织答案时无法为其背书，通常会降权或者干脆不引用。可核验的最低标准是：每一个关键事实都能对应到具体的数值、具体的时间点和具体的行为主体。缺少任何一个，这段内容在事实层面就是软的。
可追溯：稳定的地址和可读的更新时间
内容的地址频繁变更、页面没有更新时间、正文被脚本包裹或者需要登录才能看到，这些都会显著降低被抓取和被引用的概率。企业自有站点是最值得投入的资产，因为它的地址由自己控制，更新时间由自己决定，不依赖任何平台的规则变化。这一点在危机中尤其关键：事件期平台可能限流、可能改规则，自有站点不会。
可交叉：同一事实在多个独立域名上一致出现
单一来源的孤证很难被采信，跨来源的一致性才是权威感的真正来源。也就是说，同一组事实需要在企业自有站点、行业协会资料库、第三方检测公示、主流媒体报道中以一致的口径出现。这里的一致性不是文字一致，而是数值一致、时间一致、结论一致。如果企业官网说检出值小于零点一，某篇软文说未检出，另一篇说远低于标准，三个版本并存，模型在融合时会选择最保守的那个表述，反而放大了风险。
护城河的能量化：引用份额与半衰期
信源护城河可以用一个数来衡量，即引用份额CSR，定义是品牌自有或可影响信源在相关提问回答中的被引用条数，除以总引用条数。健康区间通常在零点二五到零点四之间。示例企业从零点零八提升到零点三一，用了约七个月。这个提升不是线性的，前三个月增长缓慢，第四个月开始出现拐点，因为模型需要时间完成对新内容的抓取、索引和权重积累。
护城河还有一个容易被忽略的属性：半衰期。内容资产不像广告投放，停投即归零；但它也不是永久的。实测口径下，缺乏维护的内容资产每季度自然衰减百分之八到百分之十五，衰减主要来自三方面：页面失效、事实过期、竞品新增内容稀释引用份额。这意味着GEO不是一次性项目，而是需要按季度做维护的持续工程，维护成本通常只占首年建设成本的三成左右，但决定了资产能否跨周期生效。
六、负面压制不是删帖：三条可持续路径与成本对比
在AI语境下，删帖这条路的有效性已经大幅下降，原因很直接：模型的知识来自训练快照和检索索引，两者都存在时间差。你删掉原网页，索引里的摘要可能仍然存在几周甚至几个月；更重要的是，删除这个动作本身会制造新的疑问，某些平台上内容被删除的痕迹，反而会被当作心虚的证据，成为新的负面素材。所以在生成式环境里，压制负面只能靠内容供给，不能靠内容清除。
路径一 事实补位：用更硬的事实覆盖模糊的判断
事实补位针对的是直接定性型负面。做法是把负面所指的每一件事拆成可验证的子命题，逐条给出事实、数据、时间、主体和第三方来源。比如被质疑某批次不合格，就把该批次的检测报告、留样记录、同批次其他抽检结果、监管部门的最终结论全部结构化呈现。事实补位的生效周期通常是两到六周，单篇内容的建设成本在八百到两千五百元之间，取决于是否需要第三方检测和设计排版。它的优势是效果稳定、合规风险低，劣势是对纯情绪型负面作用有限。
路径二 语义占位：让正确的表述先占据答案结构
语义占位针对的是条件式提示型和缺失式负面。做法是针对一类提问，系统性生产覆盖多个语义角度的内容，使得模型在任何一种提问方式下都能检索到充足的正面或中性素材。比如针对安全性这个语义簇，需要覆盖标准是什么、检测怎么做、异常怎么处理、历史上有没有事故、监管怎么评价五个子角度。语义占位的建设成本较高，一个完整的问题簇通常需要一点五万到四万元，生效周期四到十周，但它的护城河效应最强，因为竞争对手要覆盖同样的语义簇需要同等时间。
路径三 追问截流：在用户动摇的那一刻接住他
追问截流针对的是整个决策链路。用户在得到第一个回答后继续追问，说明他还在犹豫，这时如果模型能检索到结构清晰的问答型内容，答案就会转向具体、可操作、可验证的方向。做法是把用户最常追问的四十到一百二十个问题做成独立页面，每个页面一个问题、一个直接回答、三条支撑事实、一个可核验来源。这套资产的单条成本很低，通常在两三百元，但总量要求高，且需要按季度更新，因为用户的追问方式会随事件演化而改变。
三条路径的成本与效果对比
- 删帖撤稿：单条三千到两万元，合规风险高，对模型答案基本无效，且可能制造二次负面。不建议作为主路径。
- 事实补位：单篇八百到两千五百元，两到六周生效，对定性型负面效果最好，属于必做项。
- 语义占位：单簇一点五万到四万元，四到十周生效，护城河最强，适合作为年度投入重点。
- 追问截流：单条两三百元，一到三周生效，覆盖面最广，属于低成本高杠杆的补齐项。
三条路径的预算配比建议是二比五比三。事实补位占两成，因为它是必需品但边际收益递减；语义占位占五成，因为它决定了长期的引用结构；追问截流占三成，因为它用最低成本扩大了整个防护面的宽度。
七、三种折现口径：把防护价值翻译成老板听得懂的数
同一笔投入，用不同口径算出来的回报率可能相差三倍。这不是数字游戏，而是因为防护价值本身有多个面向，面向不同决策者时应该用不同语言。以下三种口径可以并列使用，但要避免混用。
口径一 损失规避：算避免了多少损失
这是最直观的口径，公式是年化防护价值等于事件年发生概率乘以单次事件总损失乘以防护削减率。以案例企业为例，单次事件总损失按六百二十万元计，这个数字包含直接成交、复购、渠道让利、内部人力、决策延迟五部分；年发生概率按零点五五计；防护削减率按百分之三十五计。年化防护价值约为六百二十万乘以零点五五乘以百分之三十五，约一百一十九万元。年投入四十二万元，净收益七十七万元，投入产出比约一点八。这个口径保守、可辩护，适合向财务和董事会汇报。
口径二 保费口径：算这份保险值不值
保费口径把GEO投入直接类比为保险费。四十二万元的年投入，换来的是对约两百一十七万元单次损失敞口的百分之三十五削减，也就是相当于一份保额约两百一十七万元、年费四十二万元的保单。市场上没有哪家保险公司愿意为品牌声誉承保这个价格，因为声誉损失的触发条件太容易、定损太困难。从这个角度看，只要企业认为自己的声誉敞口超过一百万元，这笔投入在经济上就是合理的。
口径三 复用口径：算常态期赚回了多少
这个口径最容易被忽略，却往往是说服业务部门的钥匙。同一批内容资产在非危机期同样发挥作用，表现为AI引荐流量的增长。示例企业的数据是月均AI引荐访问一点八万次，转化率百分之三点一，客单价一百八十元，年增量成交额约为一点八万乘以十二乘以百分之三点一乘以一百八十，约一百二十点五万元；按百分之三十五毛利率折算，毛利约四十二点二万元。
这个数字恰好覆盖了内容资产的全年投入。也就是说，常态期的增长收益已经把成本赚了回来，危机期避免的一百多万元损失是纯增量。这个结论在实际汇报中极有说服力，因为它把GEO从防御性支出重新定义成了自偿性投资。三个口径不应该相加，而应该并列呈现，让决策者看到保守值、类比值和进取值三档。
八、内容资产在事件时间轴上的作用曲线
同样一批内容，在事件的不同阶段作用机制完全不同。把时间轴切开看，能解释为什么有些企业的GEO在危机中完全没起作用，而另一些企业效果显著。差别往往不在内容质量，而在投入时点。
前置期：把事实提前放进模型读得到的地方
前置期指事件发生前的六到十二个月。这个阶段的所有工作只有一个目的：让模型在还没出事的时候，就已经从多个独立来源读到过你的正面事实。这一点至关重要，因为模型在组织答案时会优先调用它已经反复见过、并且被多个来源交叉验证过的信息。事件发生后临时发布的声明，模型还没完成索引，甚至在训练快照里根本不存在，自然不会被采用。前置期投入占全周期预算的比例建议不低于百分之六十。
爆发期：四十八小时内的补位窗口
爆发期的关键在于速度。经验口径是事件爆发后的前四十八小时，决定了最终答案基调的百分之七十。这四十八小时里能做的动作有限：发布结构化的官方说明、把关键事实做成可直接引用的独立页面、联系可被模型稳定采信的第三方来源同步口径。做不到的事情也很多：指望新内容立刻被索引、指望平台方修改既有呈现、指望通过投诉让答案消失。有前置资产的企业在这个窗口里是补位，没有前置资产的企业只能等，而这个等的过程通常要两到四周。
长尾期：十八个月后的复搜
长尾期是最容易被放弃、也最容易被对手超越的阶段。事件热度过去后，企业往往撤掉专项团队，监测也停了，但用户的搜索行为没有停。长尾期的特点是提问更具体、更接近购买决策，比如某型号还值不值得买、售后到底怎么样。这个阶段负面内容的半衰期通常很长，无防护情况下可能持续十四个月；有持续内容供给的情况下可以压缩到五个月左右。压缩这九个月，对应的就是前述二十二万元的持续性损失避免。
九、常见误判：为什么很多企业算出负价值
现实中确实有企业做完GEO测算，得出的结论是投入大于收益。多数情况不是方法错，而是踩了下面几个坑。
- 把AI曝光直接等同于官网流量。生成式答案的曝光不产生点击，用户看完就走。用流量指标评估GEO，会把价值系统性低估百分之七十以上。正确的做法是用曝光乘以意愿影响系数，而不是用访问量。
- 用三个月的窗口评估一年的资产。内容资产在前三个月基本看不到引用份额的明显变化，拐点通常在第四到第七个月。用季度考核GEO，几乎必然得出负价值。
- 只统计压下去的负面，不统计没发生的负面。防护的本质是不发生，而不发生的东西天然不可见。这类价值必须通过对照组或者概率模型估算，不能靠事后清点。
- 忽视缺失式负面。品牌在比较类提问中不出现在候选名单里，这条损失在传统舆情系统里根本不会被记录，但它的商业影响可能超过一条热搜。
- 把预算投在不可控信源上。大量采购自媒体软文，看似铺了很广，实际这些页面在模型眼里权重极低，引用份额几乎不涨。预算应该优先投向自有站点和可被稳定采信的第三方节点。
- 做成一次性项目而不是持续运营。首年建设完成后停止投入，第二年引用份额按季度衰减百分之八到十五，第三年基本回到原点，然后企业得出GEO没用的结论。
还有一个更隐蔽的误判：把GEO当成公关部门的工具。实际上GEO的资产基础是产品事实、检测数据、服务政策，这些内容归口在产品和客服，不在公关。让公关部门独自承担GEO，最终产出的往往是漂亮但没有事实密度的稿件，模型不引用，投入全部沉没。
十、九十天最小防护工程：从零到一的落地清单
如果企业现在还没有任何GEO资产，不必等完整方案，可以按九十天做一个最小可用的防护工程。目标不是做到最优，而是在下一场事件来临前，手里至少有一批能被引用的硬内容。
第一到第二周：建立提问集与基线
梳理五十到一百二十个真实提问，覆盖品牌词、品类词、比较词、风险词、售后词五类。在三个主流模型上各跑五次，记录负面答案占比、首屏负面命中率、负面信源引用份额三个基线值。这一步的产出是一张基线表，它决定了后续所有工作的评价标准。
第三到第六周：事实页与问答资产
优先建设二十到三十篇事实页，选标准是负面提问命中率最高的那些主题，而不是企业最想宣传的主题。每篇事实页包含一个直接结论、三到五条支撑数据、一个可核验来源、一个明确的更新时间。同步产出四十到六十条问答内容，每条控制在三百到五百字，一个问题只回答一件事。
第七到第十周：权威信源铺设
梳理三到六个可被稳定采信的第三方节点，包括行业协会资料库、第三方检测公示、地方标准信息平台、主流媒体数据库。把核心事实以一致口径同步到这些节点，务必保证数值、时间、结论三处完全一致。这一步是最耗时的，也是最难被复制的。
第十一到第十三周：监测看板与复盘
把前述六个指标做成周度看板，固定采样时间、固定提问集、固定模型版本。第一次复盘的重点不是看涨了多少，而是看哪些提问的引用结构发生了变化、哪些内容从未被引用。从未被引用的内容要分析原因，通常是结构不可解析或者缺少可核验要素。
预算分配示例
- 内容生产：十八万元，包含事实页撰写、问答资产、设计排版与事实核查。
- 信源建设：十二万元，包含第三方节点对接、数据同步、资质材料准备。
- 监测工具：六万元，包含多模型采样、指标看板、竞品对照。
- 应急预留：九万元，用于事件期的加急补位与权威背书。
- 合计四十五万元，这是最小工程的量级；若企业业务线多、品类复杂，需要按品类倍增。
需要强调的是，这四十五万里没有一分钱是花在删帖上的。全部预算都变成了可累积、可复用、可跨事件生效的资产。这是GEO防护与传统公关最本质的区别：传统公关的支出在事件结束后就消失了，GEO的支出在事件结束后仍然留在那里，继续影响下一次的回答。
常见问题
GEO能直接删除AI答案里的负面信息吗
不能。生成式答案由模型基于检索结果和训练知识现场组织，没有任何外部接口可以指定它删除某句话。企业能做的是改变它手里的素材结构，让负面事实在答案中的权重下降、表述趋于中性。实践中最有效的做法是事实补位加信源交叉，而不是投诉或者要求平台处理。指望通过单一渠道让答案消失，通常只会浪费事件期最宝贵的时间窗口。
危机已经爆发了再做GEO还来得及吗
来得及，但只能做减法不能做加法。爆发期能做的是补位：四十八小时内发布结构化官方说明，把关键事实做成可被直接引用的独立页面，推动第三方来源同步口径。这些动作能让纠偏周期从三周压缩到十天左右，但压不住峰值。峰值取决于事件前积累了多少可被引用的资产。所以正确的表述是，危机期做GEO能缩短痛苦，前置期做GEO才能减少痛苦。
防护价值测算里最容易高估的指标是哪个
单次曝光的转化损失系数。很多测算直接把它设成百分之十甚至更高，结果算出来的损失金额大得离谱，反而让整个模型失去可信度。行业经验值在百分之二到百分之五之间，母婴、食品、教育偏高，工业品、B端偏低。建议在汇报时同时给出低中高三档，用中档做决策依据，用低档做压力测试。宁可算得保守一点被采纳，也不要算得激进被推翻。
中小企业预算有限，应该优先做哪一块
优先做追问截流。原因是单条成本最低、覆盖提问最广、生效最快，四十到六十条高密度问答就能把大部分长尾提问的答案质量拉起来。其次是核心事实页，选十到十五个最容易被质疑的点，每个点做一篇有数据、有来源、有时间的硬内容。语义占位和权威信源铺设可以放到第二阶段，等预算宽裕了再做。
怎么证明效果不是自然回落
三个办法。第一是设置对照组，用没有做内容建设的相邻品类或者相邻区域作为对照，如果对照组同期也回落了，说明是自然衰减。第二是做时间序列断点检验，看指标变化是否与内容上线时点吻合，而不是与事件热度衰减曲线吻合。第三是看引用结构的变化，自然回落不会改变回答引用了哪些来源，而GEO会。引用结构的改变是最难被其他因素解释的证据。
多个模型的答案不一致时以哪个为准
不要挑对自己有利的那个。正确做法是按市场实际使用份额加权，同时单独记录每个模型的指标，观察趋势而不是观察单点。如果某个模型的答案明显偏离，通常是它的检索源结构不同，需要针对性补充那个模型更常引用的信源类型。把所有模型的均值作为对外口径，把分模型数据作为内部优化依据，这样既不误导决策，也不遗漏问题。
