GEO 预算从哪里出：算营销费、技术费，还是从投流里挪

GEO 的预算问题通常不是「要花多少」，而是「从哪个口袋出」。这件事决定了谁来批、按什么考核、第三个月要向谁交代。

归错科目的后果很具体：挂在广告预算下面，考核就会按投放的 ROI 口径来，而 GEO 在那套口径里天然难看。

支出其实分四类，性质完全不同

把 GEO 当成一项支出来谈，是大多数混乱的起点。它至少是四件事。

技术修复。robots 放行、服务端返回完整正文、结构化标记、补齐摘要。这类支出一次性，金额通常不大，而且它是开关性质的，不做后面全部打折。

内容生产。按月产出，持续发生，性质最接近内容营销。

测量与监测。固定问题集、重复提问、记录与报告。这一类的特点是必须持续，断了之后历史数据作废。

信源投放。第三方媒体与目录的付费位置。这一类是可选的，而且按次发生。

这张表里要特别注意第三行。测量的支出看起来最像「可以省的那一项」，因为它不产出任何可见的东西。但它一断，之前所有的对比就没了，等于把前面的投入变成不可评估的。

三种出资方式，各有各的代价

从市场预算出。好处是流程顺，内容生产本来就在这里。代价是考核口径容易被套用成投放的那一套，按点击和转化看 GEO，前三个月一定难看。

从技术预算出。好处是技术修复这一段名正言顺，而且不占市场部产能指标。代价是内容生产这一段没地方挂，而内容是长期的大头。

从投流预算里挪。好处是总预算不增加，审批阻力最小。代价是要和投放团队谈，而他们手里的数字是即时可见的，GEO 的数字不是。

实务上比较稳的做法是拆开：技术修复走技术预算，内容与测量走市场预算，信源投放按次单独审批。三段分开之后，各自的考核方式也就自然分开了。

这组数字是向上申请预算时最有用的材料。Pew Research 在 2025 年的实测显示，结果页出现 AI 摘要时，用户点击传统结果链接的访问比例约为未出现时的一半。

含义不是「搜索流量要没了」，而是同一篇内容在不同场景下带来的点击量不同。如果公司现有的内容考核只看流量，那么一个正在被频繁引用的页面，在报表上看起来像在变差。这是一个口径问题，而不是效果问题，而口径问题只能在预算立项时解决。

需要说明这份样本来自 Google 与美国用户，国内平台的具体数值一定不同。它能支撑的结论是方向，不是数值。

第一年的预算怎么分

按三段走，顺序比金额重要。

前两个月重技术，轻内容。把可抓取性那几项做完，这段花钱少但不可跳过。页面抓不到的时候，内容产出等于不计入。

第三到第六个月，内容与测量并行启动。这里有个常见错误是先产内容、半年后才开始测量，结果是最有价值的那段变化没有记录。测量要和内容同时启动，哪怕规模很小。

第七个月之后，根据前半年的数据决定要不要加信源投放。投放的位置应当按实测数据选，也就是看哪类信源在自己品类的答案里真的被引用，而不是按渠道名气选。

从投流里挪钱，挪哪一部分

这是实务里阻力最小的出资方式，但挪错了会很难看。

先把现有投放按用户所处阶段切开。品牌词的投放不要动，那部分是在接已经找上门的需求，即时回报确定。高转化的长尾词也不要动，同理。

可以考虑的是信息类关键词那一部分，也就是用户还在了解这件事是什么、有哪些做法的阶段。这部分投放的转化链路长，单次点击的即时价值低，而它恰好和生成式回答覆盖的问题重合度最高。Pew 的数据里，以疑问词开头、写成完整句子的查询触发 AI 摘要的比例明显更高，这类查询正是信息类投放的主要承接对象。

挪的方式建议分两步，不要一次切完。先挪三成，观察两个月那部分关键词的整体获客有没有下滑。没有明显下滑再继续挪。一次性砍掉全部信息类投放，万一判断有误，恢复起来需要重新积累投放模型。

还有一种情况要提醒：有些行业的信息类查询本身就有即时转化，比如急修、急诊、应急服务。这类品类不要套用上面的做法，用户问的时候就在决策，点击的即时价值很高。

自己做和外包的成本结构不一样

自己做的主要成本是时间与学习曲线，现金支出少。难点在纪律：问题集要冻结、每题要重复提问、原文要留存，这几件事在忙起来的时候最容易被放弃，而一放弃数据就不可比了。

外包的主要成本是现金，换来的是规模化重复执行。要注意的是外包不能把事实供给一起外包，内容里需要的具体数值还得从业务那边出，这一段无法加速。

两种方式的成本构成与各自的风险，自己做与找服务商那一页分开算了。我们自己的套餐分五档，覆盖的模型在各档位都是全量包含，年付按十个月计，媒体投放按目录价另计，代运营服务在免费诊断之后报价，具体档位见套餐与价格。

预算申请时该写哪些考核口径

写过程指标和可见度指标，不要直接挂收入。

过程指标：技术判定的通过项数、内容产出篇数、问题集覆盖的问题数、测量轮次。

可见度指标：被点名的问题占比、点名语境的分布、同时出现的其他品牌名单。第三项常被忽略，但它在汇报时最有说服力，因为它展示的是模型眼中的竞争格局，而那份名单往往和公司内部认定的竞争对手不一样。

不要写的是具体提升幅度的承诺。研究发现各种优化手段的效果在不同领域差异明显，并不存在可移植的幅度预期；而且归因本身很难，平台更新一次模型就可能让所有品牌的数据一起变动。把幅度写进立项文件，等于给自己埋一个第三个月要解释的问题。

参考来源

• Pew Research Center (2025). Google users are less likely to click on links when an AI summary appears in the results. Pew Research Center.
• Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., & Deshpande, A. (2024). GEO: Generative Engine Optimization. Proceedings of KDD 2024.
• 中国互联网络信息中心 (2026). 第57次《中国互联网络发展状况统计报告》. CNNIC.
• Atil, B., Aykent, S., Chittams, A., et al. (2024). Non-Determinism of "Deterministic" LLM Settings. arXiv.