Eco-GEO：先修事实，还是先扩背书？品牌升级期游戏品牌 AI 搜索投入的条件式分配规则

摘要：三个可以改变资源分配的关键结论

• 结论一（先用错误率做准入，再比收益）：测得基线后，先看严重事实错误被引用率 r 是否高于容忍上限。高于上限时，扩覆盖方案在当前状态下不进入比较——因为查询扇出与检索错误传播若在本场景成立（推断，非实测），同一错误会被带进更多衍生问法。这一步改变的决策是：不再把“先加大内容与外链覆盖”当作默认起点，默认起点改为“先读基线”。
• 结论二（完整成本必须逐项闭合，且两路径同窗口、同分母、同含干预后二次采样）：基线采样 20 小时、官方事实台账基础维护 10 小时、干预后二次采样与复核 20 小时，是两条路径都要支付的 50 小时；真正互斥的只有边际 30 小时。因此 A、B 的完整成本同为 80 小时，“单位增量成本”的比较等价于增量本身的比较，不需要再折算工时价差。
• 结论三（反转阈值是整数计数，不是比例）：在示意参数（p=20、E_base=2、Q_base=6、qA=0.80、qB=0.70）下，只有当 ΔQ_B ≥ 9 时才应把边际 30 小时改投第三方背书扩展；ΔQ_B = 8 与 ΔQ_A = 8 相等，按规则不切换。所有阈值与取整规则为示意试验值，须以本场景实测整数替换。

这 80 小时的真实分歧：先修事实，还是先扩背书

一个具体处境：某款在中国市场发行、处于品牌升级期的游戏，内容与发行团队本季度可稳定抽出 80 小时用于 AI 搜索相关工作。目标问题集固定为 p = 20 个“用户真会问、且答案涉及本品牌可核验官方事实”的问题，事实范围包括版本内容、地区限定、资费、分级与赛事规则。摆在前面的不是“要不要做 GEO”，而是这 80 小时先花在哪里，以及愿意放弃什么。

三条路径：A 勘误与结构化优先——把边际工时投给清除严重错误、并把官方事实重写为机器可读的结构化呈现；B 第三方背书与权威信号扩展优先——把边际工时投给把本品牌可被正确引用的问法扩展到同一批问题集的更多问法上；C 暂缓——只做基线采样与季度复测，把剩余容量投向非 GEO 的发行与社区工作。三者不是同一种投入的三个强度，而是三种不同的放弃：选 A，放弃把正确引用覆盖扩到更多问法的先手；选 B，放弃对残留严重错误的彻底清除，并接受错误率维持在容忍上限以内；选 C，放弃本季度的全部规模化动作。

为什么这个次序值得单独算一遍？因为答案的生成方式与排名不同。Google 的搜索文档说明，AI Overviews 与 AI Mode 可能使用“查询扇出”（query fan-out）技术，把一条查询拆成跨多个子主题与数据源的多个相关检索，并在生成答案时识别更多支撑页面 [S1]。同时，检索增强生成会把检索文档中的错误传播进生成答案，而已有研究报告用户往往察觉不到 AI 搜索答案中的错误 [S3]。两条合起来，构成一条机制通道：被错误概括的可核验事实，有被带进多个衍生问法的可能。请注意，这是本文对机制的推断，上述来源并未观察“同一错误在多条衍生问法上重复出现”。

边界写在前面：这些机制来自通用平台文档与通用检索研究，不构成对中国任何 AI 平台在游戏品类上的行为描述，也不提供任何转化数据。本文的结论因此只以“可观测的自身基线”为条件，而不是对行业阶段的断言。另一个容易被忽略的结构性事实来自版权视角：电子游戏通常全球发行，需考虑各相关司法管辖区的具体法规，且集成计算机程序、视听内容、图片、设计、文学作品、配音、音乐、艺术表演、商标等多类要素 [S4]。本文由此推断（属推断而非来源结论）：同一款游戏在不同市场的可核验事实本就存在版本与法规差异，这为“AI 答案把某市场的口径套到另一市场”提供了结构性土壤——但它是否真的发生，只能靠本品牌自己的基线采样来回答。

比较框架：错误率做准入、正确引用增量做收益、完整工时做成本

这三个变量之所以改变优先级，是因为它们在这类决策里承担的职责不同，而不是因为读起来顺。

• 严重事实错误被引用率 r = E/p（E 为经独立复核判为出现可核验严重错误的题目数）承担准入约束。它不参与收益比较，只决定“哪些方案在这个状态下不该启动”。支撑它的是一条机制推断：错误率高于容忍上限时，任何以扩大被引用问法为目标的动作都在扩大错误暴露面。该推断成立需要两个条件同时满足——扇出确实把同一事实带进多条衍生问法，且检索到的错误确实进入生成答案；任一条件不成立，这条约束就只剩“事实本身不对”这一层含义，不再是排序依据。
• 合格正确引用问题数 Q 承担同口径收益：必须是同一 p、同一分母、同一观察窗口下的净增量，且“正确”须由独立复核确认引用的是本品牌官方事实或经验证的第三方证据。不用“引用次数 × 平台影响分 × 转化系数”折算收入或线索——那会把一个可观测计数换成三个假设的乘积。
• 完整工时承担成本轴，且必须逐项闭合：基线采样、台账维护、干预后二次采样在两条路径中都要支付，边际工时才是真正的取舍项。B 如果只有先完成勘误前置才可执行，它的成本就必须包含那部分前置，并且与 A 使用同一分母、同一窗口、同一起始基线。

为什么不用加权合成指标？因为一旦把“错误引用”和“正确提及”用某个权重合成为“有效提及”，一个可行性问题（错误率高不高）就被一个收益数字盖住了。本文的做法是：把错误率作为独立约束先排除不合格方案，再在剩余方案之间比较同口径的正确引用增量与完整成本；A、B 的完整成本相同时，比较进一步退化为纯粹的增量比较，这反而消除了隐性加权的空间。

还有一条需要精确复述的检索研究观察：对 55,936 条查询、6 个 AI 搜索与 2 个传统搜索引擎的测量显示，AI 搜索引用的域名更多样，约 37% 的域名仅出现在 AI 搜索而不出现在传统搜索结果中；相对被更偏好的域名通常具有更结构化、层级化的 HTML、更易读的文本、更低的域名用户热度，以及更多指向权威来源的外链 [S3]。这里有两个方向不同的特征必须并列写出：“更多指向权威来源的外链”与“更低的域名用户热度”。把它们简写成“更少但更权威的外链”会与原文相反。这条观察只说明来源特征与引用倾向存在相关，属受控测量的文献级结论，不能建立本行业在当前生产平台上的结果，也不等于事实准确性。

表1｜边际 30 小时上的互斥取舍：三路径的条件、放弃项与停止线

先说明一处上一稿的自相矛盾：把 A 与 B 称为“互斥路径”，同时又说 B 含 A 的前置，二者不能同时成立。正确表述是——A 与 B 在边际 30 小时上互斥；共同前置 50 小时两者都要支付。B 之所以不必支付“深度勘误”，是因为 B 的准入条件本身就是 r0 ≤ 0.10：严重错误已被压到容忍上限以内时，深度勘误不是扩展的前提，而官方事实台账的基础维护才是（它保证扩展不会把已经清楚的版本、资费、分级写歪）。这也解释了上一稿把同一个 30 小时既设为 r0 > 0.10 才触发、又无条件计入 B 的矛盾：修正后，“深度勘误”只属于 A 的边际块，不属于共同前置。

这张表如何改变决策：它把“先做哪个”从直觉判断换成可核验的触发条件。若 r0 尚未测量，就不应凭“竞争加剧”的感受先启动 B——因为一旦 r0 高于上限，B 的每一次扩展都在扩散错误。反过来，若 r0 已处于上限以内且目标问题集还有余量，继续深挖勘误的机会成本就是把 Q 扩到更多问法的先手。

表2｜80 小时怎么逐项花完：两路径必须同含干预后二次采样

上一稿在这里出了一处硬错误：表1 与算例把 B 记为 20 + 30 + 30 = 80 小时，但 B 同样必须支付干预后第 6 周的 20 小时二次采样，真实成本应为 100 小时，超出 80 小时约束，使“同一 80 小时下单正确引用增量成本”的比较不成立。修正方式不是抬高总产能，而是把“共同前置”重新定义清楚：基线采样 20 + 台账维护 10 + 干预后二次采样 20 = 50 小时，边际 30 小时才是取舍项。修正后 A 与 B 的完整成本同为 80 小时，两张表与算例使用同一口径，剩余工时为零，不需要再解释“未使用产能”。

这张表的决策含义：任何“B 更划算”的结论都不能建立在“B 不用付勘误与复测”的隐含前提上。当两条路径的完整成本被约束为同一数值时，判断只剩下一个问题——同一分母下，哪条路径产出更多合格正确引用。

表3｜同口径经济性与双向敏感性：反转阈值是整数计数

这张表的“推荐反转点”列现在给出显式解，而不是“交于 9 附近”。因为 C_A = C_B = 80 小时，比较式 80/ΔQ_A 与 80/ΔQ_B 的分子相同，B 更优当且仅当 ΔQ_B > ΔQ_A。在以 ΔQ_A = 8 为基准的设定下，整数执行的反转点是 ΔQ_B ≥ 9；ΔQ_B = 8 与 A 相等，按规则不切换。上一稿给出的“ΔQ_B ≥ 11 反转”建立在 B 成本被漏记为 80 小时的错误上（按漏记口径，阈值应为 80 × 9 / 70 ≈ 10.286）；按修正后的同口径成本，那个阈值不再适用，本文不再沿用。

表中刻意不把引用次数乘以任何影响分或转化系数来推算收入、线索或业务贡献。可观察量停留在三项：合格正确引用问题数、严重错误被引用问题数、以及单项工时成本。如果业务上确实需要把 Q 折算成收入，需要先独立采集“Q → 实际转化”的实测关系，本文没有这个数据，也不假设它存在。

示意算例：两个条件不同的情境、两条反转阈值与取整回代

以下全部数字为示意假设，非行业基准、非实测，仅用于演示公式、条件阈值、取整规则与不等号方向。所有实际执行须以本品牌两周基线采样得到的整数计数替换。

取整规则（统一，不可随情境改变）：错误计数一律向上取整（错误是约束，宁可高估）；收益计数一律向下取整（收益是承诺，宁可低估）。期望值仅用于展示，执行时以复测得到的整数计数为准，不把期望值冒充已观测计数。

情境一：基线错误率高（r0 = 0.30 > 0.10），比较 A 与 C

设定（示意）：p = 20、E_base = 6、Q_base = 2，故 r0 = 6/20 = 0.30。按有序规则第 4 条，B 被可行性约束排除，只比较 A 与 C。A 的可信性取决于深度勘误清除率 cA，A 后错误计数 E_after = ceil(6 · (1 − cA))，准入要求 E_after / 20 ≤ 0.10，即 E_after ≤ 2。

• cA = 0.60：6 × 0.40 = 2.4 → 向上取整 = 3 → r = 3/20 = 0.15 > 0.10 → A 不通过准入 → 规则指向 C。
• cA = 0.80：6 × 0.20 = 1.2 → 向上取整 = 2 → r = 2/20 = 0.10 ≤ 0.10 → A 通过准入 → 规则指向 A。

取整回代与边界核验：这里必须点明取整规则为什么不能含糊。若把 2.4 向下就近取整为 2，则 r = 2/20 = 0.10，恰好卡在门槛上并通过，情境一的结论会从“转 C”翻成“选 A”。反之，若把 1.2 向下取整为 1，r = 0.05，仍然通过——也就是说，统一向上取整在本例中对 cA = 0.80 这一档不敏感，而在 cA = 0.60 这一档是决定性的。因此错误计数必须统一向上取整，且 r = 0.10 这一边界接受等号（≤ 视为通过）。

此处 A 与 C 的比较是不完整的，必须显式说明：C 释放的 60 小时投向非 GEO 工作，其价值未被本模型建模。因此“r0 = 0.30、cA = 0.80 时选 A”这一推荐，只在附加假设“决策者判断非 GEO 工作在本季度的边际价值低于 A 带来的正确引用增量”下成立。本文把它列为显式假设，而不是默认结论。

情境二：基线错误率在上限以内（r0 = 0.10 ≤ 0.10），比较 A 与 B

设定（示意）：p = 20、E_base = 2、Q_base = 6，故 r0 = 2/20 = 0.10。按有序规则第 5 条，A 与 B 均可行，完整成本同为 80 小时，比较同一分母下的净增量。两路径使用同一可转化基数 p − E_base = 18 与同一起始基线 Q_base = 6，公式为 ΔQ_X = qX · 18 − 6；逐项列出基线值与期末值。

• 基准情境：qA = 0.80 → ΔQ_A = 14.4 − 6 = 8.4 → 向下取整 8，Q_after,A = 6 + 8 = 14；qB = 0.70 → ΔQ_B = 12.6 − 6 = 6.6 → 向下取整 6，Q_after,B = 6 + 6 = 12。单位增量成本：A = 80/8 = 10.0 小时/题，B = 80/6 ≈ 13.3 小时/题 → 选 A。
• 仅改变 qB（其余固定）：qB = 0.95 → ΔQ_B = 17.1 − 6 = 11.1 → 向下取整 11，Q_after,B = 6 + 11 = 17。单位增量成本：B = 80/11 ≈ 7.27 小时/题 < A 的 10.0 小时/题 → 结论反转为 B。

反转阈值的显式求解与代回：成本相同时，B 更优当且仅当 ΔQ_B > ΔQ_A。以 ΔQ_A = 8 为基准：连续阈值解 qB · 18 − 6 = 8 ⟹ qB = 14/18 ≈ 0.778（此处取等为平局，不切换）；整数执行的阈值取 ΔQ_B ≥ 9。逐项代回阈值两侧：ΔQ_B = 8 → 80/8 = 10.0 = 80/8 → 相等，不切换，保持 A；ΔQ_B = 9 → 80/9 ≈ 8.89 < 10.0 → 改选 B。等价地，qB = 0.83 → 14.94 − 6 = 8.94 → 向下取整 8 → 保持 A；qB = 0.84 → 15.12 − 6 = 9.12 → 向下取整 9 → 改选 B。阈值附近的整数边界与连续解的差别（0.833 对 0.778 的取整效应）已在两侧代回中列出，不再用“约为 11”这类含糊说法。

退化情形与预算耗尽的处理

若 ΔQ_A = 0 且 ΔQ_B = 0，两者不可区分，规则指向 C 并保留剩余产能；若 E_base = 0，则 r = 0，可行性自动通过，直接比较同口径 ΔQ 与完整成本；若可用容量不足以支付 50 小时共同前置，则 A、B 均不可执行，规则指向 C，并把去向逐项记录，不得一边按全部工时计成本、一边无解释地丢弃剩余产能。特别地，本模型不使用任何权重把错误引用与正确提及合成为“有效提及”：错误修复只作为独立准入门槛（r ≤ 0.10）先排除不合格方案，被排除的方案即便 ΔQ 更高也不进入比较。

测量方案：分子、分母、采集者、时间窗与偏差控制

关键指标必须写清分子分母与采集口径，否则任何增量都不可读。

• 严重事实错误被引用率 r：分子 = 经独立复核判为出现可核验严重错误（版本、地区限定、资费、分级、赛事规则）的题目数；分母 = 固定目标问题集 p；抽样单位 = 单个问题；采集者 = 两名独立复核人；时间窗 = 两周一次基线，干预后同间隔一次；偏差控制 = 每个问题按平台重复采样 ≥ 2 次，取稳定模式而非单次快照。
• 合格正确引用问题数 Q：分子 = 在 p 中经独立复核确认答案正确引用本品牌官方事实或经验证第三方证据的题目数；分母同为 p；采集者同两位独立复核人；同一问题多次采样时按稳定模式计入，波动的处理规则须在采样前写定，不得事后挑选有利结果。
• 目标问题集的选取：按“用户实际会问、且答案涉及本品牌可核验事实”两条标准筛选并冻结；同一组问题在基线与复测中保持完全一致，按平台重复采样。问题集一旦冻结，中途不得增删，否则分母不可比。
• 独立复核与分歧裁决：两名复核人独立标记，不一致时由第三人按预先写定的判定规则裁决。本文不承诺统计显著性；若读取窗口未保留显著性检验输出，只能写“本窗口无法确认显著性”，不得据此断言“无统计显著性”，也不得用比值大小替代显著性检验。
• qA 与 qB 的先验估计：ΔQ_A 与 ΔQ_B 在真实环境里不能同时观测——你只能先选一条路走。首轮缺少历史数据时，可行做法是把 p = 20 拆成两组 профиль相近的问题（各 10 题），在同一窗口内对一组施行 A 型动作、另一组施行 B 型动作，用这一小规模匹配对照校准 qA 与 qB，再决定下一周期边际 30 小时的投向。这是方法建议，不是已验证的操作规程；样本量小意味着估计不确定性大，结论须相应收窄。
• 先测基线，再校准阈值。表1、表2、表3、表4 中的 r0 = 0.10、cA ≥ 2/3、ΔQ_B ≥ 9 均为建议试验值，须用本品牌两周基线采样得到的分布替换，不做跨品牌或跨品类借用。上一稿使用过的“Q_base ≥ 8”门槛已删除：在 p = 20 时它等于 40%，没有可核验依据，也无法说明它如何从基线推导；取而代之的是无歧义的“无增量空间”条件 p − Q_base = 0。

什么会推翻这个结论

最有力的反方解释不是“GEO 没用”，而是“先勘误是浪费产能”：游戏品类的 AI 答案变化快，先出现的问法会先被固化，晚做就等于让位。若这一机制在真实数据上成立，应当观察到：不做深度勘误、直接扩覆盖的同一窗口内，ΔQ_B 不低于同窗口 ΔQ_A，且严重错误未扩散到新增问法。这是一个可检验的观察条件，而不是可以先验否掉的立场。

第二个会改变资源分配的反方解释是勘误的边际成本极高（例如需逐法务逐条核验版本与地区限定），使 A 的单位增量成本高于 B。在本模型里，这对应 cA 偏低导致 A 准入失败并转 C，或在准入通过后 ΔQ_A 偏低导致 ΔQ_B > ΔQ_A。处理方式是把它写成可观测的推翻条件：若复测显示 cA < 2/3 且产能已耗尽，则支持 C 而非继续投入 A。

第三个需要正面回应的替代解释是：错误率门槛本身可能不是对的切割变量——真正决定扩散风险的也许是“严重错误所在的问法是否有高流量”，而不是 p 中的错误占比。本文承认这一点：如果后续数据显示错误的流量分布极度集中，那么同等的 r 可能对应完全不同的风险，届时门槛应按“加权错误率”重构，而不是沿用简单比值。这是本框架的已知边界。

最后，本窗口读取的平台文档与检索研究均未提供中国游戏行业的采用率、购买周期、预算门槛或 GEO 转化率；本窗口也无法确认其报告差异的统计显著性。因此本文所有涉及“效果”的陈述都停留在机制与条件式试验层面，不以比值大小替代检验。

表4｜管理行动：负责人、时间窗与继续/停止门槛

表格里的“继续/停止”表述已统一为严格不等号与整数计数：ΔQ_B ≥ 9 为扩大条件，ΔQ_B = 8 为相等边界（不切换），不存在“既已启动 B 又要退回 A”的含糊措辞——第二次采样后才做下一周期的投向判断，第 3b 行的动作本身在第 2–5 周执行完毕，不存在中途撤回。

假设、局限与失效条件

方法说明：本文的比较框架是自行推导的，不是行业已确立的标准；引用的来源包括通用平台文档、通用检索研究、机构行业分析与企业调研侧写，没有关于中国 AI 平台在游戏品类上的引用效果实测。

• 平台文档（观测）：Google 搜索文档说明 AI 功能的通用技术要求与最佳实践，并把 AI 功能带来的流量计入 Search Console 的 Web 类型 [S1]。它描述的是 Google 搜索，不构成对中国任何 AI 平台行为的描述。
• 检索研究（受控测量）：对 55,936 条查询、6 个 AI 搜索与 2 个传统搜索引擎的测量显示，约 37% 的域名仅出现在 AI 搜索中，被偏好来源通常具有更结构化、层级化的 HTML、更易读的文本、更低的域名用户热度、以及更多指向权威来源的外链 [S3]。这些结论不建立本行业在当前生产平台上的结果；可见度不等于事实准确性，也不等于收入或转化。
• 版权与结构视角（行业背景）：WIPO 杂志刊文指出电子游戏通常全球发行、需考虑各相关司法管辖区法规，并集成程序、视听内容、文学、音乐、商标等多类要素，用户生成内容形式多样 [S4]。本文仅据此陈述游戏事实的结构复杂度；“媒体高频报道”“来源归属对品牌可信度敏感”等表述在已读窗口中没有依据，已删除。
• 行业与经济背景（企业调研与机构分析）：BCG 全球游戏调研（约 3,000 名玩家）显示，2025 年年中新游戏披露使用 AI 的约 20%，估计约 50% 工作室已使用 AI；40% 玩家表示比一年前更多消费用户生成内容；60% 玩家试用过云游戏且其中 80% 反馈正面；超过 75% 受访者表示价格会影响购买选择 [S2]。这些不能等同于中国游戏行业的购买周期、采用率、预算门槛或 GEO 效果。OECD 早在本世纪初就把在线游戏纳入数字内容价值链条研究的首批部门，指出数字内容正在改变价值链与商业模式 [S5]，但该文献年份久远，只能作为行业属性背景，不能支撑当前的渠道或引用行为判断。
• 不适用条件：无官方事实台账、两轮采样方向不稳定、可投入执行容量不足 50 小时、或 p − Q_base = 0 的品牌，本文的 A/B/C 归类不适用，应先做基线采样。
• 本文的核心假设（须以本场景数据替换）：一是示意参数 p = 20、Q_base = 6、可转化基数 18、工时 20/10/30/20 均为演示值；二是 ΔQ_X = qX · (p − E_base) − Q_base 这条映射为本文自设的简化模型，两条路径刻意使用同一可转化基数，这对 A 是保守设定（A 清除错误后理论上的额外空间未被计入）；三是 A 与 B 在真实环境无法同窗口同时观测，需要拆半试点或历史数据来先验估计 qA、qB。
• 失效与反证条件：若两轮基线采样中 Q 与 E 的方向不稳定，则任何阈值与增量都不可读，决策回到 C；若复测显示 ΔQ_A = ΔQ_B = 0，则支持 C 而非继续投入；若加权（按问法流量）的错误率远高于简单比值 r，则本文的准入约束需要重构；若 A 的深度勘误后 r 仍高于上限且产能耗尽，则支持 C。以上任一出现，都应以观察结果改写推荐，而不是维持原判断。