从GEO到AAO：当AI学会替你办事，B端企业的营销逻辑该怎么变 —— 2026年AI搜索与代理执行深度拆解

本文由 莫潇羽@无忆研习社（www.wuyi.wiki）撰写，转载请注明出处。

快速摘要

AI 正在完成一次静默而深刻的角色转换——不再只是回答"应该买什么"，而是开始帮你"把事情办完"。2026年初，千问接入淘宝、支付宝、飞猪等阿里生态，用户在对话框里说完需求，AI 就能完成挑选、比价、下单、支付全流程。豆包也在同一时期打通了抖音电商，从推荐商品卡到端内完成购买一气呵成。这就是行业里新冒出来的概念 AAO（AI Agent Optimization，AI 代理执行优化）要讨论的核心：当 AI 获得了"执行权"，企业的营销逻辑会发生什么变化？

我的判断是：B端客户不会消失，就像当年电商兴起后线下门店没有死光一样。但客户"看见你"的概率正在被重新分配——如果企业不在 AI 的候选名单里，连被比较的机会都在变少。GEO（生成式引擎优化）不是过时了，而是成了 AAO 的前置条件：AI 要先认识你、信任你，才可能推荐你甚至替你完成交易。标准化业务会先感受到 AAO 的冲击，复杂的B端交付短期内稳如磐石，但长期来看，AI 先筛选、人做决策的模式正在成为新常态。

下面的内容，我会从技术原理、行业案例、实操思路、合规红线四个维度，把 GEO 到 AAO 这条线完整拆一遍。想看完整拆解，往下翻。

引子：当AI开始帮你点外卖

2026年1月15日，阿里巴巴旗下的千问App做了一次看似普通的版本更新——接入淘宝闪购、支付宝、飞猪、高德。听起来不过是"多了几个功能入口"，但如果你亲手用过一次，感受就完全不同了。

我自己的体验是：在千问对话框里敲了一句"帮我点一份阜阳卷膜"，AI 没有给我甩一个链接让我自己去淘宝翻，而是直接在对话中调用了淘宝闪购，匹配了附近商家，确认了价格（14.8元），然后问我"确认下单吗？"——从说出需求到骑手取餐，我几乎没有离开过千问的界面。

这件事的分量，不在"AI能点外卖"本身，而在于一个根本性的角色变化：AI不再只是信息的搬运工，它开始获得执行权。

以前我们跟AI的关系是：你问它一个问题，它给你一个答案。答案里可能有推荐、有分析、有对比，但"下一步"永远要你自己走——打开淘宝搜、打开京东比、打开携程订。AI是参谋，不是行动者。

现在不同了。2026年5月，千问与淘宝全面打通，用户可以在对话中完成商品的挑选、比较和下单。豆包更早一步——2025年10月开始推荐抖音商城商品，11月出现商品卡，到了2026年3月，部分用户已经可以在豆包App内完成商品查看、下单和支付，不需要跳出到抖音。

我自己在测试豆包购物的时候，花1.68元下了一单垃圾袋——从推荐到付款到查订单，全都在豆包里闭环完成。购买完成后，豆包会出现一个服务通知入口，可以查订单、申请退款、联系客服。整个体验跟在一个独立电商App里购物几乎没有区别，只是入口从"打开淘宝/抖音"变成了"跟AI聊天"。

这就是行业里最近高频出现的新概念——AAO（AI Agent Optimization，AI代理执行优化）——试图描述的变化。它对应的现实是：AI不再满足于做信息中介，它在变成执行中介。

这个变化来得比很多人预想的更快。2025年初，大部分人还把 AI 搜索当成"高级版百度"来用，觉得GEO（生成式引擎优化）就是让品牌在AI答案里多露几次脸。到了2026年中，AI已经开始替用户点外卖、挑商品、订机票了——信息入口和交易入口之间的墙，正在被一块一块拆掉。

那问题就来了：如果用户连搜索和下单都不需要离开AI对话框了，企业怎么办？B端客户会因此消失吗？GEO这套打法还管不管用？

下面我就从 SEO 时代一路聊到 AAO 时代，把这背后的逻辑完整梳理一遍。

AI搜索的进化之路：从SEO到GEO再到AAO

如果我们拉长视角来看，企业"被客户找到"这件事，在过去二十年里经历了至少四个阶段。每一阶段的变化，本质上都是流量入口和分发逻辑的重构——而这次从 GEO 到 AAO 的演进，可能是幅度最大的一次。

第一阶段：SEO——让客户在搜索引擎里找到你

这个阶段大家都很熟悉了。用户打开百度或 Google，输入关键词，搜索引擎给出一个链接列表。企业要做的事就是让自家网站排在前三位——关键词布局、外链建设、TDK 优化、内容更新，这些构成了 SEO（Search Engine Optimization）的基本功。

SEO 的核心逻辑是：搜索引擎负责筛选和排序，用户自己负责判断和选择。 系统把最相关的网页推到前面，但最终点哪个链接、信不信那个网页上的信息、要不要联系这家企业——全是用户自己的事。

第二阶段：GEO——让AI认识你、理解你、推荐你

到了2024到2025年，以 DeepSeek、豆包、Kimi、千问为代表的 AI 对话工具开始大规模普及，用户的信息获取习惯发生了根本性的变化。

根据公开数据，2026年第一季度，中国 AI 原生 App 月活用户规模已达4.4亿，单季新增超过1.3亿用户。豆包月活跃用户在2026年3月达到3.45亿，位居首位。超过四成用户的搜索习惯已经从传统搜索引擎向 AI 搜索迁移。

GEO（Generative Engine Optimization，生成式引擎优化）应运而生。它的目标不再是"让网页排在搜索结果前面"，而是让品牌信息被 AI 模型抓取、理解、引用，并出现在 AI 生成的答案中。

两者的本质区别在于：SEO 竞争的是"排名"，GEO 竞争的是"被 AI 信任"。

在 SEO 时代，用户即使看到了你的链接，还要点进去、自己看内容、自己判断。在 GEO 时代，用户直接问 AI"哪家MES厂商口碑好？"，AI 回答中提到的三家企业，就是用户脑海中仅有的候选名单。没被提到的企业，连被比较的门票都拿不到。

GEO 市场规模也在快速膨胀。根据中国信通院数据，2024年国内GEO服务市场规模已超过42亿元，年复合增长率达38%。弗若斯特沙利文预测，2026年这一规模将突破180亿元——数据口径不同，但趋势方向完全一致：这个赛道正在以惊人的速度扩张。

第三阶段：AAO——让AI替你执行

如果说 GEO 是"让 AI 推荐你"，那 AAO 就是"让 AI 帮你把事办了"。

AAO（AI Agent Optimization，AI 代理执行优化）这个概念，其雏形"Assistive Agent Optimization"由海外 SEO 专家 Jason Barnard 于2024年提出，在中文互联网上则大约从2025年底开始零星出现，到2026年上半年被越来越多 GEO 从业者和企业营销负责人提起。它的核心场景是：AI 不仅告诉用户"这个产品好""那家公司靠谱"，而是直接在对话中完成商品筛选、价格比较、下单支付、预约咨询、订票订酒店等一系列操作。

从技术层面看，AAO 依赖的是 AI Agent（智能体）的能力——让 AI 具备任务规划、工具调用、状态跟踪和闭环执行的能力。从商业层面看，AAO 依赖的是平台生态的打通——千问接入了阿里生态（淘宝、支付宝、飞猪、高德），豆包接入了字节生态（抖音电商），各自的 AI 助手可以调用各自生态内的交易能力。

三阶段对比：一张表看清楚

下面这张表可以帮你快速建立整体认知：

从这张表里可以很清晰地看到一条主线：AI 在用户决策链路中的参与深度，正在从"帮用户找信息"到"帮用户做判断"再到"替用户执行"。 每一步的跨越，都不是简单的功能叠加，而是 AI 角色的根本性升级。

还有一个值得注意的点：这三个阶段不是替代关系，而是叠加关系。SEO 不会一夜之间消失（传统搜索引擎仍然有巨大的存量用户），GEO 也不会因为 AAO 的出现就过时。实际情况更接近"三轨并行"——只是新增的流量和新增的消费决策，正在加速向 GEO 和 AAO 这两条轨道上迁移。

深入理解GEO：生成式引擎优化的底层逻辑

聊完了阶段划分，这一节我们把 GEO 的技术底子掰开揉碎来看。很多人对 GEO 的理解还停留在"多发几篇新闻稿，AI 就能搜到你"的水平——这跟十年前有人觉得 SEO 就是"堆关键词"一样，属于对工具的误解。

GEO 和传统 SEO，到底差在哪？

先说结论：SEO 优化的是网页，GEO 优化的是"品牌在 AI 知识体系中的认知"。

从技术角度拆解，这里有几个关键差异：

第一，匹配机制完全不同。 传统搜索引擎用的是关键词索引——你把"北京 网站建设 公司"放在标题里，百度就知道这个页面跟这个查询相关。但 AI 大模型用的是语义向量匹配——它不是看你的页面里出现了几次"网站建设"，而是理解你的内容到底在讨论什么主题、解决了什么问题、你的专业度如何。这意味着，单纯的关键词堆砌在 GEO 面前基本无效，你需要的是结构清晰、语义准确、信息密度高的"能被 AI 读懂"的内容。

第二，信源权重机制截然不同。 百度排序看的是域名权重、外链数量、页面体验分。AI 大模型看的是信源可信度——品牌官网、权威媒体报道、行业白皮书引用、学术论文、政府公示信息，这些"硬信源"在 AI 知识库中的权重远高于普通自媒体文章或论坛帖子。所以 GEO 的核心工作之一，就是搭建一个高质量的信源矩阵。

第三，结果展示形式变了。 SEO 的终点是"用户点击链接进入网站"，GEO 的终点是"品牌出现在 AI 答案中并被正面引用"。在 AI 对话场景中，用户看到的是整合后的答案，不是一排待点击的蓝色链接。品牌如果不在 AI 的可引用信息池里，在这个场景下就是隐形的。

GEO 的三个核心工作模块

我自己折腾下来，觉得 GEO 真正落地的时候，可以拆成三个环环相扣的模块：

┌─────────────────────────────────────────┐
│               GEO 三模块                 │
├─────────────┬─────────────┬─────────────┤
│  品牌语料层  │   信源矩阵层  │  监测迭代层  │
├─────────────┼─────────────┼─────────────┤
│ • 官网结构化 │ • 权威媒体   │ • 品牌提及率 │
│ • 知识图谱   │ • 行业门户   │ • TOP3占比   │
│ • FAQ体系    │ • 问答平台   │ • 正/负面倾向 │
│ • 案例文档   │ • 社媒账号   │ • 竞品共现率 │
│ • 技术白皮书 │ • 学术引用   │ • 错误信息   │
└─────────────┴─────────────┴─────────────┘

品牌语料层是地基。企业需要把"我是谁、我做什么、我有什么案例、我的差异化在哪"这些信息，以结构化的方式铺到互联网上。这不仅仅是发几篇新闻稿那么简单——官网的内容结构要清晰（结构化数据标签、语义化的产品描述）、要有完善的 FAQ 体系覆盖用户常见问题、要积累真实可查的案例文档（AI 训练数据偏好"有细节的实例"胜过"空洞的宣传语"）。

信源矩阵层是管道。你光把内容放在自己官网上不够，AI 需要从多个独立信源交叉验证同一家企业的信息。这就是为什么 GEO 从业者特别看重权威媒体发稿、行业门户入驻、问答平台覆盖、学术引用获取。信源越多、越权威、信息口径越一致，AI 对你的品牌认知就越确定。

监测迭代层是眼睛。GEO 不能做一次就扔在那里不管。需要持续监测品牌在豆包、DeepSeek、千问、Kimi 等主流 AI 平台上的提及率、TOP3 推荐占比、答案表述准确率、情感倾向、竞品共现率等指标。发现 AI 引用了错误信息（这在大模型里非常常见，俗称"AI 幻觉"），要及时通过内容纠偏。

一个容易踩的坑：把 GEO 当广告做

很多企业第一反应是把 GEO 当效果广告来操作——发一批稿、看有没有咨询电话进来、没有就判定"GEO 没用"。这个思路有几个问题。

GEO 本质上更接近品牌基建而非效果广告。它的价值体现在"当用户在 AI 里搜索你的行业关键词时，你的品牌有没有出现在候选名单里"——这是一个品牌可见性的问题，不是一次点击转化的问题。品牌可见性是慢变量，不会像竞价广告那样立竿见影，但一旦建立起来，它是沉淀在企业身上的长期数字资产。

另外，不同的行业在 GEO 上的效果差异也很大。有些行业用户在 AI 里搜索的频次高、决策链路长、需要反复比较——比如企业服务、软件实施、工业设备——这些行业做 GEO 的效果往往更明显。有些行业用户根本不通过 AI 来找供应商（至少目前如此），强行做 GEO 的意义就不大。关键不是"要不要做"，而是"我的目标客户到底在不在 AI 里"。

关于这个话题，有一个我觉得很务实的判断方法：先小范围跑一跑，用每周一次的品牌监测看看自己的名字在主流 AI 平台上的出现情况。如果跑了一个季度，发现目标客户确实在 AI 里问、而你没被提到——那就说明有必要投入。如果跑了发现这个行业根本没人用 AI 来找供应商——那至少你省下了大笔预算。 比坐在办公室里空想"该不该做"强一万倍。

AAO来了：AI代理执行优化的兴起

如果 GEO 解决的是"让 AI 认识你"，那 AAO 要解决的是"让 AI 帮你把生意做了"。这一节我们聚焦 AAO——它到底是什么、为什么值得关注、以及它的底层驱动逻辑。

AAO 到底是什么？

AAO 的全称是 AI Agent Optimization，直译是"AI 代理优化"。也有人叫它 AAIO（多加了一个 Interaction，强调交互过程），核心意思差不多。它指的是：针对 AI 代理（Agent）的决策和执行力进行优化，让品牌或产品在 AI 替用户执行任务时被优先选择。

这个定义听起来有点抽象，举两个具体场景就清楚了：

场景一（消费品）：用户对豆包说"帮我推荐一款3000元左右的手机，拍照要好，续航要强"。在 GEO 时代，豆包会列出几个品牌和型号，附上参数对比，然后用户自己去电商平台搜。在 AAO 时代，豆包直接在对话中展示商品卡，用户点一下就可以在豆包内完成下单和支付——全程不需要离开对话界面，不需要跳转到淘宝或京东。

场景二（B端服务）：一家制造企业的采购经理对千问说"帮我找三家适合汽车零部件行业的 MES 厂商，预算50万以内，需要支持本地化部署"。在 GEO 时代，千问会推荐几家厂商的名字和简介。在 AAO 的未来场景中，千问可能会进一步帮用户完成询价、预约演示、甚至生成初步的需求文档——AI 负责前面的筛选和初步对接，人负责最后的决策和商务谈判。

AAO 为什么在这个时间点出现？

不是一夜之间蹦出来的，背后有三个条件在2025到2026年间同时成熟了：

条件一：AI 平台打通了交易生态。 千问接入了阿里生态（淘宝、支付宝、飞猪、高德），豆包打通了抖音电商。AI 助手不再是孤立的问答工具，而是变成了生态的入口。有了交易能力，AI 才能从"推荐"走向"执行"。这就像微信当年有了微信支付之后，才能从聊天工具变成生活服务平台——支付是执行权的核心。

条件二：用户对 AI 的信任度在提升。 2025到2026年，AI 从新奇玩具变成了生产力工具。根据行业调研数据，超过61%的消费者已经开始使用 AI 工具完成消费决策。当用户习惯了让 AI 推荐餐厅、分析文档、写代码之后，让 AI 帮忙买个垃圾袋或者订个机票，只是一个很自然的延伸。

条件三：大模型的任务执行能力显著提升。 2025年底到2026年初，国内主流大模型在 Agent 能力上有了质的飞跃——多步推理、工具调用、上下文保持、状态追踪——这些能力的成熟，让 AI 不再只是一个"回答问题的脑子"，而变成了一个"能办事的手"。

AI 获得执行权，意味着什么？

这件事的核心变化可以用一句话总结：AI 从信息中介变成了执行中介。

信息中介的模式是：用户有需求→AI 提供信息→用户自己决策和执行。AI 的价值在于"让信息获取更高效"。

执行中介的模式是：用户有需求→AI 理解需求→AI 筛选选项→AI 推荐并协助执行→用户确认或收尾。AI 的价值在于"让任务完成更高效"。

这个转变对企业的影响是双重的：

正面来看，如果你的品牌已经被 AI 认识和信任（GEO 做好了），AAO 会放大这个优势——AI 不仅推荐你，还帮用户更快地做出选你的决定、更快地完成跟你之间的初步对接。

反面来看，如果你根本不在 AI 的认知池里，那 AI 在执行任务时自然也不会想到你——你不仅失去了被推荐的机会，连被比较的机会都在减少。

这就是为什么我说 AAO 不会取代 GEO，反而会放大 GEO 的前置价值。一个 AI 要替用户选出一家供应商，它的决策链条大致是这样的：

用户提出需求
    ↓
AI 检索自己的知识库 → 这一步依赖 GEO：品牌语料够不够丰富、信源够不够权威
    ↓
AI 对比候选品牌 → 这一步依赖 GEO：品牌信息是否准确、是否有足够的正面案例支撑
    ↓
AI 推荐并引导执行 → 这一步才是 AAO：商品卡是否优化、交易接口是否打通

没有前两步的 GEO 基础，第三步的 AAO 根本无从谈起。这个逻辑链条，后面讲企业实操的时候还会展开。

千问与豆包：两种AI购物流派的实战拆解

目前国内最值得观察的两个 AAO 样本，就是千问和豆包。它们背后站着阿里和字节两大生态，但走的路线有明显的差异。把这两个案例拆清楚，对于理解 AAO 的未来走向非常有帮助。

千问路线：导购助手型，帮用户缩小选择范围

千问接入淘宝生态的路径是有节奏的：2026年1月先跑通外卖、即时零售和出行（接入淘宝闪购、支付宝、飞猪、高德），2026年5月才与淘宝全面打通商品挑选、比较和下单。这个节奏感说明千问团队是谨慎地在推——先拿标准化程度最高、决策最简单的品类试水，再扩展到全品类。

千问的购物体验有一个很鲜明的特点：它更像一个导购助手，而不是一个销售员。 比如你问千问"推荐几款适合一岁宝宝的夏天玩具"，千问会给出一类商品的推荐，点击之后进入的是一个包含多个同类商品的列表页——界面仍然保留着千问的框架感，你能清楚地感知到自己还在千问里。最终选哪个，决定权在你手上。

千问 C 端事业群总裁吴嘉在今年1月的发布会上演示过一个场景：用户说"想给爸妈家买个扫地机器人，预算两千到四千，家里还有只猫"，千问能够推理出"防缠绕"和"高温杀菌"这些细分需求，并据此匹配合适的商品。这就是 AI 在消费决策中发挥的独特价值——它不只匹配关键词，而是理解场景。

豆包路线：商品推荐型，直给答案

豆包的路径跟千问不太一样。从2025年10月接入抖音商城开始，豆包就采用了"直接推荐具体商品"的模式。用户问"推荐一款好用的洗面奶"，豆包会直接给出明确品牌和产品，点击就能进入单品购买页——界面切换极其顺滑，用户几乎感知不到自己从"聊天"进入了"购物"。

豆包的购物体验更有沉浸感，更像一个"懂你的买手"。早期主要集中在美妆、母婴、家居、数码、日用品等标准化消费品领域。到2026年3月，部分用户已经可以在豆包 App 内完成完整的商品查看、下单和支付流程。

还有一个有趣的细节：豆包里不只出现抖音电商的商品，也会出现京东商品卡，而且展现形式与抖音商品卡很接近。这说明豆包的 AAO 策略并不是完全封闭的——至少在选品层面，它并不排斥外部货源。

两张路线图的对比

两种路线，谁更有未来？

这个问题现在下结论还太早，但有几个判断可以分享。

千问的"导购助手"路线，在信任建立阶段是更稳妥的策略。用户刚接触 AI 购物时，天然会对"AI 替我做决定"有戒备心，千问把最终选择权明确留给用户的设计，降低了信任门槛。而且千问依托的阿里生态在货品丰富度、物流履约、售后服务上有十几年的积累，这是 AAO 走深走实的重要底座。

豆包的"直给推荐"路线，更激进但也更高效。一旦用户建立了"豆包推荐的东西靠谱"的认知，这种模式会极大缩短决策路径。字节的内容生态（抖音短视频、直播、达人评测）天然适合做商品的种草和信任背书，这也是豆包敢于走"直接推荐"路线的底气。

对企业来说，不需要选边站——两条路线你都需要关注。因为未来用户可能在千问里搜一次、在豆包里又问一次、在 DeepSeek 里再确认一遍。多平台覆盖，本来就是 GEO 和 AAO 的应有之义。

一个不能回避的限制：境外模型使用需合规

聊到 AI 购物，有些朋友可能会联想到 ChatGPT、Perplexity 等境外 AI 平台在电商和代理执行方面的布局。确实，海外在 Agentic Commerce（代理式商务）方面也有不少进展，比如 Shopify、Target、Visa 等联合推出的 Universal Commerce Protocol（通用商务协议），目标是让 AI 在不同平台间完成标准化的商品比价和下单。

但需要特别说明的是：境外 AI 模型和平台的使用，需要遵守国内网络与内容管理的相关规定。企业在规划和执行 GEO/AAO 策略时，应当优先聚焦于国内合规可用的 AI 平台生态，如豆包、千问、DeepSeek、Kimi、元宝、文心一言等。这些国内平台的用户规模、技术能力和生态完整性，已经足以支撑绝大部分企业的 AI 营销需求。

B端客户会不会消失？淘宝京东早就给出了答案

AAO 这个概念一出来，焦虑就开始蔓延了。有些企业主看到"AI 都能替用户下单了"，就在担心：网站是不是没用了？销售团队是不是要失业？没有接入 AI 交易系统的企业，是不是马上就要被淘汰了？

我的看法是：完全没必要这么理解。淘宝和京东过去二十年的发展史，已经给了一个非常清晰的参照系。

电商没有杀死线下，AAO 也不会杀死 B 端

当年淘宝、京东快速崛起的时候，市面上有一种论调非常流行：线下门店会被电商全面取代，不做电商的传统企业没有活路。二十多年过去了，回头看看——线下门店确实受到了巨大冲击，但远没有"死光"。便利店、生鲜超市、社区药店不但没死，反而在"最后一公里"这个战场上比电商更有优势。高端体验型零售（奢侈品、家居、汽车）也依然以线下为核心阵地。

B 端市场的情况更明显。大量制造企业、工程公司、工业设备企业、软件公司和咨询公司，至今都不依赖淘宝、京东获客。它们靠的是渠道、销售团队、老客户转介绍、招投标、行业展会——这些"非电商"获客方式依然在正常运转。没有电商店铺的 B 端企业太多了，它们照样过得不错。

这个类比放到 AAO 上完全成立：AAO 会成为新的信息和交易入口，也会改变一部分客户的购买习惯，但它不会一夜之间吞掉所有市场。 新入口出现，通常意味着市场多了一条路径，而不是原来的全部路径同时死亡。

为什么 B 端市场天然"抗 AAO"？

B 端交易跟 C 端交易有一个本质的区别：C 端买的是"产品"，B 端买的是"方案 + 信任 + 交付"。

买一个手机、一瓶洗发水、一袋垃圾袋——这些决策简单、标准化程度高、价格透明、退换货流程成熟，AI 完全可以胜任推荐和下单的任务。

但买一套 ERP 系统、一条生产线、一个为期半年的咨询项目——这些决策极其复杂。涉及到的变量包括：技术方案是否匹配、供应商的交付能力如何、售后服务有没有保障、合同条款怎么拟定、付款节奏怎么安排、风险责任怎么划分……你让 AI 来处理这些，目前的技术和制度条件都不成熟。

更关键的是，B 端决策通常不是一个人做的，而是一个决策链——使用者、技术评估者、预算审批者、最终决策者——每个人关注的点都不同。AI 可以帮他们收集信息、做初步筛选，但要完成整个决策链路的闭环，需要人跟人之间的沟通、谈判和信任建立。

所以 B 端客户不会消失。更可能出现的情况是：AI 完成前面的搜索、比较和筛选，人完成后面的沟通、决策和交付。 这不是"AI 替代人"，而是"AI 帮人节省时间，让人把精力花在 AI 做不了的事情上"。

但是——不要因此就觉得"跟我没关系"

"B 端不会消失"不等于"B 端不受影响"。这里有一个非常关键的区分：客户的需求还在、预算还在、市场还在——但客户找到供应商的方式在变。

下一节我会重点展开这个逻辑——为什么说 AAO 时代最大的挑战不是"没客户"，而是"客户看不见你"。

标准化业务先变，复杂B端业务稳住

上一节说到了"B端不会死"，这一节把这个判断再细化一层：不同的业务类型，在 AAO 面前的"脆弱性"完全不同。我们可以大致做一个分类。

容易被 AAO 影响的业务：标准化、低客单价、决策简单

有一类 B 端业务是比较容易被 AAO 渗透的——它们跟 C 端消费品的特征很像：

• 办公用品和标准耗材：A4纸、墨盒、办公桌椅、清洁用品。规格明确、价格透明、品牌差异小、不需要定制化服务。AI 完全可以替行政人员完成比价和下单。
• 企业差旅服务：机票、酒店、火车票。已经有非常成熟的在线预订体系，AI 只需要接入现有的差旅平台接口，就可以帮员工完成从申请到预订的全流程。
• 标准化软件订阅：企业邮箱、云存储、在线会议工具。功能标准化、按人头定价、在线试用和开通。AI 推荐 + 在线支付 + 即时开通，是一条非常顺畅的链路。
• 企业采购中的标品部分：比如某制造企业要采购一批标准规格的轴承、螺丝、电子元器件。这些品类有明确的型号和参数，AI 可以快速匹配供应商和报价。

这些业务的特点是：决策变量少、价格可比性强、不需要深度沟通和信任背书。 在这类场景下，AAO 确实有机会成为主流入口——因为用户自己比价、询价的时间成本太高，而 AI 恰好能把这个过程压缩到几秒钟。

暂时不会被撼动的业务：复杂交付、高客单价、强信任依赖

反过来，下面这些 B 端业务在可预见的未来（三到五年内），AAO 的影响力非常有限：

• 大型软件实施：ERP、MES、WMS 这类系统，上线周期动辄半年到两年，涉及业务流程梳理、定制开发、数据迁移、员工培训。不是说 AI 推荐一下就能敲定的。
• 工业设备和生产线：一套自动化产线的采购，涉及技术方案验证、场地勘测、安装调试、售后维护。金额通常在百万到千万级别，决策周期以月甚至年为单位。
• 工程和基建项目：招投标流程、资质审核、法务合同、现场管理——每个环节都需要专业人员的深度参与。
• 企业培训和咨询：培训效果取决于讲师的经验和匹配度，咨询项目依赖的是顾问的行业经验和信任关系。这些"软能力"目前 AI 很难评估和替代。
• 定制化服务：品牌设计、软件开发外包、法律顾问、财税服务——交付物高度个性化，价格和服务范围都因人而异，无法标准化。

这类业务有一个共同特征：交易的达成需要深度沟通和多轮信任验证。 AI 在其中可以扮演的角色是"初步筛选"和"信息整理"——帮客户找到几家看起来靠谱的候选供应商、整理它们的基本信息和案例。但最终的方案讨论、商务谈判、合同签订、履约交付，仍然需要人来完成。

中间地带：正在发生变化的 B 端业务

在"容易被 AAO"和"很难被 AAO"之间，存在一个正在变化的中间地带。这个地带值得企业特别关注：

比如网站建设、品牌设计、营销服务这类业务。它们不像买墨盒那么简单，也不像搞 ERP 那么复杂。客户会通过 AI 搜索来找供应商、看案例、比报价——GEO 已经在影响这类业务的客户获取。如果未来千问或豆包进一步开放服务类目的 AAO 接口，企业可能需要在 AI 平台上维护自己的服务卡片（类似商品卡），让客户在对话中就能发起询价或预约。

再比如中小企业的财税代账、社保代缴。这些服务虽然需要一定的专业度，但流程已经高度标准化了。如果 AI 平台接入了服务商的报价和评价数据，客户完全可以在对话中完成"筛选服务商→查看报价→在线下单"的全流程。

如何判断自己的业务属于哪一类？

我总结了一个简单的自检清单，企业可以对照着看看：

回答完这五个问题，你大致就能判断自己的业务离 AAO 有多远了。但这个判断不是一次性的——随着 AI 技术的演进和用户习惯的迁移，今天属于"复杂交付"的业务，几年后可能也会部分进入"中间地带"。关键是持续观察，而不是一锤定音。

客户还在，但"被看见"的概率在变化

前面两节花了很大篇幅论证"B端客户不会消失"，但如果只读到这一层，可能会产生一个危险的错觉：既然客户不会消失，那是不是可以继续按老方法获客，不用管 GEO 和 AAO？

答案是：不行。因为威胁不在于"客户消失"，而在于"客户看见你的概率在显著降低"。

客户决策链路正在被 AI 截断

让我用一个具体的 B 端场景把这个逻辑讲清楚。

过去，一家制造企业在寻找 MES 供应商时，典型的行为路径是这样的：

1. 在百度搜索"MES 厂商 汽车零部件"
2. 打开前十到十五个搜索结果中的官网
3. 逐一查看每家公司的产品介绍、成功案例、技术文档
4. 筛选出三到五家，逐一联系销售
5. 安排演示、报价、谈判、签约

在这个过程中，企业有很多次"被看到"的机会——即使你的官网排在搜索结果第二页，客户在翻完第一页之后还是有可能看到你；即使客户一开始没联系你，后续做一些 SEM 投放或内容营销，仍然有机会把他拉回来。

现在，同样的客户可能在千问或豆包里直接问一句："帮我找三家适合汽车零部件行业的 MES 厂商，预算50万以内，要支持本地化部署。"

AI 的处理流程会是：

1. 在训练数据和实时检索中搜索符合条件的 MES 厂商
2. 读取每家厂商的官网、案例、媒体报道、用户评价
3. 整合成一份推荐答案，列出三家候选企业
4. 客户拿到答案，直接进入"联系这三家"的阶段

注意这里面一个关键变化：客户的"主动浏览"环节被跳过了。 客户不再自己打开十几个网页来逐一判断，而是直接接收 AI 整合后的结果。如果你的企业不在 AI 给出的那三家候选名单里——这个客户大概率就跟你无缘了。他不会去问 AI "还有没有第四家？"——大部分人拿到一个靠谱的推荐就会停下来。

不是在跟竞争对手抢排名，是在跟"不被提到"抢存在感

这个变化带来的挑战是根本性的。在 SEO 时代，你至少知道自己的目标关键词是什么、排名第几、竞争对手是谁。在 GEO/AAO 时代，你连"自己在不在牌桌上"都未必知道。

更棘手的是，AI 的"推荐逻辑"并不透明。传统搜索引擎的排名因素（域名权重、外链、内容相关度）至少是可以研究和逆向的。但大模型在给出推荐答案时，到底依据了什么权重、参考了哪些信源、排除了哪些品牌——这些目前没有任何平台给出完整的解释。

这就带来了一个现实问题：你可能做了很多品牌建设的工作，但 AI 在回答用户的行业问题时，完全没有提到你。 不是 AI 故意忽略你，而是你的信息没有被它"看见"——你的官网内容结构不够清晰、你的案例没有被权威媒体收录、你的品牌信息在互联网上太稀疏——总之，AI 的知识库里，对"你"的认知是一片模糊的。

关于这一点，我在实际接触企业的时候有一个很深的感受：不少中小企业主觉得"我们在行业里名气不小"，但一到 AI 搜索的实测里就傻眼了——豆包和千问里搜行业核心问题，推荐的全是竞争对手，自家品牌影子都看不到。这不是因为竞争对手更强，而是因为竞争对手在互联网上的"信息足迹"更密集、更结构化、更符合 AI 的抓取偏好。

一个正在发生但很多人还没意识到