人人都做 GEO，AI 回答会越来越差吗？
截至 2026 年 10 月 1 日，我们没找到哪项研究在线上 AI 搜索里长期追踪过做 GEO（AI 搜索优化）的人越多、回答是不是越差。
苏黎世联邦理工 2024 年在必应和 Perplexity 上的实验看到，各家都去操纵时所有商品的被推荐率一起下降，但它没评估答案准不准，「拖累 AI 搜索整体」是作者的论证。Google、必应已把操纵 AI 回答写进规则，中央网信办也把用 GEO 恶意营销列为整治对象。
问这个的人，多半是被同行逼的：别人都在投 GEO（AI 搜索优化），自己不投怕吃亏；可大家都投，AI 的回答会不会被搅成一锅粥，最后谁也捞不着好处？这里头其实是两个问题，一个是回答会不会变差，一个是会不会变得千篇一律。两边的证据不一样多，得分开说。
「囚徒困境」是哪来的
说法出自苏黎世联邦理工 Nestaas、Debenedetti、Tramèr 三人的论文，发在 ICLR 2025，过了同行评审。他们 2024 年让必应和 Perplexity 在四个互相竞争的商品里推荐一个，然后一家一家地增加做了手脚的商品页。结果是，不管已经有几家在做，没做的那家跟着做总比不做划算；可跟四家都不做的时候比，每一家的推荐率都降了。作者自己管这叫「多人囚徒困境」。
落到用户眼前，是 AI 不太肯推荐了。Claude 3 Opus（经 Perplexity）碰上好几家同时做手脚，经常干脆一个都不推荐；四家都做的时候，必应的推荐率倒没像 Claude 那样几乎归零。而论文量的是推荐率，没评答案准不准，推荐变少算不算变差，从这篇里其实看不出来。
分寸也得说清楚。商品是作者虚构的，提问时还指定了作者的域名。作者 2024 年 3 月把问题告诉了受影响的公司，微软确认后改了必应，所以论文里的效果不能当今天的效果。至于「人人都做、拖垮整体」，作者用的词是「论证」：经济激励可能让这类攻击大面积出现，从而可能拖累大模型搜索。说「学术上有警告」可以，说「已经证明会越来越差」就过了。
作者在讨论里还承认，贴着用户问题写内容，在传统 SEO 里本来算正面做法，所以黑帽白帽的界线该划在哪，他们自己也说不清（正常优化和投毒的界线我们另写过）。就算不算操纵，挤的人多了收益也会往下走。C-SEO Bench 测过，采用同一种对话式 SEO 方法的文档越多，整体收益大体越小，到最后还略高于零。它只用了一个模型、两个领域，量的是引用名次，证明不了答案变差，细节见这一篇。
变差和变像，是两回事
「会不会越来越像」，Nestaas 那篇压根儿没研究。这方面的证据来自以色列理工学院一个专做「排名竞赛」的团队。他们发现，参赛写网页的人普遍会往之前排第一的那篇靠，大家一扎堆，话题多样性就跟着下降。2025 年他们又让 Llama、Gemma 这些模型替人参赛，语料多样性比真人参赛时降得还多。可质量没跟着降：他们的质量分看的是排第一的文档有几个标注员认为是正常内容，而不是关键词堆砌或垃圾，满分 3，模型组各轮的平均分在 2.3 到 2.7，真人组是 2.05 到 2.15。也就是说，越写越像，按这个指标并没有变差。只是这些比赛用的是传统排名，不是 AI 生成回答，拿来看 AI 搜索只能算类比。
今年 8 月有一篇论文（作者标注 COLM 2026 录用），让文档照着大模型的排名信号反复改写 20 轮，再看文档越贴近排得高的那类特征，独立评判是不是也越觉得它好。六个领域里，这两者的相关全都降了，不过到第 20 轮仍是正的；把目标换成随机的，三个领域里只有一个也降了，幅度小得多，所以大头还是跟迎合排名有关。文档之间的相似度倒几乎没动。这是全由模型搭起来的模拟，作者自己说只跑了 20 轮，不该当成长期均衡的证据。
受污染的检索页，可能把推荐带偏
FORGE（标注 EMNLP 2026 Findings 录用）把检索到的网页里的商品改成假的，测了 12 个模型。只污染一页，被骗率最高到 27%；前三页全换成假的，最高到 73.8%。在他们的设置里，让模型多推理也不管用，它常常自己编出一套「别人都说好」来圆。作者试的四种防御都不够，可信度重排序对每个模型都有帮助，也只剔掉大约六分之一的假货。这是本地改网页的受控实验，不是在公开互联网上投的。
平台那一头
SEO 早走过一遍类似的路。莱比锡大学等团队盯了一年 Google、必应、DuckDuckGo 上的商品评测查询，三家的文本质量整体在往下走。Google 的算法更新有明显效果，可多数管不了多久；到实验末期，它结果里的联盟营销垃圾倒是少了一些。这只是 2022 到 2023 年的英文商品评测，又是传统搜索，能看出来的就是一直在拉锯。
平台手里的牌是改规则。Google 的垃圾内容政策已经把「试图操纵 Google 搜索里的生成式 AI 回答」写进定义；必应的站长指南说，为操纵或干扰必应、Copilot 所用语言模型而加的内容，可能被降低可见度，或被移出搜索体验。前面那个以色列团队还在理论上证明，排名时给多样性加分，扎堆模仿就会缓解，在他们自己组织的竞赛里也得到了支持。这些说明平台有办法，不说明已经管住了。
落到中文世界
国内监管写得更直白。中央网信办 2026 年 4 月部署的清朗专项，把「使用GEO（生成式搜索引擎优化）技术恶意营销」列为 AI 数据投毒的一种，同一段也点到 AI 服务这一侧：生成回答时「对引用信源缺乏交叉验证」。到 9 月 2 日的通报，又说豆包、元宝、千问、文心一言等平台「严把原始语料内容审核关」，这是监管对平台的概述。
国内「人人都做」到什么程度，能看到的是记者报道。红星资本局 2026 年 3 月发的调查里，记者从 2025 年 10 月起问了多家做 GEO 的商家，有人报价一年 6600 元，说能让公司「基本出现在AI回答前3的位置」，这是卖家自己的话。记者拿一家装修公司复刻：豆包、Kimi 都先提它，DeepSeek 联网搜索下它排推荐第一，只开深度思考、不联网时就没它了，元宝、通义千问没提。联网和不联网结果不同本身不奇怪，两条路的信息来源本来就不一样（见这一篇）。这只是一个案例、一个时间点，没有投放前后的对照，差异是不是投放造成的判断不了，哪种模式更容易被操纵也比不出来。同一篇里还有业内人说，有一类客户是来「矫正被污染的品牌信息」的，污染可能出自竞争对手投毒。这是单方说法，只能当线索，还说不上军备竞赛已经打起来了。
上面这些多方博弈实验，全是英文的、实验室里的，或者跑在 2024 年海外产品上的，还没有一项拿豆包、DeepSeek 这些国内产品测过多家同时做会怎样。
结论
- 截至 2026 年 10 月 1 日，我们没找到哪项研究在线上 AI 搜索里长期追踪过「做 GEO 的人越多，回答越差」。
- Nestaas 等人的 ICLR 2025 论文在 2024 年版必应和 Perplexity 上、用 4 个虚构商品做的实验里，观察到囚徒困境式的结果：各家都有动机操纵，所有商品的被推荐率却一起下降；「拖累 AI 搜索整体」是作者的论证，不是测量结果。
- 在 Nestaas 等人的实验里，Claude 3 Opus（经 Perplexity）面对多家同时操纵时常常不给推荐；四家都操纵时，必应的商品推荐率没有像 Claude 那样几乎归零。这篇论文没有评估答案准不准，推荐变少不能直接等同于答案变差。
- 以色列理工学院的排名竞赛研究显示，大模型代写让语料多样性比真人参赛时降得更多，而排第一的文档按「是不是正常内容」打的平均质量分并没有更低；这批研究用的是传统排名，不是 AI 生成回答。
- FORGE 在本地改写检索页的实验里，前三页全换成假商品时，12 个模型中被骗率最高到 73.8%；作者测的四种防御都不够。
- 中央网信办 2026 年 4 月已把「使用GEO技术恶意营销」列为 AI 数据投毒的整治对象，并指出 AI 生成回答时对引用信源缺乏交叉验证。
- 红星资本局 2026 年 3 月报道的单个案例里，一家装修公司在 DeepSeek 联网搜索时排推荐第一，只开深度思考、不联网时没出现；这篇报道不足以确认排名是投放造成的，也不能用来比较两种模式被操纵的难易。
「竞争会逼出多样性」？
- 麻省理工的 Raghavan 认为，竞争本身会把内容往不一样推。 他的博弈模型说，生产者抢客户、抢注意力时，有动机做新颖独特的东西，生成式 AI 带来的同质化在竞争市场里不太可能持续。前提是跟别人一样会降低自己的收益，验证用的是文字游戏，不是搜索。AI 搜索要是同时奖励「跟主流说法一致」，这个前提就未必站得住。
- 用大模型改写也未必让答案变窄。 一篇直接测 Google 生成式搜索的预印本发现，网站拿大模型润色内容以后，AI 摘要的信息多样性反而升了。同一篇也发现生成式搜索本来就偏爱彼此语义相近的来源，只是光凭这个，分不清来源变像有多少出在平台选源、多少是网上内容本来就这样、多少是 GEO。
我们的判断：眼下的证据，更支持「迎合排名偏好的那些特征，可能跟质量脱钩」；「内容可能越来越像」有一组传统排名实验撑着；「每一条回答都在变烂」则没有证据支持。平台怎么选来源、怎么排，跟各家多投几篇稿子比，哪个对结果影响更大，还没有研究正面比过。
落到品牌这边，人人都能照抄的写法，挤的人一多收益就薄，平台和网信办又都在管操纵，跟着同行堆量不是好买卖（铺量算不算 GEO另有一篇）。更值得做的，是隔一阵看看 AI 怎么说你家，被带偏了能早点发现。
这些结论别往外推
- Nestaas 的囚徒困境实验只有 4 个虚构商品、2024 年版的必应和 Perplexity，微软之后改过必应。
- 以色列理工学院和 COLM 那几篇都是实验室或模拟，排名器是传统检索模型或单个大模型；测 Google 那篇是英文数据、预印本。
- FORGE 是本地改写网页的受控实验，27% 和 73.8% 都是 12 个模型里最容易被骗的那档，不是平均数。
- 红星资本局的复刻只覆盖一家公司、一个时间点；报价是卖方自述。
- 网信办通报里平台「严把语料审核关」是监管的概述，不等于各平台公开了具体机制或效果。
核对记录
2026 年 10 月 2 日重开了三份原文：COLM 那篇附录的表 4，随机目标对照在 News 一域降了 0.036；SIGIR 2025 那篇第 5.1 节，质量分只标每两轮排第一的文档，按三名标注员里判它为正常内容的人数计；FORGE 第二版的表 3，73.8% 是最容易被骗的 Ministral-3R 那一行。
出处 15 条，A 级 12 条、B 级 3 条 · 展开全部
Nestaas、Debenedetti、Tramèr（苏黎世联邦理工）《Adversarial Search Engine Optimization for Large Language Models》，ICLR 2025 会议论文。第 5.2 节：让必应和 Perplexity 在四个竞争商品里推荐一个，逐步增加发起攻击的网页数，「regardless of the number of parties having launched an attack, benign product owners have incentive to also attack rather than stay idle」，「Yet, all parties globally lose in recommendation rates compared to the baseline where all product owners cooperate. We thus observe a form of multi-player prisoner's dilemma」。图 6 图注：「Claude 3 Opus often refusing to make any recommendation when encountering multiple attacks」。第 7 节：「argued that economic incentives may inevitably lead to their widespread deployment, which could globally degrade LLM search」。 原文
同一论文第 6.2 节：「this may contradict the rules of "traditional" SEO, where aligning content with search queries is considered positive. Second, flagging such LLM manipulations might require determining the truthfulness of overly convincing text」，界线不清到「where one should set the boundary between black-hat and benign SEO for LLMs」。引言与可复现性声明：「We disclosed our results to affected parties in March 2024. Microsoft acknowledged these issues and built additional protections for their system.」「Microsoft has made changes to Bing to mitigate our attacks.」实验用的是作者虚构的商品，提问时指定了作者的实验域名。 原文
Puerto 等 C-SEO Bench（NeurIPS 2025 数据集与基准赛道）第 6.4 节：「as we increase the number of C-SEO adopters, the overall gains decrease」。采用比例实验只用了 GPT-4o-mini、两个领域、两种方法、最多 10 个参与者，量的是引用名次；曲线有局部回升，末端略高于零。 原文
Mordo、Reinman、Tennenholtz、Kurland（以色列理工学院）ICTIR 2025：「a prevalent modification strategy of publishers is mimicking content in the documents most highly ranked in the past」（复述同组 Raifer 等 SIGIR 2017 的发现），「publisher herding with unwarranted corpus effects (e.g., reduced topical diversity) was observed」；「We theoretically show that diversity-based ranking results in a min-max regret equilibrium where content mimicking, and as a result herding, are ameliorated」，并在他们自己组织的排名竞赛里得到支持。对象是传统排名，不是生成式回答。 原文
Mordo 等（以色列理工学院）SIGIR 2025：「using LLMs as publishers reduced content diversity in the corpus to a larger extent than having human publishers」；质量分（0–3）「in the LLM-based competitions ranged between 2.3 and 2.7」，真人比赛「ranging from 2.05 to 2.15」。质量分只标每两轮排第一的文档，按三名标注员里判它为正常内容（valid，而非 keyword-stuffed 或 spam）的人数计。明确要求别抄别人文档的只有另设的一组 Llama（no-copy），与真人对比的组没有这条。排名器是 E5、Contriever、BM25 等传统检索模型，参赛模型是 10B 以下开源模型。 原文
Gao 等（作者注明 Accepted to COLM 2026），arXiv 2026-08-31：反复按大模型排名信号改写 20 轮，「Quality-ranking alignment decreases in all six domains: from R0 to R20, the change in Spearman's rho ranges from -0.107 to -0.018, with a mean change of -0.068, which means documents closer to the ranking feature profile become less aligned with independently judged document quality」；第 3.5 节公式 5 算的是文档与高排名特征画像的距离（取负）和质量分的 Spearman 相关，不是实际名次与质量的相关。随机目标对照只在三个领域做，附录 D.1 表 4：「+.001, +.014, and −.036 in Retail, Debate, and News, respectively, compared with −.047, −.065, and −.104 under CHASE」。表 1 文档两两相似度 Retail .731→.720，其余五域只升 0.002–0.014。排名、改写、评判全由模型担任；作者说只跑 20 轮，「should not be interpreted as evidence of convergence or long-run equilibrium behavior」。 原文
Ma、Qin、Xu、Tan《When Content is Goliath and Algorithm is David》，arXiv 2025-09-17：生成式搜索偏爱引用「greater semantic similarity among selected sources」的内容；网站用大模型润色内容后，「such polishing paradoxically enhances information diversity within AI summaries」。数据来自 Google，英文；摘要没有把来源相似归因于 GEO。 原文
Luo、Chen《One Polluted Page Is Enough》（arXiv Comments 标注 EMNLP 2026 Findings）：「Across 12 commercial and open-weights LLMs, all models are vulnerable: a single polluted page yields fooled rates of up to 27%, while the full top-3 replacement raises this to 73.8%」；「Reasoning does not mitigate this vulnerability; instead, it often generates spurious social proof」；「credibility re-ranking helps every model but removes only a sixth of the fakes」。正文表 3 里 73.8 是被骗率最高的 Ministral-3R 一行。本地改写检索页的受控实验。 原文
Bevendorff、Wiegmann、Potthast、Stein，ECIR 2024：一年监测 Google、必应、DuckDuckGo 上 7392 个商品评测查询，三家文本质量整体下滑，排名越靠前优化越狠；「Google's updates in particular are having a noticeable, yet mostly short-lived, effect」；同时「the Google results seem to have improved to some extent since the start of our experiment in terms of the amount of affiliate spam」。英文，2022–2023 年数据，传统搜索。 原文
Google 垃圾内容政策（2026-08-28 更新）：垃圾内容包括「attempting to manipulate generative AI responses in Google Search」；「Scaled content abuse is when many pages are generated for the primary purpose of manipulating search rankings and not helping users.」 原文
必应站长指南「提示注入与 AI 操纵」一节：「Attempts to add content designed to manipulate or interfere with language models used by Bing or Copilot may result in reduced visibility or removal from search experiences.」 原文
中央网信办部署「清朗·整治AI应用乱象」（2026-04-30）：「通过篡改训练语料、伪造权威数据、使用GEO（生成式搜索引擎优化）技术恶意营销等方式实施AI数据投毒」；「在模型生成回答过程中，对引用信源缺乏交叉验证和风险提示机制，未标注引用信息链接」。 原文
中央网信办专项行动通报（2026-09-02）：「豆包、元宝、千问、文心一言等平台严把原始语料内容审核关，严格限制违规内容输出」。 原文
红星资本局 2026-03-15 调查（搜狐转载页）：2025 年 10 月咨询多名 GEO 商家；「有商家报价一年6600元，称可以让公司基本出现在AI回答前3的位置」；DeepSeek 联网搜索下复刻，一家装修公司「出现在推荐列表第一位」，「如果仅选择深度思考模式，回答则没有提及该公司」；「豆包、Kimi都在回答中首先提及该装修公司。元宝、通义千问则没有显示」；业内人士说客户需求之一是「矫正被污染的品牌信息，这种情况可能是因为被竞争对手"投毒"了」。只有一个案例，没有投放前后对照；报价是卖方自述。 原文
Raghavan（麻省理工学院），arXiv 2412.08610：「When producers compete with one another (e.g., for customers or attention), they are incentivized to create novel or unique content」；「homogenization due to generative AI is unlikely to persist in competitive markets」。纯模型加文字游戏验证，假设跟别人一样会降低自己的收益、竞争者足够多。 原文
大家也这样问
- 同行都在做GEO，我不做会吃亏吗？
- 大家都去优化AI，AI的回答会不会越来越不靠谱？
- 做GEO的人多了，AI推荐出来会不会都一个样？