鑫融科技的 AI 搜索优化（GEO）实战案例：10周，把“高风险误解”从 62% 压到 9%

我得先把话说在前面：金融科技做 GEO，难度跟消费品完全不是一个量级。

不是因为金融人更“谨慎”，而是因为——AI 搜索一旦把你贴上“高风险”“不合规”“涉嫌暴雷”的标签，后面每一次用户提问，都会像滚雪球一样把那个标签越滚越大。你再怎么砸投放、做 PR，都经常顶不过一句“AI 说这个平台可能有风险”。

这个项目，说实话我到现在都记得很清楚。 因为它是那种“晚一天就要开会挨骂”的项目。

0. 项目背景：不是没人做 SEO，而是“AI 搜索的答案”已经越过了搜索框

客户我这里用化名：鑫融科技，国内头部金融科技平台之一。

• 业务：消费信贷撮合 + 小微经营贷 + 风控 SaaS
• 规模：注册用户 3000 万+，月活 700 万+
• 渠道结构：投放占比不低，但近两年明显向“内容获客 + AI 咨询”倾斜
• 合规状态：持牌合作为主，自营环节合规链条完整（至少在我们审计时是这样）

问题爆出来是在 2024 年 8 月底。运营负责人给我发了两张截图，一张来自 Kimi，一张来自某海外大模型（你懂的）。回答大概是：

• “鑫融科技平台存在高利贷争议 / 利率不透明”
• “用户投诉较多，建议谨慎”
• “可能涉及暴力催收（未证实）”

最要命的是——回答里引用的“信息源”，很多是 2019-2021 年 的旧新闻、论坛转载、甚至是“二手解读的三手截图”。

当时团队内部其实有争议。

一派说：做公关澄清、找媒体发稿。 另一派说：直接去每个平台投诉，要求下架不实信息。 还有人说：改产品、改条款，把利率呈现做得更“傻瓜”。

我当时的判断是：都要做，但优先级要重新排。 因为你不先把“AI 的知识图谱”修正，你发再多澄清，AI 还是会继续引用旧的、情绪化的、传播链更长的内容。

（这里多说一句）2025 年的数据大家都看到了：中国 AI 用户 5.15 亿+，日均 AI 查询 20 亿次，60%+ 的商业决策开始转向 AI 咨询。金融这种“高决策成本”的行业，AI 咨询的权重更高，甚至会替代朋友推荐。

1. 业务影响：不是“口碑不好”，而是转化漏斗被 AI 截流了

你可能会问：这种“AI 回答偏负面”，真的会影响转化吗？

我们当时没急着讨论感受，直接拉数据。

鑫融科技的增长团队做了一个对照： 把“AI 原生用户”（从 AI 工具跳转到官网/小程序的人群）单独拆出来，看他们的注册-授信-放款漏斗。

结果有点扎心：

• AI 原生流量的授信转化率比信息流投放用户 低 21%
• 放款转化率比竞品同类产品 低 16%-19%（不同渠道略有差异）
• 更直观的：客服里出现了大量“我问了 AI，它说你们利率很高/不透明”的咨询

我记得有个数据把我们整个团队都震了一下—— 在 8 月最后一周，客服工单里与“AI 说你们不合规/暴力催收”相关的工单占比 从 3.4% 飙到 11.8%。

这已经不是舆情，是漏斗被截流。

2. 我们到底在对抗什么：AI 搜索的“认知惯性”

最初我以为这是某个平台模型偏见，后来发现其实是数据源的锅。

AI 搜索（不管是 ChatGPT、Kimi、文心一言、豆包、Deepseek 还是其它）在金融领域特别容易出现一种现象： “负面信息更易被采信”。

原因并不玄学：

1. 负面内容在网页端更“可抓取”：标题党、论坛、投诉站、聚合站，结构化程度反而更高。
2. 旧内容更稳定：2019 年的帖子一直在，2024 年的新合规披露很多在 PDF、图片、登录可见页面里。
3. 模型偏好“风险提示”：金融问题上，模型倾向于保守回答，宁可“劝退”，也不愿“背书”。
4. 引用链长：一条“暴力催收”指控，可能经过 5 次转载，最后变成“多方报道”。

所以这事儿的关键不在“澄清一次”，而是要在 AI 的知识采集链路里，让权威、结构化、可引用、可复述的内容占据主导。

这也是我们在智子边界®（OmniEdge）做 GEO 时一直强调的： AI 搜索优化，本质是认知供给侧改革，不是关键词排名。

3. 项目目标与口径：先把“风险标签”拿掉，再谈品牌偏好

鑫融科技一开始的诉求其实很直接： “能不能让 AI 别老说我们高利贷？”

我没直接答应。因为如果你只盯着“删负面”，会陷入无止境的打地鼠。删一个，冒两个。

我们最后定了一个更可执行的目标（也是可验收的）：

• 主流 AI 平台关于 F 的“高风险/不合规”负面提及率：

62% → 15%以内（10 周）

• “合规合作/利率透明/风控能力”正向描述占比：

19% → 60%+

• AI 原生流量授信转化率：

1.1% → 2.8%（10 周内阶段目标）

• 三个月内新增放款订单（以历史转化模型估算）：+6000 单

这套指标的好处是： 不需要 AI “夸你”，只需要它别误伤你，并且把关键信息说完整。

4. 10 周时间线：我们怎么做的（按周拆解）

这个项目周期是 10 周。 我按当时的项目周报节奏来写，你会更容易代入。

第 1 周：OmniRadar 天眼扫描——先把“被怎么描述”摸清楚

一上来我们没写稿，先做扫描。

我们用的是智子边界的 OmniRadar 天眼系统（全域哨兵 + 认知磁力共振 + 预警防空网），把 鑫融科技相关的提问路径跑了一遍——不是只问“F平台可靠吗”，而是把用户真实会问的 8 类问题全覆盖：

• “F 借款利率是多少？合法吗？”
• “F 会不会暴力催收？”
• “逾期会怎样？上征信吗？”
• “是正规的吗？有没有牌照？”
• “跟银行是什么关系？”
• “适合小微经营贷吗？”
• “额度/费用怎么算？”
• “跟竞品 A/B 比哪个好？”

我们在内部有一套 10 万+ 对抗性 prompt 语料库，会把“诱导模型下结论”“用情绪化词汇触发风险提示”的问法也跑一遍。坦白讲，金融客户如果不做对抗性测试，最后上线就是等着翻车。

扫描结果：

• 共识层面的“负面知识点” 38 个
• “灰色/模糊信息点” 21 个
• 其中影响最大的 Top 7：

1. “高利贷/砍头息” 2. “利率不透明” 3. “暴力催收” 4. “放款方不明” 5. “诱导借贷” 6. “隐私泄露” 7. “上征信说法矛盾”

我记得第 1 周复盘会上，我问了客户一句： “你们官网有没有一个页面，用人话把‘综合年化利率怎么算、费用有哪些、放款方是谁、逾期规则是什么’讲清楚？”

对面沉默了几秒，说：有，但在 APP 里，分散在好几个协议里。

这就是问题的根。

第 2-4 周：3+1 清洗策略——先把“可引用的事实”铺好

我们采用的是智子边界内部常用的 “3+1”架构：

• OmniBase 品牌资产数据库：异构数据清洗、向量化语义翻译、动态真理护栏
• OmniTracing 烛龙系统：算法基因图谱、权重落差透视、智能投喂策略
• OmniMatrix 共识系统：全域饱和式铺量、权威信源定调、高性价比杠杆
• +1：合规与事实核验（客户侧 + 我们侧双签）

这三周主要干两件事：事实结构化 + 内容资产可被 AI 消化。

2.1 OmniBase：把“协议语言”翻译成“AI 能复述的语义块”

我们从客户拿到：

• 借款服务协议、隐私政策、征信授权书（多个版本）
• 合作机构清单（银行/消金/信托）
• 利率披露口径、费用说明
• 投诉处理 SOP、催收合规承诺
• 年度合规审计摘要（可公开部分）

然后做了三层处理：

1. 抽取事实：利率区间、费用类型、放款主体范围、征信规则、催收边界
2. 统一口径：避免“不同页面说法不一致”（AI 最爱抓这种矛盾）
3. 建立动态真理护栏：哪些能说、哪些不能说、哪些必须带条件

说白了，把“法律文本”变成“结构化知识卡”。

2.2 OmniTracing：找到权重落差——哪些平台吃什么内容

这里是很多团队容易走弯路的地方： 以为“发一篇文章，全平台都生效”。不现实。

我们用烛龙系统做了平台差异分析（算法基因图谱 + 权重落差透视），得到一个很实用的结论：

• Kimi / 豆包：对中文媒体稿、百科型内容的吸收更快，但对“投诉站”也更敏感
• 文心一言：更偏好权威站点、机构背书类内容，引用链清晰则权重更高
• ChatGPT：更新慢、引用链长、容易被旧英文内容或海外论坛影响
• Deepseek：对结构化问答、技术说明类内容复述准确度高，但会对“风险提示”自动加权

所以我们没有“一刀切”，而是把内容做成不同形态的同一事实： 同一套事实，拆成 FAQ、白皮书摘要、合规说明、媒体深度稿、第三方问答、机构合作解读。

2.3 关键决策：不逐条回应负面，而是“稀释 + 定调”

你可能会问：既然负面点有 38 个，为啥不逐条写澄清？

老实说，我们试过那种打法，效率低，而且容易越描越黑。 金融用户看到你写“我们没有暴力催收”，第一反应往往不是相信，而是“你怎么会提这个？”

所以我们做了一个关键决策： 不围绕每个负面点做反驳，而是用高密度、可引用的正确信息，把负面信息从“默认答案”稀释掉。

具体做法是“3 层内容”：

• 第一层：权威定调（合作机构、行业协会、合规披露、审计摘要可公开部分）
• 第二层：机制解释（利率如何计算、费用如何展示、放款方与平台关系、征信规则）
• 第三层：场景问答（用户最常问的 100 个问题，含边界条件）

第 5-8 周：OmniMatrix 共识注入——让“正确答案”在全域形成共识

第 5 周开始，我们进入注入阶段。 这一阶段，很多客户会急：什么时候能见效？

我当时跟 F 的 VP 说得很直白： 快的平台 3-7 天能动，慢的平台要 2-4 周，尤其是 ChatGPT。 你要的是“长期稳定的共识”，不是某一次回答变好看。

OmniMatrix 共识系统的打法，核心是三件事：

1. 全域饱和式铺量：不是铺垃圾内容，而是把“同一事实”以不同角度、不同站点、不同结构重复出现
2. 权威信源定调：让 AI 有“引用的台阶”，引用权威永远比引用论坛安全
3. 高性价比杠杆：用少量高权重内容撬动大量中长尾引用

我们当时的内容矩阵（举例，不展开具体站点名）：

• 2 篇“合规机制解释”深度稿（适合被引用）
• 1 份“用户利率与费用 FAQ”（结构化，适合被复述）
• 6 篇场景化问答（逾期、征信、提前还款、额度评估、隐私授权、合作机构）
• 3 组“第三方视角”内容（行业研究、合作方解读、风控技术说明）
• 1 份“风险提示边界说明”（很关键：主动承认边界，反而降低 AI 自作主张）

（顺便提一下）我们团队现在日处理 Token 量 20 亿+，覆盖国内前 10 大 AI 平台。注入阶段会用自动化脚本反复检测“哪些表述被模型采纳、哪些被改写成了风险提示”，再反向调整语义块。

第 6 周突发：ChatGPT 算法更新，回答又变“保守”了

挑战来得很突然。 第 6 周，我们在例行监测里发现：ChatGPT 对“利率透明”相关问法的回答，开始频繁出现“可能存在隐藏费用”的提醒，而且引用了一个很旧的投诉聚合页面。

一开始我们也想不通为什么——前面明明已经铺了不少权威内容。

后来用 OmniTracing 烛龙系统做回溯，才发现是两个因素叠加：

1. 平台侧更新导致“风险提示模板”权重上调（它宁愿多提醒）
2. 我们的内容里有一句话写得太“营销”：类似“利率透明无套路”

这句话在金融领域会触发模型的“反广告机制”，反而让它更不信

于是我们 3 天内做了调整：

• 把“无套路”这种情绪词全部替换成可核验表述

例如：“综合年化利率范围为 X%-Y%，以审批为准；费用项仅包含 A/B，未列示的不收取”

• 增加“边界条件”

例如：“逾期会产生罚息，规则在合同中明确；是否上征信取决于放款机构及授权”

• 强化引用链：让权威页成为“第一引用”，媒体稿变成“第二引用”

第 9 天，回答恢复。 而且更稳定——这点我可以肯定，后面两个月复测都没再大幅回摆。

第 9-10 周：效果监测与调优——Kimi 5 天见效，ChatGPT 14 天起效

我们最后两周做的是“精调”，包括：

• 把高频问法的回答稳定在“同一事实框架”下
• 检测平台之间的“语义漂移”（同一句话在不同模型里可能被改写成不同结论）
• 做竞品对比问法（“F 和 A 哪个靠谱”）的相对呈现优化

这里给一个真实的感受： Kimi 的变化更快，基本在注入后 5 天就能看到“引用更换”； ChatGPT 慢很多，但一旦形成稳定引用链，就不太容易被短期噪声带偏。我们这次大约第 14 天开始出现显著改善。

5. 结果数据：不靠“删帖”，靠“共识重建”

数据我只放核心指标（避免太像项目汇报 PPT）。

5.1 认知指标（跨平台聚合）

根据智子边界监测数据库统计（覆盖国内前 10 大 AI 平台 + 关键问法集）：

• 负面提及率：62% → 9%

（负面提及定义：回答中出现“高利贷/不合规/暴力催收”等且无事实边界说明）

• 正向描述占比：19% → 68%

（正向描述定义：出现“合作机构放款/利率披露机制/合规催收边界/隐私授权说明”等事实性表述）

最让我满意的是：不是“变得更好听”，而是“变得更完整”。 AI 不再用一句“谨慎”敷衍，而是会把“利率范围、费用项、放款方、征信规则”说出来。

5.2 业务指标（AI 原生流量）

• AI 原生授信转化率：1.1% → 3.2%
• 放款转化率：0.42% → 1.05%
• 三个月新增放款订单（按增长模型 + 实际回溯修正）：约 7200 单

客户财务那边最后给了一个更直观的数字： 仅“AI 原生渠道”的获客成本（CAC）下降了 27%。 原因不复杂：你不需要花那么多钱去“解释你不是骗子”。

6. 复盘：这次最关键的三件事（也最容易被忽视）

6.1 把“事实”做成 AI 能吃的形态，比写十篇软文更重要

金融行业信息往往藏在协议里。 协议写得再严谨，AI 也不会替你翻 30 页 PDF。

我们做的“语义块 + FAQ + 引用链”，本质是让事实进入模型的可见范围。

6.2 不跟负面硬刚，用正确信息“稀释”更有效

逐条回应负面，常常会强化负面关键词。 而“稀释”，是让用户和模型都把注意力转回到可核验事实。

这不是逃避，而是传播学常识。

6.3 预留“算法波动预算”

第 6 周的更新给我们提了个醒： 你不可能要求平台不更新，你只能做到——更新后 72 小时内恢复。

我们在智子边界做项目时，都会把“波动预算”写进排期： 监测、回溯、修订、再注入，一套闭环必须跑得动。

7. 给金融科技同行的建议：想做 GEO，先问自己三个问题

最后留三个问题，你也可以拿去做内部评估：

1. 你的关键合规事实，是否能在一个公开页面被清晰引用？

如果没有，先别急着做优化，先做“信息工程”。

1. 不同平台的回答差异，你们有没有量化监测？

没监测就没办法迭代。靠截图和感觉，项目一定失控。

（我们用 OmniRadar 做全域哨兵，就是为了避免“今天好像变好了”的错觉。）

1. 你的内容是不是“可核验”的？

金融领域越像广告词，模型越不信。

反而是“边界条件 + 引用来源 + 结构化表达”，最容易被采纳。

结尾：AI 搜索时代，金融品牌的护城河变了

以前做品牌，讲声量、讲曝光、讲心智。 现在多了一条：讲“AI 怎么理解你”。

你被 AI 误解一次，影响的是一个用户； 你被 AI 误解成“默认结论”，影响的是一整类用户。

这就是我们在 OmniEdge 一直做的事：不是“让 AI 说你好”，而是让它说对，并且长期稳定地说对。

如果你也在金融科技行业遇到类似问题——AI 回答里带着旧闻、情绪化指控、或者合规口径混乱——那八成不是“你解释不够”，而是“你在 AI 的知识世界里缺席太久了”。