截至 11 月 6 日的公开信息，蚂蚁集团旗下 AI 助手灵光公布：自 10 月 27 日灵光 2.0 上线，一周内已帮助用户管理超过 116 万项事务、执行超过 360 万次任务，用户规模突破 2000 万；截至 11 月 3 日，灵光已连接支付宝、钉钉、飞书、微信读书、哈啰出行、邮箱、麦当劳等 40 项外部连接器。对做 AI 搜索可见度的品牌团队来说，这组数字值得关注的地方不是用户量，而是入口形态：当助手从「回答问题」变成「代为处理事务」，品牌被看见的位置就从一段回答，扩展到了一串被执行的动作里。
2000万用户背后是入口形态变了
灵光 2.0 推出的「帮我管」功能，在获得用户授权后会结合已接入的信息与服务，主动识别潜在需求并发起分析、监测与跟进，在需要关注的节点提醒用户。依托独立云主机，它可以在用户退出对话后继续运行任务，并随新信息动态跟进。
这意味着交互不再是一次问答，而是一段持续的过程。品牌在 AI 回答里被提到一次，可能只影响一次决策；但如果品牌的某项服务被写进了用户的待办流，它会在一周内被反复触达。对 GEO 监测来说，这是一个口径问题：过去的可见度统计以单次回答为单位，现在需要把连续任务里的多次出现也计入。
从任务执行者到事务管理者
「事务管理者」这个定位改变了内容被调用的方式。用户问「周末带娃去哪吃饭」，助手不一定输出一段推荐，而是直接建一个待办、查天气、比距离、订位。品牌若只在网页上做过 SEO，没有可被结构化调用的门店信息与营业状态，就很难进入这条链路。
40项连接器改写了信源结构
连接器清单本身就是一份信源地图。支付宝、钉钉、飞书、微信读书、哈啰出行、邮箱、麦当劳，覆盖支付、办公、阅读、出行与餐饮。当助手在这些服务之间调度信息时，它引用的内容优先来自连接器提供的数据接口，而不是公开网页。
这对品牌的直接影响是：能被 AI 回答引用的内容，正在从「网页文章」扩展到「结构化的服务数据」。门店地址、营业时间、库存状态、可预约时段，这些字段过去只是官网的附属信息，现在成了 AI 回答的事实底座。做引用来源分析时，如果只统计网页域名，会漏掉这一整类数据源。
品牌可见度要盯的四个量
| 指标 | 口径 | 观察周期 |
|---|---|---|
| 品牌提及率 | 同组问题中提及品牌的回答占比 | 每周 |
| 推荐位次 | 品牌在回答推荐顺序中的平均位置 | 每周 |
| 引用来源占比 | 回答引用的信源中自有内容的比例 | 每两周 |
| 竞品占位 | 同组问题中竞品与品牌同现的比例 | 每周 |
四个量里，推荐位次最容易被忽略也最影响转化。用户看到第一个被推荐的名字和看到第五个，行为差别很大；而位次的变化往往不伴随提及率的变化，只看提及率会漏掉排名下滑。
引用来源占比则反映内容的可被引用程度。品牌自有内容占比低，说明 AI 回答的事实主要来自第三方媒体或平台页面，一旦第三方内容更新滞后，回答里的品牌描述就会失真。这也是 GEO 优化里最需要长期投入的一项。
问题库怎么跟着事务场景扩
传统问题库按品类和购买阶段搭建，比如「什么牌子的跑鞋适合入门」。事务型助手的出现要求问题库补上一层场景维度：用户在什么时间、什么地点、因为什么事需要这个品类。同一个品牌，在「周末遛娃」和「通勤减负」两个场景下被提及的概率可能完全不同。
场景维度的问题库还有一个好处，它能暴露竞品占位的具体位置。竞品不是在所有场景里都强，往往集中在少数高频场景上。把这些场景找出来，优化动作就有明确的落点，而不是泛泛地提高内容产量。
证据边界在哪里
需要说清楚的是，助手侧的运行数据并不对外公开。品牌能观测到的是自己在各类问题下的回答表现，看不到平台内部的调度逻辑，也无法确认某次提及是由哪条数据触发的。因此可见度分析只能给出相关性的观察，不能断言因果。把观察结果当成优化依据是合理的，把它当成平台规则的复现则会误导决策。
常见问题
灵光的用户增长和品牌GEO有什么关系？
关系在入口。助手用户越多，通过 AI 回答和事务流触达消费者的场景就越多，品牌在 AI 回答中的提及与推荐位次会直接影响曝光。用户规模是这条链路的上限。
连接器接入后，引用来源怎么统计？
需要把结构化服务数据也纳入信源范围。除了网页域名，还要记录门店信息、库存状态、预约时段这类接口数据的来源，否则引用来源占比会被低估。
GEO和传统SEO的差别在哪？
SEO 争的是搜索结果页的排名位置，GEO 争的是 AI 回答里被提及、被推荐、被引用的机会。前者以链接为单位，后者以回答为单位，优化对象和衡量指标都不同。
优化后多久能看到可见度变化？
取决于信源更新速度。自有内容被重新抓取通常需要数周，第三方媒体与平台页面的更新更慢。建议以四周为一个观察周期，同时看提及率与引用来源占比两项。
