截至 11 月 8 日的公开信息，蚂蚁集团旗下 AI 助手灵光公布数据：灵光 2.0 于 10 月 27 日上线，一周内帮助用户管理超 116 万项事务、执行超 360 万次任务，用户突破 2000 万；截至 11 月 3 日已连接支付宝、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，并依托独立云主机在用户退出对话后继续运行任务。对做 AI 搜索可见度的人来说，这不是一条产品新闻，而是一个新的问题场景：当用户把“帮我安排”交给 AI，品牌被看见的方式从“出现在回答里”变成“被写进执行路径里”。
从回答问题到替我办事 入口换了
问答型 AI 的产出是一段文字，品牌要想被看见，就得让模型在回答里提到自己；事务型 AI 的产出是一串动作，品牌要想被选中，就得进入它可调用的服务清单。两者的优化对象不同：前者优化语料与信源，后者优化接口与可执行性。灵光一周执行 360 万次任务，说明用户已经不满足于“告诉我”，而是要“替我做”，这意味着品牌在 AI 里的可见度，正在从内容层迁移到服务层。电商派报道
40 项连接器意味着什么
连接器是事务型 AI 的供给边界。接入支付、办公、出行、邮箱与餐饮之后，AI 能处理的事务从信息整理扩展到跨平台工作流；对品牌来说，能不能被调用，取决于是否在连接器清单里、接口是否稳定、返回结果是否结构化。没有接入的品牌，即使语料里被频繁提到，也无法在“帮我订一份午餐”这类任务里被选中，这是与传统 SEO 完全不同的门槛。
可见度的口径要跟着改
传统 GEO 监测的核心指标是提及率、推荐位次、引用来源与描述偏差。放到事务型场景里，前两个要改写成“被调用率”与“出现在候选清单的位次”，引用来源则变成“调用依据”，例如用户偏好、历史订单、价格条件。描述偏差仍然重要，因为任务执行前 AI 往往会给出一句解释，这句话会直接影响用户是否确认执行。
可观测性决定了能优化什么
更麻烦的是可观测性。问答型 AI 的回答是可见的，事务型 AI 的执行路径往往折叠在后台，用户只看到结果。品牌如果只监测最终回答，就会漏掉中间的候选筛选过程。可行的方法是构造任务型问题集，例如“帮我订一份工作日午餐”“安排一次三人会议”，观察品牌是否出现在候选里、以什么理由被推荐、被排除时的替代者是谁。| 入口类型 | 用户行为 | 可见度抓手 |
|---|---|---|
| 问答型 | 提问并阅读回答 | 语料覆盖与引用信源 |
| 事务型 | 下达任务等待执行 | 连接器接入与结构化接口 |
| 混合型 | 先问再办 | 回答解释与候选清单 |
这张表的意义是把“可见度”拆成三种不同的竞争。问答型看谁被写到，事务型看谁被调用，混合型看谁在解释环节被信任。多数品牌目前只覆盖第一种，第二种几乎没有投入，第三种则完全没有监测。随着事务型入口的用户规模上升，这个缺口会变成结构性的劣势。
2000 万用户之后 问题库要重写
问题库不能只写“某品牌怎么样”，要写“某任务怎么做”。任务型问题的特点是包含约束条件：时间、预算、人数、地点、偏好。品牌能否被选中，取决于它能否满足这些约束，而不是文案写得多好。所以问题库的设计应当从约束出发，例如“30 元以内的午餐”“三人会议室”“两小时内送达”，每个约束组合都是一条独立的测试用例。
抽样方法也要调整。问答型场景可以人工逐条提问，事务型场景需要模拟真实任务流程，观察候选生成与执行结果。这意味着监测成本更高，但信息量也更大：你不仅知道品牌有没有被提到，还知道它在什么条件下会被排除。对品牌来说，后者才是可行动的洞察。
证据边界必须说清楚。AI 的任务执行涉及用户授权、第三方接口与实时数据，同一任务在不同账号、不同时间的结果可能完全不同。单次抽样不能作为结论，必须固定账号类型、固定时间窗口、保留原始截图，才能比较优化前后的变化。这一点在事务型 GEO 里比问答型更严格，因为变量更多。
常见问题
事务型 AI 会取代问答型 AI 吗？
不会，两者解决不同需求。问答型负责解释与比较，事务型负责执行；用户往往先问再办。品牌需要同时覆盖两种场景，只做其中一种会出现结构性缺口。
品牌在 AI 任务里被调用，需要做什么准备？
核心是接口与结构化数据：能否被接入、返回结果是否可解析、库存与价格是否实时。语料层面的曝光不能替代可执行性，这是与 SEO 最大的差别。
事务型场景的可见度怎么量化？
用被调用率、候选位次、推荐理由与排除原因四项。与提及率相比，这组指标更贴近生意结果，但需要模拟真实任务流程，抽样成本更高。
为什么单次抽样不能下结论？
因为任务执行受账号授权、第三方接口与实时数据影响，变量远多于问答场景。必须固定账号与时间窗口并保留原始记录，才能比较优化前后的差异。
