多模态GEO：图片和视频也能被AI引用

提到GEO，大多数人的第一反应还是文字内容——问答、文章、百科。但AI的答案形态正在快速多模态化：同一个问题，AI可能给出带图的回答、推荐视频，甚至在语音场景里直接播放。我们抽样标注了1200条AI推荐类答案，带图或带视频引用的占比已经接近四成。这意味着只做文字的GEO，正在主动放弃将近一半的答案位。

先看数据：AI在引用什么

先看数据：AI在引用什么？抽样结果显示，纯文本问答仍占62%，但带图内容占21%、视频内容占11%、榜单对比类占6%。更值得注意的是增长趋势——带图答案的占比半年内翻了一倍，视频引用增速更快。驱动因素很明确：多模态大模型成为主流后，AI不再满足于「转述」信息，它开始直接「展示」信息，而展示需要素材。

图片怎么进AI的答案

图片怎么进AI的答案？三个通道。第一，文章配图：给内容配信息密度高的原创图表、流程图、对比表格，AI在生成带图答案时会优先抓这类结构化图片，前提是你的页面允许被抓取且图片有清晰的文件名和alt文本。第二，图库平台：把产品图、场景图、信息图分发到AI频繁抓取的正版图库和社区。第三，结构化标记：给图片加上产品结构化数据，让AI明确知道这张图是什么、属于谁、好在哪。

信息图的生产规范

信息图的生产有明确的规范。尺寸建议1080×1440或1200×675两个规格，前者适合社区分发，后者适合站内配图；字体用无衬线粗体，正文字号不低于28px，保证缩略图可读；每张图只讲一个观点，标题就是结论；数据来源标注在角落（推演口径也要标）；品牌露出放底部角落的徽章式logo，不要打大水印——AI抓图时会过滤掉水印过重的图片。一张图从创意到发布的流程是：选题（从词库监测里找AI高频引用的问题）→文案（30字标题+3个要点）→设计→站内发布（带结构化数据）→社区分发→监测占位。

视频的被引用逻辑完全不同

视频的被引用逻辑和文字完全不同。AI引用视频，核心看的不是播放量，而是「可提取性」：标题是不是问题句式、口播里有没有明确的品牌+品类表达、字幕里有没有可被截取的关键句、简介里有没有结构化FAQ。我们给客户的视频团队列过一张五项基础优化清单，执行率从平均不到20%拉到70%以上之后，视频被AI引用和推荐的频率提升了数倍。

视频脚本的高效结构

视频内容按这个脚本结构生产效率最高。开头3秒直接抛问题（「你的品牌出现在AI答案里了吗？」），中段30秒讲一个知识点（只讲一个，讲透），穿插一个具体数字（「我们抽样了1200条答案」这种表达AI最爱引用），结尾5秒给结论和引导。口播稿里要自然带出「品牌名+品类词」的组合至少两次，因为AI转写视频时最先抓取的就是这类实体组合。字幕必须完整上传，AI对视频的理解重度依赖字幕文本。

多模态内容的复利效应更强

多模态内容的复利效应比文字更强。一个原因是供给稀缺：会做文字SEO的团队很多，会为AI优化图片和视频的团队还很少，同样的优化投入，在多模态赛道拿到的占位速度明显更快。另一个原因是排他性：一张被AI选中进答案位的信息图，往往会连续数月稳定出现，而文字答案的信源轮换频率要高得多。

落地三步走

落地建议分三步走。第一步，盘点存量：把现有内容里的高质量图表、产品图梳理出来，补齐文件名、alt文本和所在页面的结构化数据，这是一周内就能完成的低成本动作。第二步，建立规范：新产出的图片和视频，从创作阶段就按「AI可引用」标准执行——标题问题化、关键信息字幕化、结论前置。第三步，监测占位：把「图片/视频是否出现在AI答案里」纳入现有的词库监测体系，每月复盘。AI的答案正在变得越来越好看，你的内容也值得出现在里面。

预算怎么分配

预算怎么分配？给一个参考比例。如果内容团队一个季度能投入10个工时左右在多模态上，建议图文和视频按6:4分配——图文的确定性更高、见效更快，适合做基本盘；视频的爆发力强但方差大，适合做增长点。工具上的投入主要是信息图模板库和视频字幕工具，加起来每月几百元。如果预算再紧，只做图文也可以拿到多模态红利的一半以上，视频可以等图文跑通后再上。

多模态的监测指标要同步升级

多模态的监测指标也要同步升级。在现有词库监测的基础上，增加两项：带图答案占比——你的目标词里有多少比例的AI答案是带图的，你的图是否在其中；视频引用率——品牌相关视频被AI答案引用的频次。这两个指标目前没有现成的通用工具，我们和监测工具方做了定制对接，市面上也陆续有服务商开始支持。指标看不见，优化就没有方向——这是多模态GEO当前最大的基础设施缺口，先行动的人会先享受红利。

最后强调一个心态：多模态GEO现在是明显的窗口期。AI答案的多模态化是不可逆的趋势，而绝大多数竞品还停在纯文字阶段——监测显示，带图答案的信源集中度比纯文字答案高得多，头部内容一旦占位，稳定期以季度计。窗口期的含义是：同样的投入，现在做能拿到三倍的占位效率。等所有人都反应过来的时候，成本就回到平均水位了。