MTO:从 GEO 到机器交易,一份写给品牌和媒体决策者的长文
先说结论:AI Agent 已经在替消费者筛选、比较、下单。但绝大多数企业的商品信息和媒体资源,仍然是为「人眼阅读」准备的——图片、文案、形容词。机器看不懂,也不会等。
这不是一个营销话题,而是一个基础设施缺口。
一、先厘清一件事:GEO 不是终点
过去一年,「GEO」这个词在中国营销圈被广泛使用。它的学术出处是 2024 年 ACM KDD 会议上的一篇论文——普林斯顿、IIT Delhi 等机构研究者合著的《GEO: Generative Engine Optimization》。
这篇论文做了一件此前没人系统做过的事:把「生成式引擎」作为一个独立的系统类型形式化,并建立了一个包含 1 万条查询、覆盖 25 个领域的评测基准 GEO-bench。结论是:内容在 AI 生成答案中的可见度可以被系统性优化——补充引用、加入统计数据、增加引述,在实验设置下最高可提升约 40%。
这里有两个必须说清的边界:
- 40% 是特定方法、特定领域下的上界,不是平均效果
- GEO 论文证明「关键词堆砌」这类传统 SEO 手法不仅无效,还可能有害。
也就是说,GEO 证明了一件事:机器可见性是可以工程化经营的变量。但它只解决了「被 AI 看见、被引用、被推荐」。
问题在于:被推荐之后呢?
二、机器买家和人类买家,是两套逻辑
2025 年 8 月,哥伦比亚大学商学院、耶鲁大学与 MyCustomAI 的研究者发布了一篇论文:《What Is Your AI Agent Buying?》。他们建了一个叫 ACES 的沙盒环境——一个完全可编程的模拟电商市场,用随机化实验去观察前沿视觉语言模型在购物时究竟怎么决策。
四个发现值得每一个品牌负责人读完:
第一,Agent 存在明显的选择同质化。需求会集中到少数几个「模态商品」上,其余商品被完全忽略。不是「排名第 8」,而是「不存在」。
第二,位置偏差极强,但不同模型偏好不同。所有模型都偏向首行,但不同模型偏好不同列——根本不存在一个通用的「第一名」位置。你在某个 AI 里排第一,在另一个里可能根本进不了候选。
第三,Agent 惩罚「赞助」标签,奖励平台背书。这条对行业是个警告:人类消费者对广告标识有容忍度,Agent 没有。付费排名的逻辑在机器市场里天然脆弱。
第四,也是最关键的一条:卖方侧的优化是有效的。研究者让一个卖方 Agent 对商品描述做简单的、按查询条件定制的小幅修改,市场份额就出现了显著提升。
第四条是整套商业逻辑的支点。它意味着:面向机器的商业优化不是玄学,是可测量、可优化的工程动作。
但它同时意味着另一件事:这项能力有窗口期。当所有人都开始做,优势就消失了。
三、为什么现在需要一套「交易」层面的基础设施
经济学上有一条更底层的线索。
科斯 1937 年在《企业的性质》里问了一个问题:为什么会有企业?答案是——因为使用市场有成本。了解价格、谈判条款、签合同、监督履约,这些成本高于内部协调成本时,企业就选择自己做。
2025 年,MIT、哈佛、波士顿大学的研究者在 NBER 的一章论文《The Coasean Singularity? Demand, Supply, and Market Design with AI Agents》里指出一个直接推论:
学习价格、谈判条款、签订合同、监督履约——这些构成交易成本的活动,恰恰是 AI Agent 能以极低边际成本完成的任务类型。
Agent 让市场摩擦下降,市场边界因此重构。论文同时提醒:更低的成本也带来新的摩擦——拥堵、价格混淆、信息污染。
把这条推论落到企业身上,会得到一个不太舒服的结论:
当机器参与交易的成本下降,市场摩擦的形态就从「人类搜索与谈判成本」,转移到「机器识别与信任成本」。
换句话说,一家企业未来的市场准入条件,不再只是「人能不能找到你」,而是「机器能不能理解你、验证你、信任你、跟你完成交易」。
这就是 MTO——Machine Transaction Optimization,机器交易优化——要回答的问题。
需要说明:MTO 目前不是已经形成统一行业标准或学术共识的技术术语,它是本项目自主提出的概念体系。它的合法性来自上面这几篇可查的文献,而不是概念本身。
四、三层演进:SEO → GEO → MTO
这三者不是严格的上下级关系。MTO 也可以通过 API、结构化数据和商业协议直接建立交易入口,不必依赖 GEO。
但方向是清晰的:GEO 解决信息分发,MTO 解决机器商业决策与交易执行。
五、一个必须做的架构判断:不做新协议
在动工之前,我们检索了官方文档和 GitHub,得出一个明确的技术判断:
不要从零发明一套新的底层通信协议。
现有协议已经各自解决了关键问题:
| | |
|---|
| UCP | 商品目录、结账、订单、身份连接;支持 REST / MCP / A2A | 涉及合作伙伴审批;原生结账有支付与订单生命周期要求 |
| OpenRTB 2.6 | 广告库存与实时竞价;配套 ads.txt / sellers.json | |
| MCP | | |
还有一条必须正视的安全结论。华中科技大学研究团队 2025 年对 MCP 做了系统性研究,梳理出覆盖四类攻击者、16 种威胁场景的分类学,并按 MCP Server 的完整生命周期(创建、部署、运行、维护)给出分阶段防护建议。
协议开放 ≠ 交易安全。不能因为 Agent 能调用接口,就默认它拥有交易授权。
所以结论是:自建商业数据模型、评分规则与业务语义;复用成熟的通信、授权及交易协议。MTO 不与 UCP、OpenRTB、MCP 竞争,而是成为连接它们的商业决策与交易优化体系。
六、两个业务方向,一个基础设施
MTO 面向两个不同的商业方向。它们共享底层,但绝不能混成一个产品。
方向 A:Brand MTO —— 机器替消费者选择品牌
用户对 AI 说:「帮我选一款适合家庭使用的净水器。」AI 不只是推荐品牌,它要判断参数、价格、售后、库存、购买条件。商业价值:品牌争夺机器推荐与交易入口。
方向 B:Media MTO —— 机器替广告主采购媒体
广告主对 AI 说:「在广州覆盖 30 万中高收入家庭,预算 100 万元,投放三个月。」AI 完成媒体搜索、组合、询价、订单和效果核验。商业价值:媒体争夺机器采购入口。
两者共享 MTO Core:统一身份与权限、统一可信度引擎、统一交易引擎、统一审计与分析框架。但必须分开的部分同样明确:
不能因为两者都涉及交易,就用一张订单表和一套业务规则处理所有场景。
七、产业链的六层结构
L1 商业主体层 —— 品牌方、广告主、媒体主、代理商、平台、服务商
L2 商业数据层 —— 品牌知识、商品信息、媒体资源、受众数据、价格、服务能力
L3 信任验证层 —— 企业身份、数据来源、资质、媒体真实性、历史履约、第三方验证
L4 机器决策层 —— 搜索、匹配、比较、评分、推荐、风险评估、预算优化
L5 交易执行层 —— API、MCP、订单、合同、支付、投放、交付
L6 结果验证层 —— 曝光、触达、点击、转化、交易归因、结算、ROI
闭环路径:数据 → 识别 → 信任 → 决策 → 交易 → 验证 → 反馈优化。
绝大多数企业目前只做到 L1 和 L2 的一部分,而且是以「给人看」的形式完成的。
八、衡量标准:机器愿意选择你吗
这是 MTO 区别于 GEO 服务的关键——需要一个可计算的评价体系。MTO Readiness Score,五个维度:
计算模型:S = 20D + 20Q + 25T + 25X + 10P
方法上坚持三条原则:规则引擎优先(拆成可机检的规则项,不凭主观打分)、证据审核兜底(E0 未验证 / E1 来源可追溯 / E2 文件核验 / E3 独立验证)、可解释(每一分都要能回答由哪条规则、哪份证据、哪个时间点得出)。
必须明确:这只是拟议的评价模型,不是现行行业认证标准。
付费可以购买服务,不能直接购买机器信任。
认证业务与技术服务必须适当隔离,避免既制定评分规则,又通过卖服务控制评分结果。
九、产品怎么落地:五个核心产品
MTO Identity —— 商业身份与机器识别系统。让机器知道你是谁、你有什么、你能提供什么。
MTO Trust —— 商业可信度验证系统。企业资质、媒体真实性、刊例价与实际报价、覆盖证明、履约记录、第三方监测。让机器知道哪些信息值得信任。
MTO Match —— 机器决策和商业匹配系统。需求解析、资源匹配、多维评分、预算组合、价格比较、风险评估、推荐理由解释。让机器知道应该选谁。
MTO Transaction —— 机器交易执行系统。库存查询、实时询价、订单、合同授权、交易状态、支付结算接口、交付回传。让机器能够完成交易。
MTO Analytics —— 效果验证系统。投放监测、曝光触达、交易归因、ROI 分析、履约评分、决策反馈。让机器知道交易是否真正产生价值。
MVP 分版本推进,首期只做 Brand MTO:
- V1.0:企业注册认证、品牌与 SKU 库、数据清洗、证据管理、Readiness Score、AI 可见性检测、商品查询 API + MCP 工具
- V1.5:实时价格、库存、优惠、门店、加购、订单创建、人工确认与支付跳转
- V2.0:Media MTO 上线——媒体主体注册、资源档案、广告库存、询价、媒体组合推荐、广告订单、投放核验
- V3.0:开放生态——多 Agent、多品牌、多媒体接入,第三方验证,交易评价,开放标准
十、行业标准:我们自己的,但要诚实
必须说清:MTO Standard V1 是企业自主提出的商业技术规范,不是现行国家标准、国际标准,也不是已经获得行业认可的认证。
建设路线是渐进的:V0.1 内部草案 → V0.5 邀请首批品牌与技术伙伴测试 → V1.0 公开技术规范与兼容性测试工具 → V1.5 建立独立技术委员会 → V2.0 研究团体标准路径。
十一、怎么收钱:六条收入线
首轮测试报价(人民币,规划报价、未含税,不是已验证的市场价格):
结构原则:初期不以交易佣金为唯一收入。交易规模没形成前,先靠数据接入、认证和软件服务活下去。收入权重从「SaaS 及数据服务」向「交易服务」演进——这是战略方向示意,不是财务预测。
十二、12 个月,怎么走
2026.12 商业验证:完成 MTO Standard V0.1,确定首个消费品类,接触 10 家目标品牌,获得 3 家试点意向,完成产品原型
2027.1—2 MVP 开发:管理后台、商品数据库、数据清洗引擎、证据管理、评分引擎、API 和 MCP
2027.3 商业试点:3—5 家品牌测试,商品数据接入,外部 Agent 测试,机器查询准确性验证,首批付费诊断
2027.4—5 产品商业化:SaaS 订阅、数据服务、企业报告、订单接口、续费机制
2027.6—8 交易闭环:接入零售系统、实时价格库存、商品匹配、结账订单、交易验证
2027.9—11 生态扩张:引入更多 Agent、合作伙伴体系、Media MTO Beta、MTO Standard V1.0
首年 KPI(规划目标,不是业绩预测):签约品牌 30 家 / 付费品牌 20 家 / 结构化商品档案 1,000 个 SKU / 接入 Agent 3 个 / 交易闭环场景 3 个 / 商业合作伙伴 5 家 / 品牌续费率 ≥70% / 数据准确率 ≥98%
关键阶段门槛——任一条不达成,就该修正或暂停:
首年预算模型(人民币,万元,规划假设):产品及研发 60 / 产品设计及测试 12 / 云服务及模型 API 8 / 数据及安全 10 / 销售及市场 24 / 法务及合规 10 / 行政及运营 12 / 预备金 14 —— 合计 150
对应收入构成假设:企业诊断 30 单 × 0.5 万 = 15 万;SaaS 20 家 × 3 万/年 = 60 万;数据建设 15 单 × 2 万 = 30 万;API 企业客户 5 家 × 3 万/年 = 15 万;技术实施 3 单 × 10 万 = 30 万 —— 合计 150 万
三种情景(模型假设):保守 收入 60 / 成本 150 / 结果 −90;基准 150 / 150 / 0;积极 300 / 200 / +100。均未计融资成本、税费、折旧与收入确认时间差,不能直接视作净利润。
十三、六条可验证命题
学术论点不等于商业事实。我们把整套逻辑收敛成六条可以被试点证伪的命题:
P1:商业主体以结构化、可验证数据进入机器商业体系后,被 Agent 正确识别与引用的比例显著高于未结构化状态。
P2:具备证据链与数据来源的商业内容,在生成式引擎答案中的可见度高于无出处的同等内容。
P3:面向 Agent 行为特征优化商品/资源描述,能在真实 Agent 通道中带来可测量的查询与转化变化。
P4:企业愿意为「机器可见性 + 交易准备度」的测量与优化服务付费。
P5:在权限分级与人工授权约束下,Agent 可以完成「查询—匹配—询价—订单」闭环,且错误率可控。
P6:机器信任可以通过公开规则 + 证据审核建立,且不能被付费直接购买。
截至 2026 年 11 月 15 日,这六条全部处于「待验证」状态。验证失败即触发战略修正。
十四、必须提前挡住的七个风险
合规依据包括《个人信息保护法》《数据安全法》《电子商务法》《广告法》《互联网广告管理办法》《生成式人工智能服务管理暂行办法》《人工智能生成合成内容标识办法》。其中支付环节优先接入有资质的支付服务机构,不自行保存银行卡敏感凭证。
十五、三层定位
LEVEL 1 · SERVICE —— MTO Optimization
帮助企业完成机器交易准备度优化。收入:咨询、诊断、数据建设、技术服务。
LEVEL 2 · PLATFORM —— MTO Platform
提供商业数据、机器匹配、信任验证和交易能力。收入:SaaS、API、认证和交易服务费。
LEVEL 3 · ECOSYSTEM —— MTO Ecosystem
连接品牌、广告主、媒体、代理商、AI Agent 和交易平台。收入:生态服务、技术授权、交易基础设施。
结语:真正的竞争者不是同行
MTO 真正值得建立的,不是又一个广告投放平台,也不是又一个 GEO 服务,而是一套让商业主体能够进入机器决策与机器交易体系的基础设施。
GEO 可以是它的流量入口之一,但不该把全部价值建立在 AI 搜索排名上。因为排名会变——哥伦比亚那篇论文已经证明,模型版本更新就能让市场份额大幅重构。
唯一稳定的是:机器能理解你、能验证你、能跟你完成交易。
这件事,现在做的人还很少。
参考资料
- Aggarwal, P., et al. (2024). GEO: Generative Engine Optimization. KDD '24, pp. 5–16. DOI: 10.1145/3637528.3671900
- Allouah, A., Besbes, O., Figueroa, J. D., Kanoria, Y., & Kumar, A. (2025). What Is Your AI Agent Buying? arXiv:2508.02630
- Shahidi, P., Rusak, G., Manning, B. S., Fradkin, A., & Horton, J. J. (2025). The Coasean Singularity? NBER, The Economics of Transformative AI
- Hou, X., Zhao, Y., Wang, S., & Wang, H. (2025). Model Context Protocol (MCP): Landscape, Security Threats, and Future Research Directions. arXiv:2503.23278
- Universal Commerce Protocol(Google 开源,GitHub)/ Google UCP 开发指南
- Model Context Protocol 官方规范(GitHub)
- IAB OpenRTB 2.6 / ads.txt
文档状态:战略框架与理论转化链路已完成;市场验证、产品开发、技术测试及客户签约尚未完成。文中所有财务数字均为规划假设,不代表已签订合同或已验证的市场价格。