当前位置:首页>排行榜>机器开始替人买东西,你的品牌还在用人的方式自我介绍 MTO

机器开始替人买东西,你的品牌还在用人的方式自我介绍 MTO

  • 更新时间 2026-11-21 00:09:37
机器开始替人买东西,你的品牌还在用人的方式自我介绍 MTO

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
    ,论文本身指出线上引擎中的提升幅度更低;
  • 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

体系
解决的核心问题
优化对象
SEO
能否被搜索到
搜索引擎
GEO
能否被 AI 推荐
AI 信息生成与检索系统
MTO
能否被机器选择并完成交易
AI Agent 与商业交易系统

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:

技术
作用
局限
UCP
(Google 开源)
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
(IAB)
广告库存与实时竞价;配套 ads.txt / sellers.json
是广告交易协议,不是零售交易协议
MCP
让 AI 应用发现和调用外部工具
不负责商业规则、支付清算和订单履约

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:

项目
Brand MTO
Media MTO
核心对象
品牌及商品
广告资源
主要数据
SKU、价格、库存
点位、刊例价、档期
交易单位
商品订单
广告订单
效果评价
销售、退款、复购
曝光、触达、转化

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:

维度
权重
评价内容
机器可发现性
20%
机器能否发现企业及其服务
数据质量
20%
完整性、准确性、时效性
可信度
25%
身份、资质、真实性、履约
交易能力
25%
API、报价、库存、订单、支付
效果证明
10%
交付、转化、效果、审计

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

编号
名称
主要内容
MTO-001
商业身份标准
主体唯一标识、类型、验证状态、数据时效
MTO-002
商业数据标准
字段、单位、价格格式统一;来源与时效明确
MTO-003
信任及证据标准
E0—E3 四级证据分类
MTO-004
Agent 交易标准
身份、授权、权限、价格确认、订单、审计
MTO-005
效果评价标准
机器发现 / 决策 / 交易三层指标

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

收入线
收费方式
性质
MTO 企业诊断
按项目收费
一次性
MTO 企业订阅
月费 / 年费
经常性
MTO 数据建设
按品牌、SKU、数据量
项目 + 维护
MTO Trust
验证及年度维护
经常性
MTO API
按调用量或套餐
经常性
MTO Transaction
按实际成交协商
交易收入

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):

产品
入门版
专业版
企业版
MTO 诊断
¥3,800
¥9,800
¥29,800
Brand MTO SaaS
¥999/月
¥3,999/月
¥9,999/月
MTO 数据建设
¥5,000
¥20,000
¥50,000+
MTO Trust
¥2,000/年
¥8,000/年
¥20,000+/年
MTO API
¥499/月
¥2,999/月
定制
MTO 技术实施
—
¥30,000 起
¥100,000 起

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:

阶段
继续投资的条件
第一阶段
至少真实品牌愿意提供数据
第二阶段
Agent 可以准确调用商品数据
第三阶段
客户愿意为服务付费
第四阶段
有真实订单及可核验结果
第五阶段
单客户服务成本可控、存在续费需求

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

风险
可能问题
处理原则
数据真实性
虚假媒体库存
第三方验证
数据时效性
过期报价、库存
实时查询
AI 幻觉
错误推荐和报价
只用可验证数据
交易授权
Agent 越权采购
人工授权 + 权限分级
广告合规
违法广告及违规投放
广告审核与主体责任
效果归因
重复计算、错误归因
统一监测口径
平台依赖
依赖单一 AI 入口
多 Agent 接入
商业利益冲突
付费客户获不透明优待
公开评分规则

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

  1. Aggarwal, P., et al. (2024). GEO: Generative Engine Optimization. KDD '24, pp. 5–16. DOI: 10.1145/3637528.3671900
  2. Allouah, A., Besbes, O., Figueroa, J. D., Kanoria, Y., & Kumar, A. (2025). What Is Your AI Agent Buying? arXiv:2508.02630
  3. Shahidi, P., Rusak, G., Manning, B. S., Fradkin, A., & Horton, J. J. (2025). The Coasean Singularity? NBER, The Economics of Transformative AI
  4. Hou, X., Zhao, Y., Wang, S., & Wang, H. (2025). Model Context Protocol (MCP): Landscape, Security Threats, and Future Research Directions. arXiv:2503.23278
  5. Universal Commerce Protocol(Google 开源,GitHub)/ Google UCP 开发指南
  6. Model Context Protocol 官方规范(GitHub)
  7. IAB OpenRTB 2.6 / ads.txt
  8. 国家市场监督管理总局《互联网广告管理办法》
  9. 中央网信办《人工智能生成合成内容标识办法》

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。

随机文章