房地产行业的 GEO 怎么做？

买房是多数人一生中最大的一笔消费，买前的功课如今大量转到了 AI 工具里。82% 的美国人现在用 AI 了解住房市场，提到最多的是 ChatGPT（67%）和 Gemini（54%）（Realtor.com 调查，2025 年 10 月）。正在买房的人里，Veterans United 2026 年第二季度的调查显示，45% 的意向买家在用 AI 工具，比一年前高了八个百分点；最常见的用途是找房，占 52%。问助手该在哪里买房的人，已经不是少数；按美国的数据，接近活跃买家的一半。

AI 摘要也在改变片区指南的流量。Google 结果里出现摘要时，用户点开常规结果的比例是 8%，没有摘要时是 15%；搜完直接结束浏览的比例分别是 26% 和 16%（Pew Research，2025 年 7 月）。AI Overviews 已覆盖 200 多个国家和地区、40 多种语言。一篇片区指南可能被摘要引用了，却没有人点进来。所以被摘要引用，本身也成了一个目标。

中介和开发商的机会就在这里。找房源的查询（比如“3-bedroom apartments in Palm Jumeirah”）由门户把持，去争没有意义。但每次买房前都要先做的决定，在哪买、要不要买、信哪个项目，回答来自宽得多的来源范围；而在多数城市，还没有人把能被引用的那一版做出来。房地产行业的 GEO，解决的就是这个问题。

购买意向最强的房产提示词都带城市或社区：“best areas to invest in Dubai”“buy vs rent in Austin”“new developments in Lisbon for foreigners”。这个限定词直接决定引擎从哪些来源检索。问到国家一级，比如“is Portugal a good place to buy property”，回答来自全国媒体、银行报告和移居指南，单个中介很难在这里露面。问到社区一级，比如“best areas of Lisbon for families”，回答来自片区指南和本地资料，来源少到一个结构清楚的中介页面就可能是现成最好的答案。

各个市场反复出现的问题是同一批：去哪投资、买还是租、新盘和期房、外国买家的移居和购房资格、选哪家中介或开发商。每一类需要的来源不一样。按类分别规划内容，别指望一篇文章把它们全答了。

房产建议紧挨着 YMYL（“your money or your life”，搜索质量标准里关乎钱财或人身的内容），引擎对它也就格外谨慎：偏向说法能核实的来源。房产提示词里被引用的来源很固定：有数字的市场报告、有具体数据的片区指南、门户，以及本地媒体。共同点是每个说法都带数字、日期或具体地名。普林斯顿那篇奠基性的 GEO 研究直接测过这种偏好：页面加上权威原话、统计数据和来源引用后，在生成回答里的来源可见度最多提高 40%。

多数房产内容败在这里，而且败在机制上，不是文笔上。“A vibrant waterfront community with stunning views”没给模型留下任何可提取的东西；“average price per square metre in the marina was X in Q2, up Y% year on year, average gross yield Z%”则是一句回答可以原样搬走、还带上你名字的话。中介或开发商只要用有名有据的统计数据写出先给答案的片区页，整类提示词都能被引用。这个位置门户基本空着，因为门户的片区页是房源轮播，不是答案。

缺点也要写：学位紧张、公共交通不便、物业费偏高。描述客观，助手引用时就不用自己补上没说的限制条件。买家也不用从一堆推销话里扒出真实情况。

房地产是我们做过的跨境程度最高的行业：俄语买家研究迪拜，西班牙语买家看美国各大都会区，外国人比较里斯本的项目。底层的机制是：同一套房产，用英语、俄语和西班牙语问，得到的是三个不同的回答，因为每种语言各有自己的来源范围。只用一种语言发布的品牌，在另外两种语言的回答里根本不存在。

这个规律在我们的市场指南里有记录。在迪拜，俄语房产提示词（“лучшие районы Дубая для инвестиций”）是一个密集、意向很高的细分需求，而能被引用的俄语内容比阿拉伯语还少，所以一个结构清楚的俄语片区页几乎没有竞争。在美国，用西班牙语问购房问题的人很多，而讲本地市场的西班牙语内容比英语少得多。你的英语声量份额和西班牙语声量份额之间的差距，就是机会的大小，而且是一个具体的数字。

我们按买家语言分别发布和测量内容。我们自己的网站用九种语言运营，这些方法先在自己身上用。落到房产企业，就是两件事：各语言的片区指南事实一致；每种语言单独一套测试用的提示词集。同一个迪拜项目的英语可见度和俄语可见度，很少同步变化。

房地产的实体（即品牌、人物、产品等可识别对象）比多数行业都乱：门店用的品牌名、牌照上的法定名称（迪拜是 RERA 编号，美国是州经纪牌照）、门户上的资料名，常常三个都不一样。模型得先把它们认成同一家，引用才会累积；认不到一起，权重就分散到三个模型都不太认识的名字上。解决办法谈不上高明，就是一致：官网、Zillow、Rightmove、Property Finder、Idealista 的资料、Google 商户资料和本地目录站上，名称、描述、牌照信息全部一样，再用结构化数据把公司主体和牌照明确标出来。

测量按城市、按语言做，用的是开始时商定的提示词，在 ChatGPT、Perplexity 和 Gemini 上以未登录的新会话反复采样。引用率和声量份额都对照基线。开发商要按项目、按买家语言各建一套提示词；中介要按想主攻的社区各建一套。提示词措辞固定不动，第三个月的数字才能和第一个月比。

有两件事我们不做：拿别的客户的结果给你当证明，或者承诺某一天出现某一条特定回答。生成的回答每次测试都会变，而这个行业从来不缺装作不会变的服务商。靠谱的起点只有一个：先测一份基线，用你自己的提示词、你自己的城市、你的买家实际用的语言。