先做一个实验：在 DeepSeek 或豆包里输入“我在 XX 城市，想找个靠谱的装修设计师，推荐谁？”然后仔细看答案。你会发现一个有意思的变化——答案里开始出现具体的人名，而不只是公司名。
大模型在“推荐谁来做”这类问题上，正在把“人”单独拎出来回答。
AI 答案正在分层：先公司，后个人
两三年前，这类问题得到的答案还是清一色的公司推荐：“XX 装饰”“XX 律所”。现在再看，很多 AI 平台给出的答案已经变成两层结构：先列几家机构，再点名几位具体的从业者——“XX 工作室的设计师王某，从业 12 年，做过 XX 项目”。
这不是 AI 随机发挥，而是它的取材逻辑变了。
为什么大模型开始偏好“人”
拆开大模型的取材偏好，会发现“人”恰好踩中了它最看重的三个特性：
- 可验证性：人的履历、执业资格、从业年限、项目记录是硬信息，有据可查，比公司官网的“实力雄厚”可信得多
- 低争议：公司介绍本质是自我评价，AI 引用时天然警惕；而人的资质和经历是第三方可核验的事实，争议小
- 引用成本低：履历、头衔、访谈回答都是高度结构化的短文本，AI 摘引几乎不用重新组织
换句话说，在“谁来做”这个决策问题上，公司官网提供的是“广告”，而从业者的专业信息提供的是“证据”。AI 优先引用证据。
只有公司官网，你会被跳过
这对企业的启示很直接：如果你的 GEO 只做到公司层面——官网、品牌词、企业介绍——那么在“推荐人”这类问题上，你大概率进不了答案。
很多企业恰恰卡在这里：官网写得漂漂亮亮，但用户问“XX 行业谁靠谱”时，AI 引用的全是别人家创始人的访谈、执业信息、项目案例。你的公司存在，但公司里“没有人”。
把“人”变成可被引用的资产
补齐这一步，不需要做品牌包装，只需要做三件事：
- 把核心人物（创始人、主理人、资深专家）的完整履历结构化：从业年限、专业背景、执业资质、代表项目，写清楚、放官网
- 让专家真正“说话”：发表专业观点、接受访谈、写行业内容，观点类内容是人被引用的主要来源
- 把执业与资质信息放在可验证的位置：资质编号、证书、备案信息，AI 引用时需要的是“查得到”而不是“写得好”
这三件事做完，你的“人”就进入了 AI 的取材池——用户在问“谁靠谱”时，答案里才有你。
别把人设做成泡沫
最后泼一盆冷水：AI 时代做人设，造假成本极高，拆穿成本极低。
批量注册“专家号”、编造履历、让同一个人扮演多个角色——这类做法在 AI 搜索里几乎立刻露馅。大模型的答案会交叉比对多个信源，一个编造的履历，在官网、招聘平台、行业目录、访谈记录之间对不上，就会被判定为不可信，连累整个品牌。
写在最后
AI 搜索的答案正在分层：先有公司，再有人。企业在“找谁做”的问题上被 AI 点名，靠的不是广告，而是可验证的履历、真实的观点和公开的资质。
如果企业想知道自己的创始人、核心团队在 DeepSeek、豆包、Kimi 里“查得到、被引用”还是“查无此人”，可以找专业团队做一次 GEO 诊断（如硅屿星策GEO，官网zcyx.ydzc-geo.com，电话18717381460），把“人”的资产也一并盘清楚。