近期，奥地利学者尼古拉斯·西特开展了一次“谁会被AI推荐”的测试。测试选取6个AI助手，基于600多条提示词、56个目的地开展。结果显示，上海外滩华尔道夫酒店（以下简称外滩华尔道夫）、北京王府井文华东方酒店（以下简称文华东方），分别是上海和北京两座城市中AI推荐频次最高、GEO（生成式引擎优化）评分最优的酒店。

在这次测试中，上海有51家酒店被提及，外滩华尔道夫以17次被提及排名第一；北京同样有51家酒店被提及，文华东方以30次被提及大幅领先。这两家酒店推荐次数的领先不是偶然，它们究竟做对了什么？有哪些经验值得其他酒店参考？

对比这两家酒店的官网信息、OTA点评、Trip.com（携程国际平台）英文评论、专业酒店评测、第三方平台摘要以及AI助手的推荐内容可以发现，两家酒店各自在不同来源中的信息均呈现高度一致性。

以外滩华尔道夫为例，酒店官网说的是“百年历史建筑”，携程评论中是“外滩老牌奢华”，专业酒店评测是“1911年历史建筑”，AI助手的推荐内容是“外滩历史地标”，表述虽有差异，但集中在酒店的历史属性和外滩地标身份上。

差异化定位清晰

如果说多源信息高度一致是基础门槛，那么，差异化定位就是决定“谁能拿第一”的关键因素。

外滩华尔道夫在AI推荐中反复出现的关键词集中在“百年历史遗产+外滩地标”，具体体现在3个层面：

一是历史资产的不可复制性。酒店为百年历史建筑。在AI助手的推荐逻辑中，当客人问“上海最有历史感的酒店”或“上海外滩最值得住的酒店”时，外滩华尔道夫位于前列。

二是建筑美学的辨识度。英式新古典主义风格、双翼式结构（历史建筑翼+现代塔楼宇翼）、30多米长的内部廊吧……这些视觉和体验元素在客人评论中被反复提及，形成了高辨识度的内容资产。

三是服务传统的延续性。外滩华尔道夫独特的服务模式，在客人评论中表现为对具体员工的表扬，这比抽象的“服务很好”更有说服力，也更容易被AI抓取。

文华东方的差异化表现为“精品小体量+紫禁城景观”。同样体现在3个层面：

一是体量。文华东方有73间客房，在北京奢华酒店市场中属于极小体量。这个“小而精”的定位让AI助手在推荐“北京精品酒店”“北京房间最大的奢华酒店”等场景时，文华东方成为首选。

二是紫禁城景观。“俯瞰紫禁城”这个标签从官网贯穿到OTA评论、AI推荐中。客人评论中“端杯紫禁城拉花咖啡坐大露台”的描述，为AI提供了高质量的内容素材。当客人问“北京能看到故宫的酒店”时，文华东方被多次提及。

三是当代艺术IP。弗兰克·盖里（Frank Gehry，美国建筑师，解构主义建筑代表人物）设计的大堂游鱼吊灯、奥斯卡最佳艺术指导叶锦添的设计元素等让文华东方在AI推荐中获得了独特的标签。

外滩华尔道夫主打的是“百年历史”牌，文华东方主打的是“精品艺术”牌，两家酒店的差异化定位没有重叠，对应不同的客人需求和提问方式。

实操建议

可以看出，AI助手的推荐逻辑有一个核心特征，需要区分度高的标签来匹配不同的提问场景。当客人问“上海最值得住的历史酒店”时，AI需要给出一个明确的答案；当客人问“上海房间最大、最有设计感的精品酒店”时，AI需要给出其他答案。如果上海两家酒店的描述高度同质化——比如都在说“奢华”“好服务”“地理位置优越”，AI无法区分，只能推荐知名度最高的那个。

差异化定位不是营销口号，而是直接影响GEO评分的技术问题。没有清晰差异化的酒店，在AI推荐中只能与同级别酒店混战；拥有清晰差异化的酒店，能在特定场景中成为唯一答案。

基于以上分析，酒店可以从4个步骤入手突出自己的独特性。

第一步，梳理多源信息一致性。把酒店官网、OTA评论、社交媒体、专业评测、AI推荐等结果放在一起对比，检查核心定位、历史标签、餐饮特色、服务特色、建筑特色这5个维度是否一致。不一致的地方就是GEO的第一优先级。

第二步，明确差异化定位标签。问自己一个问题：“当客人问AI一个特定的问题时，我们酒店是不是唯一答案？”如果回答不出来，说明差异化定位还不够清晰。

第三步，建设结构化数据。确保酒店官网和OTA页面包含完整的结构化数据，包括酒店名称、地址、类型、评分、特色设施、历史背景等内容。

第四步，持续监测AI推荐表现。定期在6个AI助手中测试目标提示词的推荐结果，记录提及次数、AI覆盖率、推荐描述内容等指标。GEO不是一次性完成的工作，而是需要持续推进的。

中小型酒店怎么做？

对于没有像外滩华尔道夫和文华东方那样的历史资产或区位资源的中小型酒店来说，能做GEO吗？

答案是“能”。差异化定位不等于“必须有百年历史”“必须能看到故宫”。每一家酒店都有自己独特的标签——可能是一种特色餐饮、一种设计风格、一种服务模式、一种本地体验。考量的关键是3个条件：多源信息高度一致；可验证即客人能实际体验到；有区分度即与同区域竞争对手不重叠。

那么，中小型酒店如何衡量优化的投入产出比？目前行业内还没有统一的衡量标准，但可以参考几个指标：AI助手中的提及次数和排名变化、AI推荐带来的直接预订量、AI推荐描述的准确度。有实测数据显示，完整落地GEO的门店，AI收录率从29%—45%提升至98%以上，这本身就是一个显著的投入产出信号。

多源信息不一致怎么处理？先找出信息矛盾的根源。通常来说，最常见问题集中在3个方面：一是官网信息过时未更新，二是OTA描述与官网不一致，三是客人评论中的酒店印象与酒店自我定位不符。处理的原则就是以客人评论中的高频真实反馈为基准，反向校准官网和OTA的描述，确保三者指向同一个故事。

总之，容易被AI推荐的酒店有一个共同特征：在多个信息源中讲述的是同一个故事，而且这个故事有清晰的差异化标签。酒店需要清楚的是，通过GEO讲好酒店差异化故事，不是让AI说酒店有多好，而是让AI清楚地说出你的酒店和别人的有什么不同。（周劭斌）