政府GEO和商业GEO不是一回事
商业GEO做的是品牌引用，让产品在AI答案里被正面提到。政府GEO要的是流程引用：正确的材料清单、现行的收费标准、准确的截止日期，并且归属到法律上真正负责的那个机构。机构本身就是品牌，准确且及时的信息就是产品。
Google自家的Search Quality Rater Guidelines在2025年扩充了YMYL（Your-Money-or-Your-Life）范畴，把“Government, Civics and Society”和健康、金融、法律内容并列写进去。也就是说，公共事务类内容现在要接受Google定义中最严格的准确性标准。这个安排有道理：一份过期的办理流程或者一个写错的收费金额，损失的不只是一次点击，可能让一位民众错过申报期限，甚至丢掉本该享有的权益。
公共风险不是假设出来的
纽约市的“MyCity”聊天机器人曾告诉小企业主，可以合法抽取员工小费、可以拒收现金，这两件事按当地法律都是违法的。它一直运行了两年多，直到2026年2月才关停，项目总花费被披露超过60万美元。另一个例子来自HuffPost在2025年8月的报道：一名西班牙旅客因为ChatGPT的答案漏掉了赴美所需的强制旅行许可，最终误了航班。
在Moffatt v. Air Canada一案中，仲裁机构判定航空公司要为自家聊天机器人给出的错误信息负责，并认为信息来自静态页面还是聊天机器人并无区别。这个先例管的是机构自己运营的AI渠道。至于第三方引擎，比如ChatGPT或Gemini，错误呈现了政府机构的公开内容，而那机器人并不属于该机构，此时政府一方有没有救济途径，在包括印尼在内的各个法域都还没有定论。不管定论如何，GEO是眼下可行的应对：让官方页面成为AI引擎真正会引用的那一个，是拿到正确答案最快的路径。
媒体报道
AI答得很有把握。有把握不等于答对。
一项覆盖11个主流LLM、逾22,000条问题的基准测试发现，模型对民生类问题的回答离散度很高，且存在一条明显答错的长尾。更麻烦的是，即便模型本该说“我不确定”，弃答率几乎为零。
GEO重构之前
GEO重构之后
示意性模拟，依据已公开的结构性规律构建（ODI CitizenQuery-UK；Digital Applied关于HowTo与schema提升引用率的发现），并非对某个具名机构的实时抓取。实际基线测试以印尼语和英语双语提问执行，此处为便于阅读改用中文呈现。
AI答错公共事务问题的频率，比多数机构以为的高
以下数据来自多国新闻与公共事务内容的整体研究，不是印尼专项数据，也没有把政务类提问单独拆出来统计。目前没有任何已发表研究把“政务服务查询”作为独立测量类别。我们把它们当作现有最接近的证据来呈现，并如实标注适用范围。
民生类问题、11个LLM、一套基准
Open Data Institute的CitizenQuery-UK发现，答案离散度高，且有一条明显答错的长尾。模型很少愿意承认自己不知道。
印尼金融类提问中，政府来源被引用的份额
OJK、BI与LPS三家合计，样本为216条银行业主题的AI Mode答案。这是印尼本地数据，但只覆盖一个垂类，不能当作政府整体的数字。
多数机构从没查过的AI爬虫治理缺口
政府网站很少刻意屏蔽AI爬虫。它们通常是误屏蔽的，源头是一份写在AI检索代理出现之前的robots.txt。
用HowTo结构化后，页面被引用的概率倍数
对照组是未结构化的同类页面。另外，有schema标注的页面单独测出约2.3倍。该研究基于美国英语桌面端，方向上有参考价值，不是印尼本地数字。
全球前1,000名网站中，部署llms.txt的政府站点数
部署它不花钱，也没什么坏处，前提是把写入权限锁好以防prompt-injection。对公开可写的llms.txt文件来说，这是已有记录的风险。
示意性诊断，反映的是上述各项独立研究中已记录的普遍规律，并非对某个具名机构实际配置的现场审计。
SEO、AEO和GEO不是同一门功课
三套架构，三种成效指标，而另一头只有一位想拿到准确答案的民众。
| 对比项 | 传统SEO | AEO | GEO |
|---|---|---|---|
| 主要交互形态 | 关键词匹配式查询，返回一串排序后的链接 | 单句直接提问，触发结构化答案 | 自然语言prompt，触发多来源合成的答案 |
| 用户想达成什么 | 找到并进入官方门户，自己翻文件 | 对一个结构化问题，立刻拿到明确的事实性答案 | 直接在AI界面里拿到一条完整的、分步的办理路径 |
| 核心优化对象 | 关键词密度、外链数量、页面加载速度、停留时长 | 问答直接对应、Schema.org准确性、语音检索适配 | 事实密度、便于引用的markdown排版、结构化语义数据库 |
| 成效指标 | 自然排名、域名点击、跳出率 | 零点击即解决，以及即时的事实准确性 | 引用频次、影响力份额（Share of Influence）、引用深度 |
为什么这一点对政府页面尤其关键：纯粹为自然排名而做的服务页，未必能被AI引擎顺利提取。GEO和AEO要的还是同一批底层内容，只是要重构成便于机器合成的形态，而不是便于人眼扫读。这恰好是大多数.go.id页面还没补上的缺口。
六项工作，按“先验证、后投入”的顺序推进
先把差距摸清楚，再动手改内容。然后重构、打标、持续监测。
AI可见度基线审计
每家机构选取30到50条优先级最高的民生问题，用印尼语和英语双语，在ChatGPT、Gemini、AI Overviews与Perplexity上逐一测试。这一步在任何内容改动之前完成。
- 记录官方域名到底有没有被引用
- 把答案和现行政策逐条对照，核实准确性
- 查清是哪个非官方站点正在赢下这些引用
流程内容结构化与schema部署
GovernmentService、GovernmentPermit、HowTo与FAQPage的JSON-LD，也就是GOV.UK已在生产环境跑着的同一套schema组合，先落在流量最高的办理流程页上。
- 答案先行区块，40到80字，放在法规铺垫之前
- 时效性公告用SpecialAnnouncement schema，带datePosted与expires
llms.txt与AI爬虫治理
这一项我们如实定位：它是低成本的治理卫生工作，不是已被证明有效的引用杠杆。一项覆盖300,000个域名的分析并未发现llms.txt与引用频次之间存在相关性。
- 审计robots.txt，确认GPTBot、ClaudeBot与PerplexityBot没有被误屏蔽
- 锁定写入权限，防范公开llms.txt文件已有记录的prompt-injection风险
引用准确性监测
沿用基线审计那一套问题清单反复抽样，看官方来源是被准确引用、被引用但内容已过时，还是被彻底挤掉。
- 主KPI：官方域名的引用份额
- 次KPI：错误信息被置换掉的比率
时效性与政策变动响应
建一条内容快速更新通道，让政策一变就先落到线上页面，不给AI引擎引用旧版本的机会。
- 每一处关键表述旁边都放上可见的更新日期与生效日期
- 一旦发现AI错误陈述了现行法规，按公共风险事件处理并立即上报，而不是当成一条例行指标记下来
贴合采购规则的合作结构
从第一天就按能通过LKPP e-Katalog或SPSE招标要求来设计方案，而不是事后再改。
- 依合同金额，安排为e-Katalog上架、直接委任或有限招标
- 在向部委或BUMN提案之前，先确认本地实体、NIB、NPWP、PKP与SIUP等资质齐备
三个没人该装作已有答案的问题
.go.id本身带不带AI权威信号？
没测过。目前服务印尼查询的AI模型，训练数据以英语为主，而是否会因为一个域名属于.go.id就给它加权，还没有任何已发表研究检验过。
- 那项印尼金融研究显示，监管机构只在1.9%的相关答案里被引用，说明单靠域名权威并没有换来引用份额
- 这需要一手的prompt测试，不能靠推测
TKDN与BMP决定了供应商资格
按国家产业政策，只要能找到TKDN与BMP合计达到40%以上的本土供应商，公共机构就必须优先选择，这一项会通过Hasil Evaluasi Akhir（HEA）计算进入招标的财务评审环节。
- 这直接影响一个GEO项目的技术方案与团队构成该怎么组织，才能在QCBS评审中站得住
第三方AI引擎的责任归属尚无定论
Moffatt v. Air Canada确立的是：机构要为自家聊天机器人给出的错误信息负责。但如果是ChatGPT或Gemini这类并非由该机构运营的引擎错误呈现了它的公开内容，政府一方有没有救济途径，在印尼和其他地方都还是一个真正悬而未决的法律问题。
- 无论定论如何，GEO都能降低实际风险，办法是让准确的那个答案成为最可能被引用的答案
究竟有多少印尼民众真的会把政务服务问题拿去问AI引擎，目前没有任何研究做过测量。包括LKPP与Kominfo的公开出版物在内，所有来源都拿不到这个数字。它就该被写成“无法取得”，而不是被估算出来。
我们提供的政府与BUMN的GEO服务
分阶段推进、贴合采购规则的合作方式，把机构的法定权威与AI引擎实际告诉民众的内容之间那道缺口补上。
AI可见度基线审计
结论要回答两件事：在贵机构风险最高的那些办理流程上，非官方站点是不是已经主导了引用，以及差距有多大。
流程内容结构化与schema部署
用的是GOV.UK生产环境里那一套schema组合，按贵机构的审批流程做适配。
llms.txt与爬虫治理卫生
写入权限要管好，针对的是公开可写llms.txt文件已有记录的prompt-injection风险。
引用准确性监测
报告用采购人员会评审的运营效率口径来写，而不是他们并不评审的转化营销口径。
时效性与政策变动的快速响应
任何经确认的AI错误陈述现行政策，都按公共风险事件上报，而不是归档成一条例行指标。
贴合采购规则的方案范围设计
TKDN与BMP的合规要求纳入团队构成一起考虑，不当成事后补的环节。
相关服务
政府GEO要和底层的技术SEO地基配套来做，两者是直接咬合的。
