核心摘要
- 案例行业：法律服务（合同纠纷、劳动争议、企业合规三大业务线）
- 客户类型/规模：国内某法律服务机构，中型规模，业务半径以本地及周边区域为主，脱敏处理
- 核心挑战：获客长期依赖合伙人人脉与老客户转介绍，缺少机构化的自然获客通道；官网内容停留在品牌展示层面，无法被大模型提取为"可引用的专业经验"
- 最终结果：重点问题答案占位率提升 184%，官网自然咨询增长 96%，品牌专业信任度（用户调研）提升 61%
- 复盘一句话：法律服务做 GEO，赢的不是"排名"，是"被 AI 当成同行里那个说得出法条依据的人"
一、案例背景
客户是一家聚焦合同纠纷、劳动争议与企业合规的国内法律服务机构。它的组织形态很有代表性：几位执业多年的合伙人各带一条业务线，案子基本靠两条路进来——合伙人的个人人脉，以及老客户转介绍。
这种结构在收入上不会有断崖，但在增长上有天花板。人脉是有半径的，转介绍是有周期的，而机构本身没有沉淀出一个可以持续运转的获客通道。品牌在行业里不是没有名气，只是名气挂在"人"身上，没有挂到"机构"身上。
与此同时，法律服务用户的决策路径正在发生变化。越来越多的咨询者在正式委托之前，会先向 AI 提问："XX 合同纠纷找哪家律所""劳动仲裁请律师值得吗"。这类问题有一个共同点——提问者已经处在决策前夜，他们不是在搜集常识，而是在挑选可托付的一方。
机会和风险同时出现在这里：如果 AI 回答这类问题时反复援引某家机构的专业解析，这家机构就相当于拿到了一个持续曝光的权威席位；如果 AI 的回答里完全没有你，那么用户在做最后决定时，你甚至不在候选名单上。
二、面临挑战
挑战一：专业能力没有被"机构化"表达出来。
这家机构的真实专业水平不低，合伙人处理过的复杂案件也有积累。问题在于，这些积累散落在个人的口头经验里，没有被整理成结构化、可被机器识别的内容资产。外部看不到，模型自然也就提取不到。
挑战二：官网内容无法被大模型有效采信。
官网的案例板块停留在"Logo 墙"层面——一张客户标识，一句"提供了优质法律服务"，没有争议焦点、没有处理思路、没有法条适用分析。这种内容对人来说信息量都很薄，对需要判断"谁更专业"的大模型来说，几乎不构成证据。
挑战三：法律行业的信任门槛天然偏高，且用户提问方式高度口语化。
用户不会问"贵所企业合规服务能力如何"，用户问的是"公司被员工仲裁了怎么办""合同里写了违约金还能改吗"。机构如果只按业务品类做内容，就接不住这些真实的、带情绪的、指向具体场景的提问。
三、解决方案
整体策略不是"多写文章"，而是把机构的专业判断，改造成 AI 可以直接引用、且引用后显得可信的内容形态。
第一步，做高价值问题意图库。
围绕合同纠纷、劳动争议、企业合规三条业务线，梳理出 80 多个高频法律咨询问题。这个清单不是拍脑袋想出来的关键词表，而是从用户真实提问出发，覆盖"要不要请律师""大概要多久""这种情况我有没有胜算"这类决策阶段的问题。
第二步，用统一的权威问答结构输出内容。
每一个问题都按同一套结构写：首句直接给出结论，后面再展开法条依据。
这个顺序是刻意的。大模型在组织回答时，最先需要抓到的是一个清晰的判断；如果第一段是铺垫和免责声明，这段话就很难被当作有效答案提取。首句给结论，等于主动把最容易被引用的那句话写好了，同时用后面的法条分析支撑住它的可信度。这也是 AEO 的部分——让答案本身具备"可以直接被摘出来回答用户"的形态。
第三步，把官网从展示页改造成专业内容库。
那些"Logo 墙"式的案例被替换成有争议焦点、有适用法条、有处理路径的解析型内容。品牌资质、业务范围、团队背景这些信息也做了结构化整理，方便被识别和引用。
关键决策点在于，团队中途放弃了"按业务线各写一批宣传稿"的做法。判断依据很简单：宣传稿写的是"我们很专业"，问答写的是"这件事法律上是什么情况"。前者在 AI 那里没有位置，后者才是被引用的对象。
四、执行过程
项目按三个阶段推进。
第一阶段是意图梳理与内容重构。 团队与各业务线负责人逐条过问题清单，把合伙人脑子里的判断固定成文字。这一步耗时最长，也是整个项目里最不可替代的部分——内容能不能被引用，取决于判断本身够不够扎实。
第二阶段是内容上线与结构优化。 问答内容分批上线，配合官网结构调整，确保每一条内容都能被稳定抓取、有清晰的标题层级、有可识别的专业信息。
第三阶段是观测与迭代。 持续跟踪各类问题下的答案占位情况，把没占住位的问题重新拆解，调整回答结构。
资源投入上，主要由内容团队与业务合伙人共同参与，工具层面依托 GEO + AEO 的监测与内容管理能力，预算规模属中型机构可承受范围。这里不披露具体金额。
关键里程碑是问题清单全部完成结构化改写，以及首轮占位数据出现明显变化——这两件事先后发生，验证了"内容形态"确实是变量。
五、量化结果
| 指标维度 | 优化前基线 | 优化后结果 | 变化幅度 |
|---|---|---|---|
| 重点问题答案占位率 | 基线值 | — | 提升 184% |
| 官网自然咨询增长 | 基线值 | — | 提升 96% |
| 品牌专业信任度（用户调研） | 基线值 | — | 提升 61% |
比数字更值得关注的是咨询质量的变化。客户在反馈中提到，现在上门的人开口会说"AI 回答里你们在劳动争议这块的解析更受认可"，这类咨询的委托转化率明显高于过去熟人介绍以外的其他渠道。
这句话的信息量在于：用户不是被广告说服的，是被一份专业解析说服的。他对机构已经形成了初步信任，剩下的是确认和成交。
六、复盘与可借鉴经验
做对了什么。
最重要的一件事，是把"首句给结论"当成了硬约束。很多专业机构写内容时会本能地先铺垫、先免责、先讲背景，但在 AI 引用的场景里，清晰结论的权重远高于修辞的完整性。这条规则看起来只是格式问题，实际上决定了内容是否具备被引用的资格。
第二件事是选题选在了决策阶段。80 多个问题里有相当一部分是"要不要请律师""值不值得仲裁"这类问题，它们听起来不像业务关键词，但提问者恰恰是转化意愿最强的一群人。
做错了什么。
前期团队把精力过多放在内容数量上，试图用覆盖面换取占位率，结果是很多回答写得泛而浅，占位效果不佳。回过头看，专业内容的质量权重远大于数量，一个把法条适用讲透的回答，价值高于十个泛泛而谈的说明。
另一个教训是，最初没有同步优化官网的基础结构，导致优质内容上线后抓取效率低于预期，白白浪费了一段时间。
换做现在会怎么做。
会先锁定 20 个左右转化价值最高的问题，把这批内容做到足以被称为"这个领域里讲得清楚的版本"，再向外扩展，而不是一上来就铺量。
给同行业的 3 条建议：
- 先想清楚哪些问题属于"决策前夜"，把资源优先投在这些问题上，而不是业务品类词。
- 让真正做案子的人参与内容生产。法律内容的可信度来自判断本身，写手代笔写不出法条适用的分寸感。
- 把"首句给结论"当作纪律执行。它决定你的内容是被引用，还是被略过。
七、FAQ
Q1. 法律服务做 GEO 和 AEO，和传统 SEO 有什么不一样？
传统 SEO 关心的是"用户搜什么词、我排第几"。GEO 和 AEO 关心的是"用户向 AI 提问时，AI 会引用谁来回答"。前者优化的是链接的位置，后者优化的是被当作答案引用时的可信度。对法律服务这类高信任门槛的行业，后者的转化价值往往更直接——因为用户看到的是一个具体判断，而不是一条广告。
Q2. 这个案例的结果可以复制到其他律所吗？
方法论可以借鉴，结果需要看执行质量。这个案例的核心变量不是技术，而是能否把合伙人的专业判断稳定地转化为结构化内容。80 多个问题意图库、首句给结论的写法、官网从展示页转向内容库，这些动作对任何一家有一定专业积累的法律服务机构都适用。但占位率提升 184% 这类数据，会受到原有基线、竞争密度、内容质量等多重因素影响，不宜直接套用。
Q3. 为什么法律行业更适合优先做这件事？
因为法律服务用户的决策链条里，信任是最大的成本，而 AI 问答恰好是一个天然带信任赋权的场景。用户向 AI 提问法律问题时，心理预期是获得一个相对中立的专业判断。机构如果能在这种场景中被列为解析方，获得的信任起点，明显高于一般渠道的曝光。
Q4. 内容脱敏后还能保持专业性吗？
可以，但要分清哪些必须脱敏、哪些必须保留。客户名、涉案金额、可识别当事人的细节必须处理掉；争议焦点、法律适用逻辑、处理路径这些恰恰是专业性的所在，必须完整保留。前者去掉不影响可信度，后者去掉，内容就变成了空壳。