用英文问 ChatGPT "What's the best CRM?"，再用意大利文问 "Qual è il miglior CRM?"，你多半会拿到两份不一样的品牌名单。这道鸿沟，正是多语言 GEO 要填平的东西。当客户开始用母语提问，Generative Engine Optimization 就不再是一门只讲英文的生意——因为 AI 模型判断"谁可信"的依据，来自提问所用的语言：不同的信源、不同的引用、每个市场都有一个不一样的"默认品牌"。在美国是那个显而易见的答案，到了慕尼黑却一文不值，只要你的德语足迹够单薄。
核心要点
- AI 的回答是分语言的。同一个问题用法文、日文或德文问，浮现的品牌各不相同，因为每种语言依赖的训练语料和实时引用都不一样。
- 翻译不等于优化。赢下一个市场，靠的是本地实体信号——母语维基百科、区域媒体报道、本地评测平台——而不是给英文站挂一个翻译版落地页。
- 技术基本功依然要做：
hreflang加上 Schema.org 的inLanguage属性，能帮引擎把正确的语言版本呈现给正确的读者。 - 用本地提问监测，别用翻译过来的关键词。购买意图的措辞因文化而异（美国说 "best cheap CRM"，法国说 "CRM avec le meilleur rapport qualité-prix"）。
- 每种语言单独衡量。一个笼统的全局可见度数字，会盖住那个你正悄悄隐形的市场。
为什么 AI 在不同语言里给出不同答案
AI 模型用整个互联网训练，但它真正倚重的那部分，会随你提问的语言而变。用英文问，它重仓美英信源——科技媒体、大型评测平台、老牌新闻编辑部；用西班牙文问，重心移到 El País、区域媒体和本地博客；用日文问，Yahoo! Japan、本地论坛和母语评测站的分量，超过你用英文发布的任何东西。
在基于检索的 grounded 回答里，这一规律同样成立——引擎引用的是实时页面，而非训练记忆。检索与 grounding 如何塑造答案，见 grounding 与检索机制；AI Overviews 如何组装信源，见 AI Overviews 的运作。
真正的风险是可见度失衡。你可以是每个英文模型都推荐的品类领导者，却在德语答案里完全缺席，只因为你的德语实体信号太弱。GEO 是一门分语言的生意，每过一道国界，记分牌就清零重来。
翻译不等于优化
把英文页面丢进翻译层，能让读者有东西可读，却不会给 AI 模型一个在那门语言里信任你的理由。模型奖励的是本地权威，而权威是在市场里挣来的，不是从外面出口进去的。
- 语气与意图。字面直译会丢掉习语，也丢掉当地人真正表达需求的方式，于是你优化的是没人搜索的词。
- 本地引用。在 Le Monde 上被提及，对一条法语答案的作用，远超同样一条英文媒体的提及，因为面对法语提问，引擎拉取的是法语信源。见为什么引用信源决定 AI 推荐。
- 平台差异。在韩国，Naver 的内容会喂给 AI 知识；在日本，Yahoo! Japan 和本地论坛更关键；在德国，OMR 这类评测平台对软件很有分量。让你可信的那套组合，逐市场都在变。
耐用的语义护城河（semantic moat）正是这样一门语言一门语言地筑起来，而不是一次性翻译出来的。
多语言 GEO 的四步打法
1. 在每种目标语言里建立本地实体
把品牌在每种语言的知识图谱里坐实为一个被识别的实体，而不只是英文里的。
- 在符合条件的地方创建母语维基百科页面，用本地参考资料和引用来写，而不是把英文条目直译一遍。
- 争取区域性刊物的报道；这才是在那门语言里给模型"播种"对你的认知。
- 鼓励用户在那个市场真正会读的平台上留评——从本地的 Capterra、G2 同类站到区域目录。
2. 铺好技术信号：hreflang 与本地化 schema
帮爬虫搞清楚哪个语言版本属于哪个读者。
- 用
hreflang标注映射语言与区域变体，参考 Google 关于本地化版本的指南。 - 在 Schema.org 标记里设置 `inLanguage` 属性，让每个页面明确声明自己的语言。
