传统搜索引擎优化（SEO）的黄金时代正在终结。ahrefs 在2026年初的研究显示，谷歌AI Overviews在部分查询类别中将顶部内容的点击率砍掉了最高58%。对于那些在贸易展、邮件群发和付费广告上砸钱的中小企业而言，获客管道第一次出现了结构性断裂。超过六个国家的制造商、外包服务商、科技公司身陷同样的处境。作为回应，一家名为 Simaia 的公司宣布通过 Iterative 的第26期加速器项目（S26）完成种子前轮融资，金额未披露。在此之前，Simaia已获得一轮天使投资。这家公司将自身定位为“AI原生的生成式引擎优化（GEO）营销团队”——不是另一个SaaS工具，而是一个按月订阅的全栈外包团队，切入的正是由ChatGPT、Gemini、Claude、Perplexity和谷歌AI Overview构成的对话式搜索生态。

公司 Simaia
轮次 种子前轮
金额 未披露
投资方 Iterative
总部 香港（亚太及美国布局）
创始人 Ryan Wan
官网 https://simaia.co/

当B2B买家离开搜索框，整个营销漏斗的底盘被抽空了

理解 Simaia 的切入点，需要先正视一个正在形成的流量断裂带。按照 CEO 兼联合创始人 Ryan Wan 的描述，公司创立源自对客户痛苦的观察：“我们看到企业每年在贸易展、广告投放和营销团队上花费六位数，但回报越来越少。”这里的“回报”并非虚指——一家早些时候参与早期访问计划的香港客户，在两个月内实现了由AI驱动的流量增长六倍、总独立访客翻倍、以及销售线索增加到2.5倍的成绩。全球纺织供应商 Sungil Tex 的季度询盘从1条跳升到月均8条，同期AI机器人访问量同比飙升24倍。

但这些数字需要放在一个关键前提下来解读：它们全部来自 Simaia 自身发布的新闻稿和案例口径，未经第三方审计。增长倍数虽然醒目，但基数通常极低——一个季度仅1条询盘的起点，本身就说明此前的营销投入几乎完全失效。一旦更换营渠道，出现倍数级改善并不算意外。因此，更值得追问的不是“3到5倍”的绝对效果，而是这套机制是否具备持续性和可复制性。

一个月费800美元的全栈营销团队，到底交付了什么

Simaia 的产品结构刻意回避了“工具”的定位。每月800美元起的订阅不提供自助式面板，而是直接代客户执行从策略到分发的全流程。Ryan Wan 在融资发布时重申了这一点：“我们创建 Simaia，是为了让创始人或销售负责人永远不需要去理解ChatGPT等大语言模型如何决定引用什么，他们只需要看到线索进来。”

这套服务拆成两个环环相扣的功能。第一个是分析引擎，Simaia 针对客户所在的品类，扫描五大AI模型的引用模式，把竞品的被引用情况进行横向对比，最后产出一份该品类下AI模型最信任的第三方信源排名清单。第二个是执行引擎，基础动作包括针对LLM提取习惯而格式化的博客文章、在AI模型频繁引用的媒体上发布新闻稿、以及在各个模型偏好的渠道发布内容。值得一提的是，内容发布节奏会参照客户自身的 Google Search Console 数据来校准，以避免新内容反过来吃掉既有的自然搜索排名。

在漏斗底部，Simaia 植入了一个访客身份识别模块：当AI推荐带来的访客落地到客户网站时，系统能抓取公司名称、联系人姓名、邮箱、电话及LinkedIn个人资料，并将这条信息推向销售团队。本质上，这是在去匿名化那些被传统分析工具标注为“直接流量”或“未分配”的AI搜索线索。

这种全栈外包意味着客户不需要配备内部专家，但也将获客管道的关键技术完全委托给一个第三方团队。按月订阅的模式降低了初期现金压力，但客户必须接受其营销效果的可见性几乎完全取决于服务商提供的报表，这种信息不对称可能在长期合作中带来治理风险。

逆向工程LLM引用：GEO的护城河到底有多深

Simaia 在技术说明中提及的核心方法是“提示模拟与频率分析”。团队会大量生成潜在买家的真实提问，观察不同模型在特定领域的回答中稳定引用哪些网页、媒体或论坛，然后回溯这些来源的内容特征，并据此生产或分发经过LLM提取优化的内容。这套逻辑与传统的SEO完全不同——它不再依赖关键词密度、域名权威或反向链接，而是试图归纳并迎合一个黑箱系统的援引偏好。

问题在于，大语言模型的引用逻辑并非一成不变的规则集。每一次模型升级、RLHF(基于人类反馈的强化学习)调整、甚至检索增强生成策略的修改，都可能重置此前建立的引用模式。Simaia 所宣称的“持续、数据驱动的反馈循环”，本质上是不断追赶平台动态的猫鼠游戏，而不是像传统SEO那样可以借助相对稳定的算法因子建立长期资产。这也是为什么公司需要强调“迭代”——如果没有持续投入，一个月前有效的信源排名和内容格式可能在模型更新后迅速贬值。

Ryan Wan 将这项能力描述为“隐性知识的外包”：“我们研究了LLMs如何决定引用哪些来源……客户不需要理解这些。”但对于买方而言，这种外包也意味着获客管道的关键技术完全受制于一个尚不透明的服务商，而AI模型本身的随机性使得效果评估难以完全归因。在缺乏独立对照实验的情况下，“3-5倍线索增长”究竟有多少来自内容策略，有多少来自模型当天的回答偏好，仍然是一笔糊涂账。这意味着GEO的护城河可能比宣称的要浅得多——它更像是在模型的水面上不停踩水，而不是建起了坚固的堡垒。

Iterative S26入场的信号：小支票、大背书，与不公开的融资规模

Simaia 本轮融资是通过入选 Iterative S26 加速器批次而获得的。Iterative 是一家专注东南亚及亚太市场的早期投资机构，通常以加速器模式进行种子前和种子期注资。值得留意的是，公司并未公布具体金额，公关口径仅强调“筹得一笔种子前轮融资”。在早期融资实践中，未披露金额往往暗示规模不大——不足以成为独立叙事锚点——但来自机构加速器的背书本身具有一定信号价值。

结合创始人披露的运营数据：公司整体月环比增长在“双位数”，客户留存率90%，外加在六个国家同时产生收入，这个增长轮廓对于一个加速器项目而言不算差。但同样地，这些增长数字未经审计，也没有披露绝对收入规模。如果早期月收入基数在数万美元量级，那么“双位数”增长对估值支撑的边际效用会随着基数扩大快速衰减。Ryan Wan 称，资金将用于“维持当前增长轨迹，并扩展至目前六个国家以外的市场”。这意味着公司短期内不准备走出亚太和发展中经济体视野，而是在现有客户密集的制造业、外包、金融科技等垂直领域做深。但也可能反映出其在更成熟市场获取客户的准备尚不充分，因为北美和欧洲的B2B买家用上对话式AI的速度同样在加快，而Simaia的美国客户目前仍是少数。

它不是SEO 2.0，也不是SaaS：一个在替代方案夹缝中的定位实验

把 Simaia 与市场上已有的选项摆在一起，更容易看出它商业模式的风险与张力。第一类替代方案是传统数字营销代理，它们提供SEO、SEM、内容营销和公关服务，但绝大多数没有针对AI模型引用逻辑进行优化，仍以谷歌搜索引擎的规则为金科玉律。第二类是AI内容写作工具，能够批量生成博客和社交帖子，但不负责分发，更不会告诉客户“该给哪个媒体发新闻稿才能让Perplexity抓取”。第三类是企业自建营销团队，成本高、培养周期长，对新兴AI渠道的认知存在代差。

Simaia 试图占据的，正是这三个选项之间的空隙：既比代理机构更懂LLM，又比SaaS工具更全栈，还能在成本上压制内部团队。每月800美元起的定价，使它对月营销预算在几千美元级别的中小外贸工厂极具吸引力。但这份吸引力的脆弱面也同样明显——Simaia 的服务深度依赖于它对各行业LLM引用生态的持续监测和内容生产，而这两者的扩展都需要人力（或至少是大量计算和人工调优）。纯标准化做不到，因为“每个客户的受信任信源列表和发布日历都是完全不同的”，Ryan Wan 本人也强调没有两个客户用同一套方案。这种非标服务的规模化悖论，是服务型公司最经典的瓶颈：营收增长必定伴随着执行团队的扩张，边际成本不会线性递减。如果每一个新客户都需要额外的分析师和内容写手，那么每月800美元的固定费率能否覆盖长期成本就显得可疑。服务方可能被迫在利润率和交付深度之间做出取舍，进而影响客户留存和口碑。

数据亮，但有待验证：自报案例的归因鸿沟

新闻稿引用的几个客户案例，如制造业客户从每季1条线索涨到月均10条，或香港客户6倍AI流量增长，均采用了前后对比的单变量归因。但在真实的B2B营销环境中，客户可能在同期调整了产品定价、渠道策略，或恰好赶上了某个行业旺季。没有任何控制组或增量测试的佐证，使得这些案例更适合作为销售素材，而非严谨的效应评估。此外，AI机器人访问量24倍的年同比增长，听起来惊人，但如果起点是去年此时几乎没有AI爬虫碰过这个域名，那么绝对增量依然有限。

同时，这些数字中隐藏着一个关于“AI搜索流量”的定义问题。Simaia 并未公开说明如何区分“来自ChatGPT推荐的真实商业买家”与“AI模型在训练或检索阶段产生的非人机访问”。如果网站访客识别模块将后一类流量也纳入线索口径，那么生成的“联系人信息”可能在部分情况下并非决策者，甚至不是真人。即便是真实企业访客，从匿名流量到可识别的个人资料，这中间的技术实现路径究竟是利用了浏览器指纹、反向IP查询还是其他手段，公司也未说明。这种不透明使得“线索”的质量评估无从谈起，也削弱了案例效果的普适性。

进一步看，90%的客户留存率听起来健康，但如果早期客户基数很小（例如几十家），那么个位数的流失都可能无法被数字准确反映。在没有绝对客户数量和时间序列数据的支持下，留存率只能作为参考信号，而非验证产品市场契合的充足证据。

三重不确定性：平台依赖、隐私暗流与黑箱运营

抛开增长数字，Simaia 还要面对三个结构性的长期风险。第一，单边平台依赖。其全部价值主张建立在五大AI模型的引用机制之上，而模型提供商既可能随时调整展示规则（例如减少对第三方网站的引用、倾向于封闭生态内信息），也可能将此类GEO行为定义为操纵并被反制。任何一次类似谷歌“企鹅”或“熊猫”算法的更新，都可能瞬间清零积累的信源排名。这种依赖意味着Simaia的商业模式不具备独立存在的根基，它在某种程度上是寄生在少数几个科技巨头流量分配机制之上的中间层，一旦寄主改变营养路径，中间层就会面临生存威胁。

第二，访客身份识别的隐私边界。从AI搜索流量中抓取姓名、邮箱、电话和LinkedIn档案，无论技术上是如何实现的，在GDPR、PDPA等隐私法规框架下的合规性仍是一处空白。Simaia 的公开材料没有触及数据获取的法律依据和用户同意机制。如果未来有客户或访客就此提出异议，服务链条最底层的价值主张将直接暴露在监管风险中。尤其在欧盟或严格隐私管辖区的客户场景中，这种风险可能造成连锁性的信任崩塌，甚至引发法律纠纷。

第三，公司几乎全部运营数据、财务指标和技术效果均来自自有新闻稿和创始人陈述，缺乏独立第三方验证。融资额未披露、成立时间未提及、官网地址缺失，连确切的联合创始人信息都付之阙如。对一家已经产生客户收入且宣称“90%留存率”的公司而言，这些信息留白颇为罕见。这不一定指向实质问题，但足以让任何严肃的企业采购方在签约前要求更多证据。在一个尚不透明的新兴市场中，透明度本身就是一种竞争力，而Simaia目前的信息披露程度，尚不足以支撑其“全栈营销团队”所暗示的专业可靠形象。

抛开这些不确定性，Simaia 的叙事捕捉到了一个真实存在的市场缺口：数以万计的亚太B2B中小企业，正在贸易展、阿里巴巴国际站、谷歌广告的传统三角中耗尽预算，而新大陆——对话式AI搜索——不仅没有地图，甚至没有进入门槛的可视标记。Simaia 试图成为那张地图的绘制者，并直接收取向导费。这个切入点的时机、规模和地缘定位，恰好解释了 Iterative——一家擅长在基础设施与跨境SaaS之间寻找非共识标的的加速器——为什么愿意在种子前阶段下注。只是接下来的路，要从案例故事进入真正的规模化检验，从LLM的逆向工程进入合规与可持续性的深水区。

RecodeX 极客视：生成式引擎优化并非SEO的简单延续，而是对AI模型引用机制的实时博弈。Simaia 以“全栈外包团队”而非工具的姿态切入，降低了中小企业进入对话式搜索获客的门槛。但自报数据的归因模糊性、对模型平台的单边依赖，以及访客识别的隐私风险，决定了其模式仍处于早期验证阶段。Iterative S26的背书为这场实验提供了一段燃料，而真正的考验是：当模型更新一夜之间改写引用逻辑时，这家公司能否在客户流失之前重建通道。

信息来源

本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。