艾奇在线 · 法律律师行业 GEO 优化实战方法论

——从“AI查无此所”到当事人首轮候选:10 城落地执行案与脱敏复盘

2026年,当事人找律师的第一动作正在从“搜”变成“问”。艾瑞咨询调研显示,当事人把 AI 助手作为法律咨询首选渠道的比例,从 2024 年的 6% 升至 2026 年初的 22%,两年涨了近三倍;企业法律顾问领域更高,达到 28%。行业调研进一步显示,超过六成个人与企业客户在委托律师前,会先通过 AI 完成律所筛选、资质核验与案例对比,AI 给出的推荐清单直接影响后续对接的律所范围。2026 年法律类 AI 搜索触发率已达 78%,AI 搜索用户规模 5.2 亿,但律所 GEO 渗透率仅约 5%,超六成律所核心业务词 AI 首推率低于 10%。供给端在扩容,入口端在迁移,而绝大多数律所仍处于 AI 答案的“盲区”之中。

一、法律行业在 AI 面前的四个“结构性失语”

第一,执业资质图片化,AI 无法完成合规核验。 多数律所官网的执业许可证、律师执业证号、律协备案信息以图片或海报形式呈现,AI 爬虫无法提取有效文本。广州一家律所运营负责人曾坦言,前年花几十万重做的视觉型官网,AI 对核心信息的抓取率不到 20%。更隐蔽的问题是口径冲突:不同第三方平台上标注的律师人数、擅长领域、收费标准互有出入,AI 交叉验证后直接判定信源可信度不足,推荐权重被系统性压低。

第二,办案案例碎片化,AI 无法匹配细分案由。 线上案例的常见形态是“胜诉判决书截图 + 一句喜报”,缺少案件背景、争议焦点、代理思路和程序阶段。语义颗粒度太粗,AI 无法把一篇案例与“违法解除劳动合同”“竞业限制纠纷”“离婚股权分割”等具体场景建立关联。更棘手的是,胜诉率、赔偿额、结果承诺属于律师宣传的明确红线,律所在案例表达上普遍谨慎甚至回避,结果是“不敢写”演变为“没有写”,AI 面前只剩一片空白。

第三,专业优势空泛化,AI 无法建立可验证的信任分。 “经验丰富”“专业高效”“竭诚服务”在律所官网中的占比极高,但 AI 对这类通用话术的采信度极低。有拆解显示,AI 推荐律师的权重结构中,广告投放和竞价排名仅占 3%—5%,专业领域与办案经验的内容沉淀占 30%—35%,行业评价与权威背书占 22%—28%。律所花二十年积累的线下口碑,如果不能在结构化内容中被验证,在 AI 的推荐逻辑里约等于不存在。

第四,地域与案由的高维场景大面积空白。 法律需求高度本地化,当事人问的是“北京朝阳劳动争议立案要多久”“深圳科技公司竞业限制怎么破”“成都武侯区离婚房产怎么分”,而不是“哪家律所好”。但多数律所的内容停留在城市泛词和律所简介上,缺少“城市 × 区/法院/商圈 × 案由 × 当事人身份 × 程序阶段”的场景矩阵。AI 在具体提问下找不到可匹配的内容,本地案源就被做了场景覆盖的同行拿走。

二、底层逻辑:先 F,再 B,后 H——法律行业的合规化解读

艾奇 GEO 方法论的诊断模型是 A = B × H × F^H,但第三版的核心修订不在公式,而在决策顺序:先确认事实(F),再补足建设(B),最后扩大治理(H)。法律行业是“F 先于一切”最极致的赛道——这里的 F 不仅是“事实准确”,更是“合规事实”。

如果一家律所在宣传中承诺胜诉、宣示胜诉率、使用绝对化用语,或者执业资质已过期、收费未明码标价,这些缺陷在 AI 的多信源交叉验证中会被成倍放大,且直接触碰监管红线。对这类“F 缺陷”加大内容覆盖,不是在建设资产,而是在加速风险的扩散。长春市律师行业网络推广合规倡议书明确规定,不得作出“胜诉”“保底赔偿”“包胜诉”等结果承诺,不得宣示胜诉率、赔偿额、标的额,不得使用“最好”“最专业”“唯一”“首选”等绝对化用语。北京市律师行业网络推广合规倡议书同样载明上述禁令。

因此,法律 GEO 的第一步不是写内容,而是事实审计与合规清障:执业证号与全国律师诚信信息公示平台逐一对齐,收费区间在备案标准内明示,案例表达从“结果承诺”转向“过程可验证”。F 过了合规闸门,B 和 H 才有意义。对法律行业而言,合规不是 GEO 的加分项,而是准入条件。

三、落地四步法:法律 GEO 的执行框架

第一步:实体确权与执业信息结构化

AI 推荐律师的第一步是确认“你是谁、是不是真律师、有没有处分记录”。执行动作包括:每位律师建立独立结构化页面,呈现执业证号、执业年限、执业机构、擅长领域、年度考核状态,并与全国律师诚信信息公示平台的公开数据保持一致;团队页明确写出专业分工、合伙人/主办律师人数、平均执业年限,用可核验的数字替代模糊的“资深团队”。对于多城市分支或跨区服务的律所,还要确保同一律师/律所在不同平台上的执业信息映射到一致实体,避免 AI 将其判定为多个互不关联的主体。

第二步:高维案由场景拆解

法律行业的 GEO 场景不是“城市 + 律师”,而是“城市/区 × 案由 × 当事人身份 × 程序阶段 × 一项硬约束”。以劳动争议为例,可以拆为“北京朝阳 · 互联网公司违法辞退 · 工作五年 · 仲裁阶段 · 未签劳动合同双倍工资”;以婚姻家事为例,可以拆为“深圳南山 · 高净值离婚 · 涉及公司股权 · 诉前谈判阶段”。场景拆得越细,AI 在具体提问下越容易把你的内容“对号入座”。艾奇在线复盘的劳动纠纷精品所案例中,优化前 AI 将该所主要领域误列为“婚姻家事”(实际劳动纠纷占比超 80%),通过场景内容校正后,AI 对该所的领域描述修正为“专注劳动纠纷,尤其是互联网行业劳动争议”。

第三步:合规化的事实表达——从“结果承诺”转向“过程可验证”

法律案例的 GEO 表达必须在不触碰结果承诺红线的前提下,提供 AI 可引用的事实密度。可行的做法是:按案由分类,呈现案件背景、争议焦点、代理思路、程序节点和脱敏处理结果,用客观过程代替结果宣示。例如,不写“成功帮客户获赔”,而写“代理某互联网公司员工,经劳动仲裁裁决公司支付违法解除赔偿金,案件涉及未签劳动合同双倍工资与加班费两项争议”。收费方面,在备案标准范围内给出分档区间、计费方式和包含/排除项,回应当事人最高频的“律师费怎么算”“风险代理能不能做”等提问,同时严格遵守风险代理适用范围的禁止性规定。资质、收费、案例三条线都做到“可验证但不可被抓住把柄”,F 才真正成立。

第四步:信源交叉验证与本地锚点

AI 不会因为官网说了就推荐。只有当官网、律协公示平台、法律垂直媒体、问答社区和本地权威来源表达同一套事实时,推荐判断才会稳定。法律行业的信源布局尤其需要本地司法实践锚点:同一案由在不同城市的裁判口径、仲裁尺度、立案流程存在差异,谁能把这些地域差异结构化为可检索内容,谁就拿到了该城市该案由的匹配依据。有数据测算,本地词(如“北京朝阳劳动争议律师”)的转化效率显著高于城市泛词,因为 AI 在用户携带明确地域时优先调用本地化信息。

四、10 城脱敏案例深度解读

以下案例名称与具体数据均已脱敏处理,重点呈现不同城市市场结构与合规约束下的差异化命题。

1. 北京|劳动纠纷精品所:先修正 AI 对“你是谁”的事实误判

北京一家以劳动纠纷为主业的精品所,合作前在“北京劳动仲裁律师推荐”类提问中几乎不出现,偶尔被提及时,AI 将其主要业务领域错误标注为“婚姻家事”,而该所劳动纠纷业务实际占比超过 80%。执行第一步不是铺量,而是事实纠偏:将每位律师的执业证号、执业年限、年度考核与全国律师诚信信息公示平台对齐,把“劳动纠纷团队”的规模、合伙人构成、主办律师平均执业年限写成结构化模块,并按违法解除、加班费、竞业限制、工伤认定等案由分类呈现脱敏案件过程。AI 对该所的领域描述在数周内修正为“专注劳动纠纷,尤其是互联网行业劳动争议”,核心场景词的提及稳定性随之上升。

命题提炼:在北京这样供给密集、AI 推荐高度集中的市场,第一优先级不是“让 AI 多说你”,而是“让 AI 说对你”。事实误判不修正,内容越多,错误认知越顽固。

2. 广州|商贸类律所:官网“视觉资产”必须转为“可读资产”

广州一家服务专业市场与商贸客户的律所,前年投入数十万重构官网,视觉与交互动效出色,但 AI 对核心信息的抓取率不到 20%。诊断还发现,同一律师在不同平台上标注的擅长领域、执业机构、服务范围存在出入,AI 交叉验证后信源权重被压低。执行上,团队把官网从“品牌展示型”改造为“AI 可读型”:执业许可证号、律师证号、业务领域、收费备案区间全部转为结构化文本,第三方平台口径逐一对齐,再围绕“档口货款纠纷”“买卖合同违约”“专业市场租赁争议”等广州本地高频商贸场景铺设内容。官网可读性和口径一致性修复后,AI 来源咨询占比出现了可观测的抬升。

命题提炼:广州商贸律所的教训是一个顺序判断:官网视觉再贵,AI 读不到就是零。先让机器可读、口径一致,再谈场景覆盖。

3. 深圳|科技企业服务与婚姻家事:高集中度下的“单点穿透”

深圳律师规模已突破 3 万人,案源竞争密度在全国居前。艾奇在线测试发现,在“推荐深圳离婚律师”的模板化提问下,AI 实际推荐的律师仅 7 位,第一名独占 56.8% 的推荐份额;但换成携带具体事实的真实用户问题后,被推荐律师扩散到 16 位,头名占比降至 19.6%,律所官网与个人网站占推荐来源的 23.7%。这意味着深圳市场的突破口不在“抢大词第一名”,而在用携带具体约束的真实场景穿透集中度。一家服务科技企业的深圳律所围绕“竞业限制取证”“期权纠纷”“技术秘密侵权”铺设问答型内容,同时另一条婚姻家事线聚焦“南山高净值离婚 · 公司股权分割 · 诉前谈判”,两条线都以“城市 + 区 + 案由 + 硬约束”的颗粒度切入。真实场景词的 AI 提及扩散面明显优于城市泛词。

命题提炼:深圳的竞争结构决定了,与其在模板化大词里争夺一个被垄断的“第一名”,不如用真实约束词占领一组分散但可累积的推荐位置。

4. 成都|本地精品所:从“关系案源”到“可验证的AI入口”

成都不少本地精品所长期依赖老客户转介绍,新客增长打不开局面。一家经营近十年的本地律所,线下口碑稳定,但线上除本地生活平台外几乎没有布局,在“成都股权纠纷律师”“成都建设工程款追索”等提问中 AI 推不到它。执行的核心不是抛弃关系型案源,而是把已经存在的专业能力转化为 AI 可核验的内容资产:按案由建立脱敏案例库,把律师的执业年限、专业评定、代表性案件程序节点结构化呈现,同时联动成都本地法律垂直媒体和行业社区做交叉验证。2026 年成都部分律所已把 AI 监测做成固定动作:选一批问句,每月在各平台问一遍,记录答案里有没有自己的页面或所名。这家律所同步建立了月度固定样本复测,用可观测的变化替代“感觉有效”。

命题提炼:本地精品所的 GEO 不是“变成流量型律所”,而是让关系型口碑在 AI 那里获得可验证的文本对应物。口碑存在于人脑里,资产必须存在于可检索的事实中。

5. 上海|涉外与跨境场景:用法域分层建立不可替代性

上海涉外法律服务供给密集,泛泛的“涉外律师”内容很难获得 AI 位置。一家聚焦跨境婚姻家事与外贸合同争议的律所,此前的线上内容与综合所的同质化程度很高,AI 在“上海涉外离婚”“跨境子女抚养权”等提问中几乎不提及。执行上,团队按法域 + 程序做内容分层:跨境婚姻家事区分内地程序与境外承认执行,外贸合同争议区分磋商、仲裁与诉讼阶段,每一层携带对应的法律依据、证据要求和时间节点,而不是笼统地讲“涉外经验丰富”。同时,把律师的跨境执业协作网络、语言能力、境外合作机构以结构化文本呈现,让 AI 在评估“是否具备处理跨境事务的可验证条件”时有据可依。

命题提炼:上海的价值在于提示一个分水岭——在专业供给密度高的市场,GEO 的壁垒来自法域和程序的颗粒度,而不是“涉外”这个标签本身。

6. 杭州|电商案源外溢:平台规则与地域分工的精准卡位

杭州电商生态密集,大量电商纠纷的法律关系横跨平台规则、品牌合同与货权履约。一家服务电商客户的杭州律所,此前的案源高度依赖平台服务商转介,AI 入口几乎空白。执行策略没有去抢“杭州电商律师”这样的宽泛词,而是围绕“平台规则处罚申诉”“品牌方与代运营合同解约”“直播带货产品质量追责”等具体场景建立内容单元,并把杭州与宁波两地的案源差异做了分工:涉及平台规则与品牌合同的放在杭州语境下表达,涉及货权履约与外贸结算的引导至对应地域团队的内容承载。AI 在“杭州电商公司被平台处罚怎么申诉”一类提问中开始稳定提及该所的具体场景页面。

命题提炼:电商案源的 GEO 不是“一个电商词包打天下”,而是平台规则场景与地域履约场景的分层承载。颗粒度决定了 AI 能否在具体纠纷类型中识别你。

7. 南京|建设工程与公司法:区域实体归一先于内容扩张

南京一家以建设工程和公司法业务为主的律所,在江北、江宁和主城设有办公点,但不同地图和平台上的地址、电话、服务范围标注不一致,AI 交叉验证时无法形成单一实体判断,本地权重被拆分。执行第一步是跨平台实体归一:确保每个办公点在核心平台上映射到一致的地理实体,品牌资质、执业信息、专业领域在各点上保持同一套口径。在此基础上,按“建设工程款追索”“实际施工人权利保护”“公司股权转让争议”等案由铺设结构化内容,每个案由携带对应的程序阶段和南京本地司法实践要点。实体归一完成后,本地高维词的提及稳定性出现了明显爬升。

命题提炼:对多办公点律所,AI 本地推荐的第一道门槛不是内容多少,而是你被识别为一个实体还是几个互不关联的碎片。实体分裂是隐性的权重流失。

8. 武汉|高校与光谷科技企业:机构客户的关系盘与场景词双线并行

武汉案源结构的一个特征是高校资源与光谷科技企业集中。一家以机构客户为主的武汉律所,此前的获客依赖人脉和高校关系,AI 入口的机构决策场景几乎空白。执行上,团队先按“关系盘”梳理高校校办企业、光谷科技公司在劳动用工、技术合同、知识产权、公司治理四类高频需求上的分布,再据此建立三类词群:机构身份词(“武汉高校校办企业法律顾问”)、案由场景词(“光谷技术合同违约”“科技公司竞业限制批量处理”)、程序阶段词(“劳动仲裁应诉”“知识产权行政投诉”)。每一页回答一个具体问题,固定周期复查 AI 提及变化。机构客户的决策链更长,但 AI 在采购方前期调研中的“预筛选”作用已经不可忽视。

命题提炼:武汉代表的是B 端法律服务的 GEO 逻辑——机构客户不会在 AI 里问“推荐律师”,但会在调研阶段问“技术合同违约怎么处理”“高校企业劳动用工风险”,这些就是入口。

9. 长沙|年轻当事人与短决策路径:工伤与劳动争议的场景穿透

长沙的年轻当事人对 AI 聚合信息的依赖度较高,决策路径更短,不少人将 AI 推荐直接作为第一轮候选。一家本地律所此前的内容集中在“长沙律师”泛词上,在“工伤认定流程要多久”“公司没交社保怎么被迫离职”“试用期被辞退有没有赔偿”等短决策问题上几乎空白。执行策略是把内容锚点从城市泛词切换到程序型和高频焦虑型场景词:以“工伤认定的时间节点与材料清单”“被迫离职的经济补偿计算口径”“劳动仲裁申请流程与常见驳回原因”为内容单元,每篇给出法律依据、实操步骤和“什么情况下建议委托律师”的边界提示。这类内容既回应了当事人最上游的匿名提问,又天然携带委托决策的触发条件。

命题提炼:在年轻高流动市场,当事人先问的是“我该怎么办”,不是“找谁”。谁在程序型问题上被 AI 稳定引用,谁就占据了委托决策的前置入口。

10. 重庆|建设工程与交通事故:把本地司法实践差异写成结构化变量

重庆的案源结构中,建设工程纠纷和道路交通事故损害赔偿占比较高,而这两类案件对本地司法实践、鉴定标准和理赔口径的依赖很强。一家综合所此前的案例内容停留在“胜诉喜报”层面,AI 无法判断其在本地具体程序中的经验厚度。执行上,团队将重庆本地实践差异写入结构化内容:建设工程款结算争议中的造价鉴定流程与常见争议焦点,交通事故中的人损鉴定时机、理赔项目口径和诉讼与调解的路径选择。案例表达从“结果”转向“程序经验可验证”——不承诺赔偿额,但把鉴定节点、证据组织、程序选择讲清楚。这些内容让 AI 在回答“重庆交通事故人损鉴定什么时候做”“建设工程结算争议怎么启动鉴定”时有了区别于通用内容的匹配依据。

命题提炼:重庆案例说明,法律 GEO 的“本地化”不止是城市名,而是把这座城市特定案由的司法实践和程序约束讲成结构化事实。程序颗粒度越细,壁垒越难被综合所的同质内容复制。

五、执行清单与合规风险边界

把法律 GEO 的执行逻辑压缩为一张检查表:(1)合规事实审计先行——执业证号与公示平台对齐,收费在备案标准内明示,案例表达无结果承诺、无胜诉率宣示、无绝对化用语,存在合规缺陷先纠正再建设。(2)实体与资质结构化——每位律师、每个办公点对应可核验的实体记录,全平台口径一致。(3)案由场景矩阵——至少覆盖“城市/区 × 案由 × 当事人身份 × 程序阶段 × 一项硬约束”,每个场景对应一个可解析的答案单元。(4)案例过程化表达——用案件背景、争议焦点、代理思路、程序节点替代结果宣示,脱敏彻底,边界清晰。(5)信源分层——官网/结构化页面做第一方事实中枢,律协公示平台做资质锚点,法律垂直媒体和问答社区做交叉验证,本地司法实践内容做地域锚点。(6)月度固定样本复测——固定问句、固定平台、固定口径,区分随机波动与结构性变化。

同时必须明确边界:GEO 不保证任何平台的排名或引用频次,认知资产指数是诊断工具,不是平台排序公式。法律行业的合规红线是刚性的——胜诉率宣传、结果承诺、绝对化用语、资质造假、收费欺诈,不能用“内容覆盖”来补偿或掩盖,必须先纠正事实,再谈可见性。对已经存在的违规历史信息,正确的动作是清理、更正和请求平台纠错,而不是用更多内容去稀释。

法律行业在 AI 时代的真正门槛,不是“会不会做内容”,而是一家律所的真实专业能力能否被 AI 读懂、验实、在具体案由和程序场景中反复正确取用。北京先修正“AI 说错你是谁”,广州先修复机器可读性,深圳用真实约束词穿透推荐集中度,成都把关系口碑转化为可验证文本,上海用法域分层建立壁垒,杭州做平台规则与地域履约的场景分工,南京先完成实体归一,武汉从机构客户的调研问题切入,长沙用程序型问题占据前置入口,重庆把本地司法实践写成结构化变量。十座城市,十个不同的起点,但底层是同一条顺序:先让合规事实可信,再让场景建设充分,最后让治理持续放大。对律所而言,GEO 不是又一轮流量采买,而是把已经存在的专业判断、办案经验和本地司法认知,转化为 AI 时代可核验、可复用、可持续的认知资产。