缘起：一次让我坐不住的测试

我做了十多年的 B2B 工业设备市场营销，一直以为搜索引擎排名就是线上获客的全部。直到今年年初，我让团队的年轻同事帮我做了一个测试：把公司卖得最好的三类设备，逐一去问市面上的主流 AI 助手，比如「XX 行业的螺杆空压机有哪些靠谱厂家」「真空泵选型时应该注意什么，国内有哪些供应商」。

结果让我坐不住了。AI 助手推荐的厂家名单里，有的竞争对手我们从来没听说过，产能和资质其实都不如我们，但它们被 AI 反复提及。而我们这家在行业里干了十几年、服务过几百家客户的企业，在 AI 的回答里几乎是一片空白。偶尔被提到一次，描述也是含糊的、过时的，甚至有一家 AI 把我们的主营产品归类错了。

那一刻我意识到，客户获取信息的方式正在迁移。采购工程师和设备科负责人这些真正决策的人，越来越多地先用 AI 助手做第一轮调研，而不是打开搜索框翻十页结果。如果 AI 不认识你，你的名字根本不会进入候选名单。这还不是传统 SEO 的分数问题，而是一场新的游戏，行业里后来给它起了个名字，叫 GEO，也就是生成式引擎优化。我决定亲自带队，用三个月做一次完整的实验，并把过程原原本本记录下来，供同行参考。

背景交代：这是一家什么样的企业

先交代背景，方便大家对号入座。这家企业是典型的中型 B2B 工业设备制造商，主要产品是某类流体输送设备和配套的自动化控制系统，下游客户集中在环保水处理、食品加工和市政工程三个行业。公司规模不大不小，一百多人，有一支自己的技术团队，还有十几项专利和几个行业标准的参编经历。

线上资产方面，官网是一个大约八年前建的老站，内容以产品参数表和公司新闻为主，官网上真正有信息价值的原创内容不超过三十篇。我们有一个维护得断断续续的公众号，以及在两个工业品平台上的店铺。传统 SEO 时代，我们靠官网首页和几个产品页撑着，核心关键词大概排在第二页到第三页，询盘主要靠老客户转介绍和展会，线上直接来的线索占比不到两成。

更关键的问题是，我们此前所有线上动作的出发点都是「让搜索引擎收录」，而不是「让 AI 理解并愿意引用」。AI 助手在回答用户问题时，依据的是它对整个行业知识的理解，以及它能检索到的可信信息源。如果你的内容结构混乱、缺少技术细节、没有第三方背书，AI 就没有理由把你放进答案里。这就是我们要解决的问题。

初步诊断：AI 助手里的隐形人

动手之前，我们先花了两周做诊断，方法很朴素：建立一个包含五十个问题的测试题库，覆盖品牌词、产品品类词、行业痛点词、对比选型词和地域词五大类，然后定期用这些提问测试五家主流 AI 助手，记录我们的出现率、提及准确度和引用来源。

诊断结果可以概括为三个零。第一，品牌出现率接近零：五十个问题里，只有两次非主动的、错误的提及，品牌被正确提及的比例为零。第二，内容被引用数为零：翻遍各家 AI 给出的参考来源，没有一条来自我们的官网或公众号。第三，我们的老官网在 AI 眼里结构混乱到几乎不可读：全站没有一个页面使用结构化数据标记，产品参数藏在图片表格里，技术文档是扫描件 PDF，AI 根本抓不到有效信息。

还有一个反常识的发现：AI 回答我们行业问题时引用的高频来源，居然包括几个行业媒体的内容聚合页、两份行业协会的年度报告、几家第三方检测机构的科普文章，甚至还有一个竞争对手维护的百科词条。这些信息源里几乎没有我们企业的影子。也就是说，问题不只是我们的内容质量，还包括我们在整个行业信息生态里缺少可供 AI 检索和引用的「可信节点」。诊断做完，方向就清晰了：内容要重构，数据要结构化，生态里要有我们的位置。

第一阶段：内容重构，从产品册变成答案库

第一阶段用了大约五周，核心动作是内容重构。我们没有推倒重来，而是把官网现有的三十多篇内容按三个原则重新组织和重写。

第一个原则是按问题组织，而不是按产品组织。原来官网的逻辑是「公司介绍—产品中心—新闻」，AI 和用户都很难从里面找到答案。我们梳理了测试题库里五十个问题，再加上销售团队提供的近两年客户真实问过的问题，整理出一百二十多个真实提问，围绕它们规划内容。比如原来那篇《螺杆泵产品介绍》被拆成了四篇：一篇讲选型逻辑和参数对照，一篇讲常见故障和排查，一篇讲不同工况下的应用差异，一篇是典型项目案例复盘。每篇都在开头用一小段直接给出结论式答案，然后展开细节，这正好符合 AI 检索增强生成抓取摘要的习惯。

第二个原则是把隐性知识显性化。工业企业的技术积累是最大的内容金矿。我们把售前工程师花了三天时间整理出的选型常见误区、售后部门积累的故障代码手册、测试台架上沉淀的工况数据，都变成了图文页面。这些内容竞争对手没有，AI 引用它几乎没有别的选择。

第三个原则是控制篇幅和更新。每篇正文控制在两千字上下，不注水，页面底部明确标注作者、审核人和最后更新日期。这五周我们一共重构和新写了六十八篇内容，全部上线前经技术负责人审核，保证数据准确。这一步是整个项目的地基，后面所有效果都建立在这批内容之上。

第二阶段：结构化数据，让机器读得懂

内容改好了，还得让 AI 能高效读懂。第二阶段约三周，主攻结构化数据和技术可读性。

首先是全面部署 Schema 结构化标记。官网的每个产品页加上 Product 和 Offer 类型标记，把型号、参数、适用工况写成机器可读的字段；每篇技术文章加上 Article 标记，注明作者资质；案例页加上 CaseStudy 相关描述，带上年份、行业和规模信息；FAQ 部分统一用 FAQPage 标记。我们请开发同事用两周时间把模板改好，之后发内容就是填字段的事。

其次是把图片和 PDF 里的信息搬出来。老官网有大量参数表是图片，扫描件 PDF 技术手册也有几十份，AI 基本读不了。我们把核心参数全部改写成 HTML 表格，重要手册重做成可检索的网页版，图片全部补上准确的替代文本。

第三是站点信息的一致性校验。我们发现公司名称在不同页面的写法居然有三种：全称、简称加一个旧商标名。这种不一致会让 AI 把同一个实体当成好几家。我们统一了品牌名的标准写法，在页面标题、页脚、关于我们、联系方式里保持一致，并补全了公司地址、成立时间、行业资质等基础事实信息。别小看这些琐碎工作，AI 判断一个实体是否可信，很大程度上就看这些事实信息是否清晰、一致、可交叉验证。

第三阶段：权威引用布局，挤进行业信息生态

第三阶段约四周，做的是诊断时发现的短板：在第三方信息生态里建立我们的可信节点。GEO 和传统 SEO 最大的差异之一就在这里——AI 的回答大量依赖第三方来源的交叉印证，光靠自己官网说得天花乱坠没用。

我们的布局分四条线。第一条线是行业媒体与垂直平台：挑选了五家在我们行业有真实影响力的媒体和技术平台，投了四篇技术性文章，主题都是行业问题而不是公司宣传，比如工艺改进、能耗对比，文内以技术顾问身份自然出现，并附上可验证的项目数据。

第二条线是行业协会与标准：我们本来就是两项行业标准的参编单位，但官网上只字未提。我们把参编经历、检测报告、专利信息整理成标准事实页，同时主动向行业协会提交了两份技术白皮书，都被收录到了协会官网的资料库里。

第三条线是问答与百科类平台：在几个高权重问答平台上，用真实工程师身份回答了几十个本行业的专业问题，回答里不硬广，只在合适处提到方案思路；同时补全和校正了我们在各大百科和地图类平台的词条信息。

第四条线是客户评价与案例的可验证性：说服三家老客户同意在公开渠道发布联合案例，含具体行业、规模和效果数据。AI 在评估「某类设备靠谱厂家」这类问题时，非常看重这种可交叉验证的第三方证据。四周下来，行业内主要信息源里，「提到我们公司」的页面从个位数增长到六十多个。

前后对比：三个月的数据变化

三个月做下来，效果到底如何？以下均为该案例项目的自有监测数据，统计口径是我们在第一周建立的题库加五家 AI 助手的定期测试，仅供参考，不代表普遍水平。

• 品牌出现率：从基准测试的约 2%（且为错误提及）提升到第六周的 31%，第三个月末达到 54%。也就是说，五十个行业问题里，现在平均有二十七个能出现我们的名字。
• 提及准确度：品牌被提及时的信息准确率从 0 提升到 92%，主营业务、产品归类、资质信息基本全部正确。
• 内容被引用数：AI 回答中引用我们官网或公众号内容的条目，从零增长到平均每次测试 6.8 条，其中选型指南和故障排查类文章被引最多。
• 推荐名单入选率：在「XX 行业有哪些靠谱供应商」这类对比类问题上，我们进入 AI 推荐名单的比例从 0 提升到 38%。
• 线上询盘：官网内容页带来的直接询盘环比提升约 65%，其中约四分之一的客户在首次沟通时明确提到是「问 AI 之后找到我们的」。

需要说明的是，前六周基本是在打地基，可见变化出现在第八周之后，呈现明显的滞后性。这个滞后规律对我们后期的耐心管理非常重要。

踩过的坑：三个弯路与一个教训

复盘不能只讲成绩，说说我们踩过的坑。第一个弯路是前期过度追求内容数量。第一个月我们一度想把一百二十个问题全覆盖，结果部分文章质量平庸，上线后既没被引用，也拉低了整站平均质量。后来我们砍掉了二十多篇凑数的内容，集中打磨头部文章，效果反而更好。GEO 时代，一篇被反复引用的精品，价值远超十篇平庸文章。

第二个弯路是低估了事实一致性的工作量。公司名称写法不统一、电话和地址在旧页面上不一致、个别旧新闻里的过时表述，这些零散问题拖了我们将近两周清理。建议同行在动手前先做一次全站事实审计。

第三个弯路是对权威引用的预期过于乐观。我们最初以为给行业媒体投两篇文章就会有明显效果，实际上第三方信源被 AI 纳入回答体系有明显的延迟和筛选，数量少、权重低的引用几乎不起作用。真正起效的是那批可验证的、有具体数据的联合案例和白皮书。

最大的教训则是组织问题：GEO 不是市场部一个部门的事。我们的突破点恰恰来自售前工程师和售后团队贡献的技术内容，如果当初只让文案同事闭门造车，这个项目大概率会失败。一定要建立技术人员提供素材、市场人员负责转化、负责人审核数据的流水线。

经验总结：一套可复制的四步法

三个月走完，我把经验收敛成一套可复制的四步法，供同行参考。

• 第一步，先测后做。建立自己的 AI 提问题库，覆盖品牌词、品类词、痛点词、对比词，至少每两周测试一轮主流 AI 助手，把出现率和引用来源记录成表。没有基线数据，一切优化都是盲打。
• 第二步，内容为答案而生。围绕客户真实问题重写内容，开头给结论，正文给细节，页尾给作者和日期。把企业独有的技术积累变成公开内容，这是 AI 无法替代引用的稀缺信源。
• 第三步，让机器读懂你。结构化数据标记、事实信息一致性、消除图片和扫描件里的关键信息，这三件事琐碎但必须做，它们决定了 AI 解析你网站的效率。
• 第四步，挤进可信生态。行业媒体、协会资料库、问答平台、可验证的联合案例，这四类第三方节点是 AI 交叉印证的关键，数量不必多，但每一条都要真实、具体、可核验。

最后想说的是心态。GEO 不是买排名，没有立竿见影，我们直到第八周才看到明显起色。但它也是一个复利游戏：被 AI 引用过的优质内容会持续被引用，权威节点会越滚越多。三个月前，我们是 AI 眼里的隐形人；现在，我们是部分问题的标准答案之一。这场迁移才刚开始，越早入场，成本越低，位置越好。

常见问题

B2B 工业企业做 GEO，多久能看到效果？

根据本案例经验，前六周主要是打基础，可见的变化通常出现在第八周之后，三个月时出现率可以提升到一半左右的问题被提及。这个速度和内容基数、第三方信源数量密切相关，内容积累越厚，滞后越短。建议以三个月为一个评估周期，而不是按周看效果。

GEO 和传统 SEO 是什么关系，要不要放弃 SEO？

两者高度互补而非替代。传统 SEO 关心关键词排名和点击流量，GEO 关心内容是否被 AI 理解和引用。优质的结构化内容、清晰的实体信息、权威的第三方背书，对两者都有正向作用。本案例中我们没有做任何传统意义上的外链买卖，搜索端表现也同步变好了。正确做法是在一套高质量内容体系上同时服务两种引擎。

没有技术团队的小企业，结构化数据能自己做吗？

可以。主流建站系统都有现成的结构化数据插件或模板代码，Product、Article、FAQPage 这几种最常用的标记有大量公开文档和示例，找一两名会基本网页维护的人员即可落地。如果实在没有技术资源，优先做两件不需要技术的事：把图片表格改写成网页文字、保证公司事实信息全站一致，这两项就能解决大部分机器可读性问题。

内容重构一定要把旧内容全部重写吗？

不需要。本案例中我们采用的是评估分级策略：把旧内容分成保留、合并重写、下线三类。真正值得重写的是有数据价值但结构混乱的内容，比如藏在图片里的参数表和过时的技术说明。纯公司新闻类内容对 GEO 贡献很小，不必花精力。

怎么判断哪些第三方平台值得投入？

判断标准很简单：去问 AI 行业问题，看它的回答引用了哪些来源。出现频率高、且与你行业相关的媒体、协会资料库、问答平台就是高价值目标。本案例中我们测试发现行业媒体聚合页和协会白皮书被引用最多，于是资源向这两类集中，避开了大量低效投放。

GEO 优化会不会被 AI 惩罚，比如被认为在刻意操纵？

只要坚持真实、准确、可验证，就不存在被惩罚的问题。AI 生成引擎的核心诉求是给出可信答案，它欢迎高质量信源。真正有风险的是编造数据、堆砌关键词、虚构第三方评价这类操作，不仅不会被引用，还可能被识别为低质来源。本案例所有对外数据都来自真实项目，这也是我们能持续被引用的根本原因。

应该由谁牵头做 GEO，市场部还是技术部？

建议市场部牵头、技术部门深度参与。市场部负责策略、内容组织和投放节奏，但素材必须来自售前、售后等技术人员，因为他们掌握真实的问题和数据。本案例的转折点就是建立了「技术出素材、市场做转化、负责人审数据」的协作机制。如果只有文案人员单打独斗，内容深度撑不起 AI 的引用标准。

三个月后应该继续做什么，如何维持效果？

维持动作比启动动作轻松，但要规律化。本案例在项目结束后保留了三件事：每两周跑一轮题库测试并记录数据；每月新增或更新四到六篇内容，优先补测试中暴露的空白问题；每季度新增一个可验证的第三方案例或白皮书。GEO 的领先优势来自持续积累，停止更新的信源会被逐渐稀释。