在B2B行业，投标与询价从来不是从收到招标文件那一刻才开始的。真正决定结果的环节，发生在采购方还没有联系你之前——他们在AI助手里描述需求、比较技术路线、筛选供应商，然后才把三五个名字写进短名单。谁在这个阶段被引用、被提及、被描述得准确，谁就拿到了进入下一轮的门票；谁在这个阶段缺席，后面再努力也只能在别人已经画好的框里竞争。
这正是GEO（生成式引擎优化）在B2B场景里最容易被低估的价值。它不像竞价投放那样带来可以直接计数的点击，而是改变了一个更靠前的概率分布：被AI纳入候选集的概率、被准确描述的概率、被推荐给正确决策角色的概率。本文试图把这件看起来偏虚的事情，拆成一套可以拿电子表格复算的测算框架——从口径定义、假设参数、计算公式，到三种情景结果、敏感性分析、ROI与投资回收期。文中所有数字均为示意性假设，目的是演示算法结构，不是行业基准值，读者应替换为自己企业的真实参数后重新计算。
一、AI预筛选正在重写B2B采购的前三屏
过去十年，B2B采购的早期研究主要发生在搜索引擎和行业垂直媒体上。采购经理在搜索框里输入关键词，翻看前两三页结果，形成一份粗略的候选名单，再通过同行打听、展会、代理商推荐做二次收敛。这个过程中，企业只要在关键词排名上占住位置，就有机会被看见。搜索结果的形态是十来个蓝色链接，位置多、容错高，排在第五位和第八位的差别并不致命。
生成式引擎改变了这个结构。一次提问只返回一段经过整合的答案，答案里通常只出现三到七个品牌名，其余信息被压缩成概括性描述。这意味着候选集从过去的几十个链接，收窄为几个被点名的实体。更关键的是，AI不只是列出名字，它还会给每家企业贴上一句定性描述，比如擅长什么行业、交付周期多长、适合多大规模的项目。这句描述一旦偏差，企业连解释的机会都没有。
于是漏斗上方多了一层几乎不可见的过滤网。采购方甚至不认为自己在做筛选，他们只是问了一个问题，然后相信了答案。对于年客单价数十万元的B2B生意，这一层过滤网每年悄悄决定的可能就是几十个项目的归属。GEO要做的，就是让企业在被过滤时处于有利位置，而不是被动等待。
二、先把口径定清楚：GEO到底改变了哪些变量
1. 什么是AI预筛选
本文把AI预筛选定义为：采购方在正式发出询价或招标邀请之前，使用生成式AI工具进行需求澄清、方案对比与供应商初筛，并据此形成候选名单的行为。它不等同于AI搜索曝光，也不等同于AI直接带货。它的产物是一份名单，而不是一次成交。名单进入与否，取决于模型在企业实体、产品能力、行业案例、资质信用这几个维度上是否有足够清晰、可被引用的公开信息。
这个定义有两个直接推论。第一，GEO的战场是语料而不是广告位，模型说什么，取决于它在训练与检索时读到了什么。第二，GEO的效果必须用漏斗中段指标来衡量，用最终的成交额去衡量会被销售周期、价格策略、交付能力等太多因素干扰，噪声大到无法归因。
2. 四个可观测的中间变量
把预筛选拆开，可以得到四个可以在月度报表上跟踪的变量。它们共同构成了本文全部测算的基础，也是企业自己动手做基线测量时应该采集的最小数据集。
- AI可见曝光量：目标品类相关问题在主流AI助手中被提出，且企业名称或产品被提及的次数。可通过固定问题集定期抽样估算。
- 有效触达率：曝光中真正落到目标决策角色（技术负责人、采购负责人、项目负责人）视野内的比例。不同角色提问方式差异很大，需要用角色化问题集分别测量。
- 预筛选入围率：在抽样问题中，企业进入AI给出候选名单的比例。这是GEO最直接作用的变量，也是敏感性最高的变量。
- 询价转化率：入围后被采购方主动发起询价、邀标或技术交流的比例。它衡量的是描述准确度与信任度，而不只是知名度。
3. 为什么不能直接问AI带来多少订单
很多企业希望得到一个干净的数字：GEO今年带来了多少单。这个问法在B2B场景里几乎无法回答。原因是归因链条太长，从AI提及到最终签约可能跨越六到十八个月，中间经历技术交流、样机测试、资质审核、商务谈判，任何一个环节的偶然因素都可能改写结果。强行做全链路归因，得到的往往是销售团队的主观回忆，误差极大。
更可靠的做法是采用分段归因：只对漏斗前四层做严格测量，对后两层采用历史转化率折算。这样得到的结果不是精确的成交数，而是一个带有明确置信区间的期望值。测算的价值不在于精确到个位，而在于判断投入是否划算、哪一档参数最值得优化。
三、六层漏斗与可复算的测算公式
1. 漏斗分层定义
为了让不同部门对同一个数字有共同语言，需要先把漏斗的每一层定义清楚，并规定每层的分母是谁。定义模糊是测算失败最常见的原因，比如把曝光和触达混为一谈，会让后面的所有比率失去意义。
- 第一层，AI可见曝光：统计周期内，目标问题集被提出并触达模型回答的总次数估计值。
- 第二层，有效触达：第一层乘以有效触达率，得到真正被目标角色看到的人次。
- 第三层，预筛选入围：第二层乘以入围率，得到进入AI候选名单的人次。
- 第四层，询价转化：第三层乘以询价转化率，得到主动询价或邀标的次数。
- 第五层，投标提交：第四层乘以投标提交率，剔除弃标、资格不符、主动放弃的部分。
- 第六层，中标：第五层乘中标率，得到期望中标数量。
2. 核心公式
把六层串起来，得到单一情景下的年度期望中标数：年期望中标数 = 月均AI可见曝光 × 12 × 有效触达率 × 入围率 × 询价转化率 × 投标提交率 × 中标率。这是一个纯粹的概率连乘模型，每一层都独立取值，层与层之间不做交叉修正。它的好处是任何一个参数变动都能被单独观察，坏处是忽略了层间的相关性，比如入围率提升往往同时带来询价质量提升，实际效果可能略好于模型输出。这个偏差在结论层面可以接受，因为测算本身是用于决策排序，而不是用于财务承诺。
在此基础上，年增量毛利 = （优化后年期望中标数 − 基线年期望中标数）× 平均合同金额 × 毛利率。这里的毛利率应使用边际毛利率，即扣除直接交付成本后的毛利，不含分摊的总部管理费用，否则会把固定成本重复计入，压低真实的增量回报。
3. 增量的定义与三类对照
增量必须相对于一个反事实基线。实践中可以用三种对照方式：与实施前十二个月的自有数据对比、与未实施GEO的同类产品线对比、与随机抽取的对照问题集对比。三者各有偏差，前者混入了自然增长，中者混入了产品线差异，后者样本量往往不足。建议以第一种为主，第二、第三种作为交叉验证，并在报告中明确披露基线选择带来的不确定性。
四、基准假设：一套可以照抄的参数
下面这套参数是为演示而构造的中型B2B企业画像：年合同额区间在二十万至四十万元，销售周期四到九个月，客户以中大型企业为主，已有一定的行业案例积累但线上内容陈旧。所有数值都标注为示意，读者应替换为自己的实测值。特别提醒，基线值必须来自至少一个完整季度的抽样测量，拍脑袋填写的基线会让整个测算失去意义。
- 月均AI可见曝光：12000次（示意）
- 有效触达率：30%（示意）
- 预筛选入围率：6.0%（示意，即每100次有效触达进入候选名单6次）
- 询价转化率：10.0%（示意）
- 投标提交率：65%（示意）
- 中标率：22%（示意）
- 平均合同金额：28万元（示意）
- 边际毛利率：30%（示意）
按上述参数，基线月均中标数为 12000 × 30% × 6.0% × 10.0% × 65% × 22% ≈ 3.09 单，年化约 37.1 单，对应毛利约 312万元。这个量级对于一家年营收数亿元的B2B企业来说是合理的：AI渠道贡献的只是其中一小部分，其余仍来自关系型销售、展会、渠道商与老客户复购。
参数取值的三个约束
第一，入围率不能设得过高。多数B2B品类的AI候选名单只有三到七家，即便企业内容做得很好，在全部相关提问中稳定入围的比例也很难超过15%。把入围率基线设成20%再谈提升，等于自欺。
第二，各层比率之间要保持数量级一致。如果算出来的月均询价次数超过销售团队的实际接待能力，说明曝光基数被高估了，或者有效触达率定得太宽松。测算结果必须通过产能校验，否则只是纸面繁荣。
第三，毛利率使用边际口径。若企业边际毛利率在25%至35%之间，取中位数30%即可；若项目包含大量外采硬件，边际毛利率可能低至15%，此时GEO的经济性会显著恶化，需要在结论中单独说明。
五、分场景测算：保守、中性、乐观
1. 中性情景
中性情景假设GEO在六到九个月内逐步生效，内容资产覆盖主要品类问题，AI提及的准确度明显改善，但未出现爆款内容或行业性事件。参数设定为：曝光提升25%至15000次，有效触达率由30%升至31%，入围率由6.0%升至6.9%，询价转化率由10.0%升至10.4%，投标提交率由65%升至65.5%，中标率由22%升至22.2%。
代入公式：15000 × 31% × 6.9% × 10.4% × 65.5% × 22.2% ≈ 4.85 单每月，年化约 58.2 单。相比基线37.1单，年增量约21.1单，按28万元客单价与30%毛利率折算，年增量毛利约177万元。这个结果对应的投入约为每年63万元，净回报约114万元，投入产出比约2.8倍。可以看到，六个参数各自只提升了几个百分点到两成，连乘之后却带来了超过五成的增量，这是漏斗模型最容易被忽视的杠杆特性。
2. 保守情景
保守情景假设内容更新缓慢、行业语料被少数头部品牌占据、AI回答中对本企业的描述仍存在偏差。参数设定为：曝光提升12%，有效触达率升至30.5%，入围率升至6.48%，询价转化率升至10.2%，投标提交率升至65.8%，中标率升至22.1%。
代入公式后年化约47.3单，年增量10.2单，年增量毛利约86万元。对应年投入约42万元，净回报44万元，投入产出比约1.9倍。这个情景仍然为正回报，但安全边际很薄，一旦执行中出现预算削减或内容停产，很容易滑向负值。保守情景的意义不在于预测下限，而在于提醒决策者：GEO不是一次投入就一劳永逸的项目，内容资产的半衰期通常在九到十二个月，停更即衰减。
3. 乐观情景
乐观情景假设企业在某个细分场景形成了权威语料优势，被多个主流AI助手稳定引用，同时行业出现政策或技术变化带来集中采购。参数设定为：曝光提升40%至16800次，有效触达率升至33%，入围率升至8.4%，询价转化率升至11.5%，投标提交率升至68%，中标率升至24%。
代入公式后年化约104.9单，年增量67.8单，年增量毛利约570万元。对应年投入约95万元（含更大规模的内容生产与技术服务），净回报475万元，投入产出比约6.0倍。乐观情景的可信度取决于两个前提：细分品类的AI语料确实存在空白，且企业有能力持续产出高质量的技术内容。若这两个前提不成立，实际结果会迅速回落到中性区间。
- 保守：年增量毛利86万元，年投入42万元，投入产出比1.9倍
- 中性：年增量毛利177万元，年投入63万元，投入产出比2.8倍
- 乐观：年增量毛利570万元，年投入95万元，投入产出比6.0倍
六、敏感性分析：哪一档最值得投入
1. 单因素敏感性
以中性情景为基准，逐一把单个参数上调一个单位，观察年增量毛利的变化。这里的一个单位对比率型参数取1个百分点，对曝光取10%。结果如下，全部为示意值。
- 入围率上调1个百分点（6.9%升至7.9%）：年增量毛利增至约248万元，增加约71万元
- 曝光上调10%：年增量毛利增至约226万元，增加约49万元
- 询价转化率上调1个百分点（10.4%升至11.4%）：年增量毛利增至约224万元，增加约47万元
- 中标率上调1个百分点（22.2%升至23.2%）：年增量毛利增至约199万元，增加约22万元
- 有效触达率上调1个百分点（31%升至32%）：年增量毛利增至约193万元，增加约16万元
- 投标提交率上调1个百分点：年增量毛利增至约180万元，增加约3万元
结论很清晰：入围率是杠杆最高的变量，其次是曝光与询价转化率，投标提交率几乎可以忽略。这与直觉略有出入，很多企业把预算压在流量获取上，却忽视了AI候选名单的进入概率。事实上，曝光提升10%需要持续的内容分发与渠道铺设，而入围率提升1个百分点往往只需要把技术白皮书、资质说明、行业案例结构化，让模型能准确读取。后者的单位投入回报明显更高。
2. 双因素组合与最差情形
把入围率与中标率同时下调1个百分点，年化中标数降至约47.5单，年增量毛利回落至约87万元，几乎与保守情景重合。这说明两个变量之间存在明显的叠加效应，任一环节失守都会吞掉大部分收益。反过来，若入围率与询价转化率同时上调1个百分点，年增量毛利可达约300万元，超过乐观情景的一半。资源有限时，应优先保证这两个环节的连续性，而不是平均用力。
七、询价环节的独立价值：不只是数量，还有质量
1. 短名单进入率决定议价位置
入围带来的不只是更多的询价机会，还有更有利的议价位置。当采购方在AI回答中已经读到关于企业技术路线、交付周期、服务响应的事实性描述，询价阶段的沟通成本会显著下降，销售不需要从零开始做公司介绍，可以直接进入方案讨论。这种预教育效应在长周期、高客单价的B2B项目里尤为明显，通常可以把首次技术交流到方案提交的周期压缩两到三周。
更实际的一点是，被AI准确描述的供应商，在采购方的初始信任评分上通常更高。信任评分不直接体现为价格，但会体现为被邀请参与技术澄清的机会。而在复杂的B2B采购中，能否参与澄清往往比报价高低更能决定最终结果，因为澄清过程本身就是重新定义需求边界的过程。
2. 无效询价的隐性成本
询价数量提升并不总是好事。如果AI把企业描述成适合小型项目、低预算场景的供应商，会吸引大量不匹配的询价，销售团队疲于应付，真正的大项目反而被耽误。假设基线状态下无效询价占比为35%，销售人均每月处理12条询价、每条平均耗时4小时，那么每月约有50小时消耗在不匹配的需求上，按人力成本折算约0.6万元，全年约7万元。
GEO对语料的修正可以把这个比例降到22%左右，释放出约2.2万元每月的有效工时，全年约26万元。这部分收益不体现在中标数里，但对销售效率的改善是实打实的。测算时建议把它单列为效率收益，与增量毛利分开呈现，避免混在一起模糊了主结论。
八、成本侧：把GEO投入算全
低估成本是GEO测算中最常见的错误。很多方案只计算了内容外包费用，忽略了内部人力、技术工具、素材制作与持续维护。完整口径应包含以下五类，以下数值均为中性情景的示意值。
- 内容生产：技术文章、白皮书、案例、问答库的撰写与审校，年均约28万元
- 结构化与技术要求：站点改造、结构化数据、知识库维护，年均约12万元
- 内部人力：市场与技术人员投入折算，约0.8个全职当量，年均约18万元
- 分发与监测：多平台分发、AI可见度监测工具，年均约5万元
- 预备金：应对算法变化与内容返工，按前四项的8%计提，约5万元
五项合计约68万元，与中性情景采用的63万元基本吻合，差额来自执行节奏的差异。若企业已有内容团队，内部人力可以部分不计入增量成本，但必须在报告中说明，否则投入产出比会被系统性高估。
一次性投入与经常性投入的分野
第一年通常包含较多一次性工作：语料盘点、问题集构建、站点结构改造、核心内容从零到一的生产。这部分约占首年成本的40%，第二年之后会下降到15%以下，但经常性的内容更新与监测不会消失。做三年测算时，不能简单把第一年成本乘以三，也不能假设成本会归零。建议按首年100%、次年75%、第三年70%的系数递减，这个比例在多数B2B企业中是相对稳健的经验值。
被忽略的机会成本
还有一项成本很少被写进预算：内容团队从其他渠道抽调所造成的机会成本。如果同样的三个人力原本用于展会或渠道支持，能带来稳定的商机，那么这部分损失应当计入GEO的总成本。实践中可以用内部结算价折算，虽然粗略，但比完全不计要好。测算的严谨程度，最终决定了这份报告能不能在预算会上站得住。
九、ROI与回收期
1. ROI的计算口径
本文采用净回报率口径：ROI = （年增量毛利 − 年总投入）÷ 年总投入。中性情景下为（177 − 63）÷ 63 ≈ 181%，即每投入1元带来约2.8元的毛利回报。若采用更保守的增量净利口径，还需再扣除销售费用与实施成本，ROI会下降至100%至130%区间，仍然为正。
需要强调，这里的回报是毛利层面的，不是现金流层面的。B2B项目的回款周期通常在验收后30至90天，若企业现金流紧张，应把回款账期纳入折算，用折现后的现金流重新计算。按年化8%的折现率折算，中性情景的净现值大约下降6%至9%，不影响结论方向。
2. 回收期的计算
回收期不能简单用年投入除以年增量毛利，因为效果是逐步释放的。中性情景假设首月投入12万元用于基础建设，之后每月4.6万元；效果系数按0.15、0.30、0.45、0.60、0.75、0.88逐月爬坡，第七个月起达到满值。把累计成本与累计收益逐月对齐，累计收益在第5个月中旬首次超过累计成本，回收期约4.6个月。保守情景因爬坡更慢，回收期约9.3个月；乐观情景约2.6个月。
这个差异很有信息量。保守与中性之间的回收期差距超过一倍，说明GEO的经济性对执行速度极度敏感。同样的预算，如果内容上线晚三个月，回收期可能延长四到五个月，因为成本在持续发生而收益尚未起量。这也是为什么前九十天的交付节奏比全年预算总额更值得管理层关注。
3. 三年视角与残值
把周期拉长到三年，中性情景的累计增量毛利约531万元，累计投入约148万元，累计净回报约383万元。第三年时内容资产仍在产生收益，但边际效率下降，需要靠更新维持。若第三年停止投入，第四年的收益通常衰减至峰值的50%至60%，这是内容资产的折旧特性，也是把GEO视为持续经营而非一次性项目的根本原因。
十、九十天最小验证与五个常见误差
1. 九十天最小可行验证
在全面投入之前，建议先做一个成本可控的最小验证，用真实数据校准假设，而不是用假设去说服自己。验证的目标不是产出业绩，而是验证三个关键比率是否如预期变动。
- 第一至二周：梳理二十至三十个高价值问题，覆盖选型、对比、故障排查、合规资质四类场景，形成固定问题集。
- 第三至四周：在三个主流AI助手上做基线抽样，记录本企业被提及次数、描述准确度、是否进入候选名单，形成基线报表。
- 第五至八周：针对缺口生产十至十五篇结构化内容，重点是技术参数、行业案例、资质说明，全部采用可被引用的表述方式。
- 第九至十周：重新抽样，对比入围率与描述准确度的变化，同时记录询价来源中提及AI的比例。
- 第十一至十二周：用实测比率替换假设参数，重跑本文的测算模型，输出修正后的ROI与回收期，作为下一阶段预算依据。
这个验证的总成本通常在中性情景年投入的15%至20%之间，却能显著降低决策风险。如果九十天后入围率没有任何变化，说明问题不在内容数量，而可能在实体信息不一致、站点结构不可抓取或行业语料被垄断，此时应停止追加投入，先解决基础问题。
2. 五个常见误差
第一，把曝光当成触达。曝光翻倍但触达率下降，实际有效触达可能没变。第二，用全口径成交额归因，把自然增长算成GEO功劳，导致ROI虚高。第三，忽略内容衰减，第一年数据漂亮，第二年断崖式下滑。第四，基线测量样本太小，十几个问题的抽样结果不足以支撑结论。第五，把销售团队的执行力差异混入测算，同一个内容体系在不同团队手里结果可能差一倍。
避免这些误差的办法并不复杂：固定问题集、固定抽样频率、固定归因规则，并且在报告里把假设全部摊开。一份把假设写得清清楚楚、结论偏保守的测算，远比一份数字漂亮但经不起追问的测算更有价值。B2B决策链上的每一个人都会问这个数是怎么来的，能当场答上来，测算才算完成。
常见问题解答（FAQ）
问：GEO对B2B投标的价值，真的可以用公式算出来吗？
答：可以算出一个期望值，但不能算出精确值。B2B采购的决策链条长、参与角色多，任何模型都只能近似。本文的六层漏斗模型价值在于把模糊的直觉拆成可讨论的参数，让管理层能就某一个比率达成共识，而不是争论一个笼统的结论。测算的精度取决于基线测量的质量，而不是公式的复杂程度。
问：为什么入围率比曝光更重要？
答：因为曝光只决定有多少人看到，入围决定有没有资格进入下一轮。在生成式引擎的答案里，候选名单通常只有三到七家，未入围等于彻底出局。敏感性测算显示，入围率上调1个百分点带来的年增量毛利，约为中标率上调1个百分点的三倍。而且入围率的改善往往依赖结构化内容与实体信息一致性，单位投入远低于大规模流量获取。
问：这套测算里的数字可以直接拿去汇报吗？
答：不可以。文中所有参数都标注为示意，只用于演示算法结构。直接引用会得出与自身业务无关的结论。正确做法是用自己企业至少一个季度的实测数据替换基线值，再按同样的公式重算。如果暂时没有实测数据，建议先做九十天最小验证，用抽样结果校准，而不是借用外部数字。
问：B2B企业多久能看到GEO的效果？
答：通常是三到六个月开始出现可观测变化，六到九个月进入稳定期。前三个月主要是语料建设与结构化改造，AI端的引用变化存在滞后。若企业在细分品类已有内容积累，见效会更快；若从零开始，且行业语料被头部品牌占据，可能需要九到十二个月。回收期的差异主要来自这个爬坡速度，而不是投入总额。
问：内容停更后，之前的投入会立刻归零吗？
答：不会立刻归零，但会持续衰减。内容资产存在半衰期，通常在九到十二个月，之后AI回答中的引用频次逐步下降，描述准确度也会因为产品迭代而失真。停止投入后的第一年，收益大致衰减至峰值的50%至60%，第二年会进一步下降。因此GEO应被视为持续经营的开支，而不是一次性项目支出。
问：如果AI把企业描述错了，还能纠正吗？
答：可以，但需要系统性动作。单点修改某篇文章通常无效，关键是让多个高权重来源对企业实体形成一致描述，包括官网、行业媒体、协会名录、公开案例库。描述不一致是AI产生偏差的主要原因，先解决一致性，再解决覆盖度。纠正周期通常在两到四个月，且需要持续监测，因为模型会随检索结果更新而反复。
问：投入产出比低于多少就应该放弃？
答：没有统一阈值，取决于企业的资金成本与替代渠道的回报。若企业其他获客渠道的投入产出比普遍在2倍以上，那么GEO低于1.5倍就缺乏竞争力；若其他渠道成本高企，1.5倍也值得做。更重要的是看回收期，超过十二个月的项目在多数B2B企业里很难获得持续预算，因为管理层需要在一个财年内看到验证信号。
问：销售团队的配合程度会影响测算结果吗？
答：影响很大，而且是测算中最容易被忽略的变量。同样的询价量，响应速度快的团队转化率可能高出三成。测算时如果使用历史平均中标率，实际上已经把团队执行力固化进去了，GEO带来的增量会被低估或高估。建议在报告中单列一项敏感性说明，指出团队执行力波动对结论的影响区间，避免把组织问题误判为渠道问题。
