客户在 AI 里，根本不搜你的公司名

前阵子一个做五金的老板问我：我在豆包里搜我们公司名，成立时间、主营产品、两条认证都对，一个字都没错。可这三个月，从 AI 来的询盘是零。

我反问他一句：你的客户，知道你们公司叫什么吗？

问题不在 AI 认不认识你，在客户压根不问你的名字。他们要买货的时候，问的是「谁能做小批量不锈钢冲压」「304 和 316 到底差在哪」「出口欧盟要过哪些测试」——是句子，不是名字。

这就是做 GEO 最容易搞反的一处：企业把力气全花在「让 AI 认识我」上，而真实的入口在「客户问品类、问参数、问麻烦、问场景的时候，AI 会不会想起我」。这四类词才是入口，公司名是结果。

先把边界说清楚。这一篇讲的是「客户怎么在 AI 里撞见你」，不适用于已经有稳定品牌搜索量的企业——那种情况下瓶颈在转化环节，不在曝光。也不是所有生意都走这条路：单价几十万的非标设备，客户通常先问方案、再问产品，问题词的权重要高过品类词。另外，下面这些做法只能提高你被提到、被引用的概率，不能保证你出现在任何答案里——生成式引擎优化至今没有公认的效果认证体系，谁跟你保证排名，这场沟通就可以结束了。

一、客户问进来是一句话，AI 拆出去是好几条查询

Google 官方文档里管这个叫 query fan-out：AI 搜索不会拿你那一整句话去检索，它会先把这个问句拆成一批更小的子查询，分别去搜，再拼成一段回答。

客户的原话可能是「我想找一家能做小批量不锈钢冲压的厂，最好在广东，要能过盐雾测试」。系统内部拆出来大概是「小批量不锈钢冲压 供应商」「不锈钢冲压 最小起订量」「盐雾测试 冲压件 标准」「广东 冲压厂」这么几条。

你要被拼进那段答案，得先在其中的某一条子查询里有位置。

整条链路里，你的公司名一次都不需要出现。

这不是猜的。Semrush 做过一份基于 54 万条以上 AI 回答的研究，里面有个数字很扎人：62% 的 AI 引用从来没有产生过品牌提及。也就是说，AI 大量在引用页面、在用页面上的说法组织回答，但全程不提品牌名。

对做 AI 搜索优化的企业来说，这意味着一个判断错误：如果只盯「AI 有没有提到我们公司」，你会漏掉绝大部分真实曝光，然后在错误的地方加投入。GEO 项目在第一阶段就测错指标，后面几个月的账都会跟着错。

二、真正会被问到的，只有四类词

做 GEO，第一步不是写，是找词。把行业里被问到的词摊开，其实就四类。它们的问法、内容形态、竞争密度完全不同，混在一起看会得出错误结论。

品类词：行业内的人怎么称呼这个东西。「精密冲压件」「非标五金件」「CNC 加工」。竞争最激烈，也是大厂堆得最厚的地方。

参数词：客户拿着图纸来比对时才问的。「304 和 316 的耐盐雾差多少」「公差 ±0.05 能不能稳定做」「这个壁厚最小能做到多少」。问的人少，但问的人已经在选供应商了。

问题词：客户遇到麻烦时问的。「冲压件折弯后变形怎么解决」「电镀层起泡是前处理还是电流问题」。会用这种问法的人，手上通常正压着一批不良品。

场景词：客户描述自己处境时问的。「小批量试产找什么厂」「出口欧盟要准备哪些认证」「订单量不大怎么谈价格」。

一家厂一般只在其中一到两类上有真东西。做标准件的，品类词和参数词强；做非标定制的，问题词和场景词强。四类全占的很少见——那种情况通常是团队里真有人长期在写技术内容。

所以判断顺序应该反过来：先看你手上有什么真材料，再决定攻哪两类词，而不是先定一个「全网覆盖」的目标，然后四类都写得很薄。

三、你首页写着「二十年专注」，AI 读不到里面任何一个品类

这是做 AI 搜索优化时最常见的一种错位。官网首页第一句写「专注精密制造二十年，服务全球客户」，通篇没有出现一个具体的品类词，也没有一个参数。这句话对人有用，对检索系统等于零信息——它拿不到把你归进「精密冲压件供应商」这一类的任何依据。

还有一层更难接受的：即使你把品类词写满官网，效果也未必好。AirOps 那份 2026 年的《State of AI Search》里有个说法，85% 的品牌提及来自第三方页面。这解释了一件让很多老板想不通的事——你自己说的话，权重不如别人说的话。GEO 和传统 SEO 在这处分道：SEO 时代的官网可以是终点，现在它只是起点。

多伦多大学那篇预印本测得更细：AI 在组织回答时偏好第三方来源的程度在 53% 到 95% 之间，具体落点看查询类型。也就是说，「偏好第三方」不是绝对规则，但方向上一致。

学术侧还有两个参照。UC Berkeley 的一篇预印本测出内容结构与被引用之间的相关性在 0.63 到 0.68 之间（预印本，未经同行评审）。延世大学那篇测出结构化处理让检索命中提升 22%，条件是实验室环境下的相对变化，不等于线上效果。

把这些放在一起，指向同一件事：内容不光要写对词，还要写成系统能切开的形状。一段三百字不分段的介绍，和一张四行的规格对照表，被拿走的概率差很远。生成式引擎优化要的从来不是词频，是可拆解的结构。

四、怎么自查：拿四类词去问，别问公司名

AI 搜索优化的自查步骤不复杂，一个人半天能跑完第一轮。

1. 列 20 个词，四类各五个。用客户的原话，不要用行业黑话。「小批量冲压」比「多品种小批量柔性冲压」更接近真实问法。
2. 在豆包、DeepSeek、文心、元宝、千问各问一遍，同一句话原样复制，不要中途改写。
3. 每一条记三件事：你的名字出现没有、出现时说的是什么、提到了哪几家同行。
4. 隔两周再问一遍。只看一次会被偶然结果带偏。

这一步的意义不是打分，是搞清两件事：你现在被归到了哪一类，以及哪一类是彻底空白。

为什么要分成五个引擎问？SIGIR 2026 有篇论文专门测过这件事：把同一个问题分别交给不同系统，它们引到的页面重合度（Jaccard）只有 0.18。换句话说，测一家就等于放弃另外四家。所以 AI 搜索优化这件事，不存在「测一家等于测全部」。

顺便说一句，20 个词不必求全。第一批词的作用是定位，不是覆盖。定位准了，后面按询盘反推会更省力。

五、词表不是塞进一页，是一类词一个落点

最常见的错做法，是把词往同一个「产品中心」页面里堆，标题写成「产品中心｜精密冲压｜非标五金｜CNC 加工」。这一页什么都想要，结果什么都拿不到。GEO 词表不是这么用的。

可行的做法是让每一类词对应一个独立页面，页面标题就是那类问题本身。

品类词落首页和主产品页，讲清你做什么、做给谁、做到什么程度。参数词落一个选型对照页，把两个规格的差别用表格列出来。问题词落一个排查页，按现象、原因、处理方式三段写。场景词落一个应用场景页，写清小批量、急单、认证要求高这几种情况怎么办。

每一页只回答一类问题。这样做有个直接好处：当 AI 拆出「盐雾测试 冲压件 标准」这一条子查询时，站上有一个页面是专门讲这件事的，而不是某页顺带提了一句。

这里补一个容易被忽略的细节。Meltwater 统计了 950 万条 AI 引用，发现 LinkedIn 的引用里约 75% 来自个人档案，只有 25% 来自公司主页。这条是海外口径，不能直接套到国内的公众号和知乎上，但它说明的道理是通用的：带具体署名、带具体经验的内容，比机构口吻的通稿更容易被拿来做依据。

六、品牌词搜得多，是结果不是方法

有一类汇报方式很常见：优化三个月，搜索公司名的量涨了。这可能是真的，但它证明不了 GEO 有效，只证明有人记住了你。

逻辑顺序是这样的：客户先搜品类词，在答案里看到你，然后才记住名字，之后才可能直接搜你。品牌词上涨是链条末端的结果。拿它当唯一指标，等于把最后一段当成了全部。

反过来还有个陷阱：如果官网内容几乎全在讲「关于我们」「企业文化」「发展历程」，内容密度就全花在了别人不会问的地方。这些页不是不能有，但它的篇幅占比不该高过产品与技术内容。这也正是很多工厂站做 AI 搜索优化时改起来最别扭的地方——要动的不是文案，是内容结构。

七、三个常见问题

1. 我们的产品太专业，客户会问那么细吗？

越专业的产品问得越细，因为不懂的人根本不会来找你。真正会下单的客户，问的都是参数和异常处理。这类问句总量小，但每一条都靠得很近。

2. 外贸客户是不是都用英文问？

看目标市场。英语区用英文，中东、南美、东南亚各有各的主要语言。这里有个容易忽略的点：Google 官方明确说过，它判断页面语言看的是可见正文，不看 lang 属性、也不看 URL 路径。所以把路径改成 /en/ 而正文还是中文，对语言匹配没有帮助。

3. 起步要准备多少词？

20 个够跑第一轮。之后按真实询盘反推——客户在邮件里怎么描述他的需求，那些句子就是最该被覆盖的词。这比坐在办公室头脑风暴准得多。词找准了，GEO 剩下的活才有意义。

八、写在最后

回到开头那个老板。他的问题不是 AI 不认识他，是他把「公司介绍写得好」当成了「客户能找到我」。这两件事之间没有必然联系。

一个更实用的自检：把你官网首页的标题遮住，只留正文，找一个没听过你们公司的人读一遍，问他「这家是做什么的」。如果他答不出来，AI 大概率也答不出来。

易杭的情况也类似。此前一直在跨境 B2B 和国际站服务里，2024 年才把 GEO 当成主线。我们看客户的第一个动作不是问预算，是把他手上那四类词摊出来对一遍——缺哪一类，就先补哪一类。

数据与效果边界：本文引用 Google Search Central 官方文档的两处表述（query fan-out 机制、页面语言按可见正文判定）为平台官方规则，效力限于 Google 生态。Semrush 的 62%（基于 54 万条以上 AI 回答）与 AirOps《State of AI Search》2026 的 85%，均为厂商自行发布的观察性统计，未经独立复核，且属分组差异而非因果。多伦多大学的 53%–95%、UC Berkeley 的 0.63–0.68、延世大学的 22% 与 SIGIR 2026 的 Jaccard 0.18，均为预印本或论文实验结论，条件为实验室环境下的相对变化，未经同行评审或仅限其测试查询集。Meltwater 的 75% 为海外平台口径，不适用于国内平台。以上均非排名机制说明，不代表具体企业的效果。所述方法的作用是提高被检索与被引用的概率，不保证企业一定出现在任何 AI 答案中，也不承诺见效周期与业务结果。

参考资料

1. Google Search Central：《AI features and your website》（AI 功能无需特殊 schema 或标记；query fan-out 机制），2026 年查阅
2. Google Search Central：《Managing Multi-Regional and Multilingual Sites》（页面语言按可见正文判定，不看 lang 属性与 URL）
3. Semrush：《ghost citations》研究，基于 54 万条以上 AI 回答（62% 的 AI 引用未曾产生品牌提及；厂商发布，观察性统计）
4. AirOps：《State of AI Search》2026（85% 品牌提及来自第三方页面；厂商发布，观察性统计）
5. 多伦多大学：arXiv:2509.08919（AI 回答偏好第三方来源 53%–95%；预印本，未经同行评审）
6. UC Berkeley：arXiv:2509.10762（内容结构与引用相关性 0.63–0.68；预印本，未经同行评审）
7. 延世大学：arXiv:2602.12187（结构化处理使检索命中 +22%，实验室条件相对变化；预印本，未经同行评审）
8. SIGIR '26：多系统引用重合度研究（Jaccard 0.18；同行评审）
9. Meltwater：950 万条 AI 引用统计（LinkedIn 引用约 75% 来自个人档案、25% 来自公司主页；海外平台口径，厂商发布）