采购方已经在用 AI 比价了，你的产品参数还只在 PDF 里

一个做了十九年精密机加工的厂长，今年少了一种电话

在宁波做精密机加工的厂长，姓周，做了十九年。

以前每年三、四月，是他电话最多的时候。采购方的工程师打来，一句一句问得具体：你们这个公差能不能车出来？这个材质你们做过没有？能不能做小批量试产？

今年电话少了一半。但他发现一件怪事——来询价的客户，一个比一个"懂"。 一上来不聊工艺、不聊工厂规模，直接报牌号、报公差、报交期，像是早就在别处比过一轮，只剩最后一步确认。

他后来才想明白：客户在问他之前，先问过 AI 了。

而 AI 给他的评价是——"这家厂的资料里没有写明材质适用范围"。

因为他家的规格书，是一份扫描版的 PDF。

这一篇给你四样能直接用的东西

B2B 和制造业这一篇，跟前三个行业不一样。不同的地方在于：前三个行业的约束在外面，这一个在你自己的电脑里。

我给你四样能直接用上的东西：

一、《B2B 技术资料可检索化自检表》——四层，逐项打勾，测的是"AI 到底能不能读到你的参数"；

二、《产品事实卡模板 · B2B 版》——十一个字段，填完就能看出你缺了什么；

三、《采购方四种问句 × 真实原话》——选型型、参数型、合规型、比价型，每一类给两个客户真会问出口的原话；

四、《B2B GEO 四条改造线》——能直接照抄的清单，每一条后面都带"今天就能做的一步"。

四样东西全部写在这篇文章里，不用找我要。

位置导航：行业篇的最后一站

这个系列的行业篇，到这里是第四篇，也是本轮打样的最后一篇。四篇的顺序不是随便排的，是越管得严的行业越先讲：

教培那一篇，讲的是你有没有资格开——前置许可，审批制；

本地门店那一篇，讲的是三公里内谁能被想起来——地理是硬约束；

专业服务那一篇，讲的是你的身份有没有被公示出来——国家替你挂出来的那套东西；

这一篇，B2B 与制造业，讲的是你的参数，AI 读不读得到。

四篇串成一句话：前三个行业的约束都在外面，这一个在你自己手里。 听起来应该最简单，但事实恰恰相反——因为"在外面"的约束，有人替你想；"在手里"的约束，没人提醒你。

先说清楚：这一篇的数据，一半是国家给的，一半是卖服务的给的

写到第十八篇，这是第一次，我可以说一句前十七篇都没法说的话：

这个行业的数据，有一部分是国家给的。

制造业数字化这件事本身，是有官方口径的。我先把硬的那一半摆出来：

工信部在 2026 年上半年的口径是——全国规模以上工业企业的数字化改造覆盖率达到九成；关键工序数控化率 69.5%、数字化研发设计工具普及率 86.3%；已经建成 1260 家 5G 工厂，9000 余家先进级、500 余家卓越级和 15 家领航级智能工厂；还有一句最关键的——规模以上制造业企业人工智能技术应用普及率超过 30%。

CNNIC 在 2026 年 9 月发布的《生成式人工智能应用发展报告（2026）》里说，截至 2026 年上半年，我国生成式人工智能用户规模突破 7 亿人，普及率超过 50%；其中 76.0% 的用户会用它来回答问题。

中国物流与采购联合会发布的《2026 数智化采购发展报告》给出的是：2025 年全国企业物资采购总额196.3 万亿元，其中工业生产采购额 113.3 万亿元；数字化采购总额 23.2 万亿元，数字化渗透率 11.8%。同一份报告里有一句话，我后面会单独用一节讲——招标投标八大环节的 20 类场景，AI 应用正在逐步落地，采购电子商城的 AI 应用渗透率已经超过 50%。

但话得说完整。

上面这些，是"制造业数字化"的数据，不是"制造业 GEO"的数据。

这两件事差得很远。"AI 在采购里渗透了多少"，有官方口径；"AI 在采购里说了谁的名字"，一份官方口径都没有。 我这一轮把中文互联网又搜了一遍，找到的"AI 推荐了谁""引用率是多少"的部分，全部来自卖服务的公司。

所以这一篇的结构是：前半段的行业判断用国家的数据，后半段所有讲"AI 会提谁"的地方，我会一条一条标出来是服务商报告。

这一篇的数据，一半是国家给的，一半是卖服务的给的。你要学会分得清哪一半——因为分不清的那一半，通常会让你多花一笔钱。

你的客户不是一个采购员，是一整条流水线

先说这一篇最根本的一件事。

前面十七篇，不管讲哪个行业，客户的形象都是一个人：一个家长、一个病人、一个想装修的人、一个要离婚的人。B2B 不是。B2B 的客户是一串人。

一串到什么程度？我给几个数：

Forrester 在《The State of Business Buying, 2026》里调查了约 18000 名全球 B2B 买家，结论是：一次典型的采购决策，涉及 13 个内部相关方和 9 个外部影响者；而在 53% 的决策周期里，采购部门本身就是决策者。

Gartner 的观察更直白：典型的 B2B 决策小组是 6 到 10 个人；而且 74% 的采购小组在决策过程中会经历"不健康冲突"（2025 年 5 月的数据）。意思是——他们自己内部就会吵。

还有一个数字，我觉得是这一篇里最凉的一个：Gartner 2026 年的判断是，70% 到 80% 的 B2B 采购旅程，是在完全不接触任何供应商触点的情况下完成的。 同一家机构的另一组数据是：B2B 买家只花 5% 的采购周期跟销售团队待在一起。

那剩下的时间在干什么？在自己研究。

Gartner 2026 年 5 月的买家调查里有一句：买家做决定之前，平均咨询约 7 个信息源。而 Forrester 发现，平均候选名单已经从 3.2 个名字缩到了 2.5 个名字。

为什么"一串人"比"一个人"更麻烦？

因为一个人，你只要说对一次就够了。一串人，你得在每一道工序上都说对——工程师问材质，采购问交期，财务问价格，质量问认证，老板问风险。这五个人在不同的时间、用不同的问法、可能问了同一个 AI。

AI 被问到的每一次，都是一个独立的考场。你在其中一个考场缺席，不影响你在另一个考场得分——它只影响最后那张单子给谁。

采购方的四种问句，只有一种是在"找你"

接下来讲一个我认为最难承认的事实。

采购方问 AI 的话，粗分有四类。我按"采购走到流水线的哪一道工序"来分：

类型	客户会怎么问（原话）	AI 会给出什么	你在不在里面
选型型	"新能源电池托盘焊接设备选哪家"；"湖北有哪些靠谱的精密零件加工厂"	一张候选名单	有可能，靠第三方目录和名单类内容
参数型	"6061-T6 和 7075-T6 有什么区别"；"这个阀门的压力等级怎么看"	一段通用解释、一张对照表	几乎不可能——它在讲通用知识，不是在讲你
合规型	"这个材质能不能用于食品接触"；"有没有 CE 认证"	一个标准，加一句满不满足	有可能，但靠的是认证和检测报告可不可查
比价型	"XX 型号大概什么价位"；"M6 不锈钢螺栓什么价"	一个价格区间	几乎不可能——除非平台上有你的公开报价

看清楚这张表的话，会发现一个很难受的结构：

你唯一有可能被点名的那一类问句（选型型），是客户已经快选完的时候才问的。而客户真正在纠结的时候（参数型、比价型），AI 根本不需要提到你。

为什么会这样？因为选型型问句的答案里必须有名字——客户要一个名单。而参数型、比价型问句的答案里只需要知识——客户要一个解释。

AI 回答"6061-T6 和 7075-T6 有什么区别"的时候，你在这里面是多余的。它答得对不对，都不影响你的名字出不出现——因为它压根不需要提任何一家厂的名字。

这才是这一篇真正的危险。参数型问句是唯一一类"AI 在替你回答客户、而你不在场也没被提醒"的问句。它答错了参数，客户不会来问你——他直接不来了。

我再说一组数据，因为它是这一篇里最值得贴在墙上的一组。

AI Revenue Institute 在 2026 年 8 月发布了一份报告，调了 521 名美国采购者和采购影响人。里面有两个数字：

62% 的人会用 AI 拿公开来源去核对销售话术；

56% 的人，因为 AI 发现"供应商的宣称和实际能力不符"，直接把这个供应商从考虑名单里删掉了。

第二个数字要停一下。「删掉」这件事，你不会收到任何通知。你甚至不知道有人来查过。

同一份调查里还有一句：54% 的人说，他们的上级、高管或者采购委员会成员，会用 AI 去评估或质疑他们提交的推荐。

另一份是 LLM Listed 的《The AI Buyer Journey Report 2026》，调了 770 名买家，其中 350 名 B2B。它发现 56% 的 B2B 买家会直接向 AI 要联系方式或网址，然后直接用——不点你的官网首页，不见你的落地页，只要一个能直接对话的入口。

还有 G2 在 2026 年 3 月做的调查（1076 名 B2B 软件买家）：影响候选名单的第一名信源是 AI 聊天机器人（54%），第二名是软件评论站（43%），供应商官网排第三（36%）。而且 85% 的买家说，当 AI 引用了某家供应商时，他们对这家的评价会更高。

最后一句是 G2 那次调查里最能说明问题的：33% 的买家，买过一家在 AI 提到它之前从来没听说过的供应商。

换句话说：AI 不只是帮你少丢单，它还能凭空给你带来客户。前提是，它得先能读到你是谁。

四层"能被读到的技术资产"

现在讲这一篇最核心的一节。

前面十七篇里，我一直在讲"底座"这件事。专业服务那一篇，底座是国家给的——全国律协的公示平台、税务的信用码、发改委的备案。B2B 没有这种东西。 没人替你公示，没人要求你必须挂出来。

你在这个行业里的"底座"，是你自己一层一层写出来的。

我把它分成四层，从最容易、也最基础的那一层开始。

层	是什么	谁在维持	最常见的漏
第一层 · 你自己网站的 HTML 表格	规格表、参数表、材质表，以网页文本形式存在	你自己	参数锁在 PDF、图片或注册表单后面
第二层 · 你挂进去的行业目录和平台	工业目录、行业平台、B2B 平台上的企业档案	你 + 平台	档案三年没更新，参数和你官网对不上
第三层 · 第三方机构和协会	协会会员页、检测报告编号、认证证书的可查编号	第三方	只有一张证书照片，没有编号，也没有查询入口
第四层 · 工程师在技术社区说的话	技术社区、开发者问答、行业论坛上的真实讨论	你的工程师	只有市场部在写，工程师从来不露面

为什么第一层是决定性的

因为这一层不是"加分项"，是"有没有资格参赛"。

Web Tonic 在 2026 年对制造业网站做技术分析时，给出过一个很直接的判断：工业网站最致命的一个技术错误，就是把公差数据、材料牌号、工程文档锁在 PDF 的规格书里。原因是——爬虫索引 PDF 的频率远低于 HTML 页面；而且 PDF 不能携带结构化标记。

它给的解法也很具体，我原样搬过来：混合架构——把每一张规格表重建为页面上的 HTML 表格（标签加粗、单位写清），PDF 保留在表格下方供下载。这样你既满足了 AI 的可读性，又保留了"留资下载完整版"的通道。

第一层上有三个具体的卡点，每一个都能在两分钟内自查：

卡点一，PDF 陷阱。 如果那份 PDF 是扫描件、没有文字层，那 AI 是彻底读不到的——它不是"读得费劲"，是一个字都读不到。

卡点二，机器人门禁。 很多建站模板和插件会在 robots.txt 里写一条通配规则，本意是挡垃圾采集器，结果把 AI 一起挡了。Otterly.AI 在 2026 年分析了超过 100 万条 AI 引用样本，结论是：73% 的网站，无意中封禁了至少一个主流 AI 爬虫。

卡点三，页面是"画"出来的。 这一条最隐蔽。Web Tonic 的技术分析里有一句必须记住的话：第三方 AI 爬虫（GPTBot、OAI-SearchBot、PerplexityBot、ClaudeBot）只读原始的服务端 HTML，从不执行 JavaScript。所以一个用前端框架渲染出来的规格表，在 AI 眼里可能就是一个空壳。他们的统计是：全客户端渲染的站点，平均损失 32% 的内容索引。

为什么第二层和第四层在本行业特别重要

第二层是行业目录和 B2B 平台。这个行业有个特点：买家本来就不只在搜索引擎里找人，他在行业目录和平台里找人。 阿里国际站在 2026 年 9 月披露的一组数据可以说明这个池子的体量——海外买家使用 AI 多模态搜索带来的流量增长超过 132%；而 1688 在同年 10 月把 AI 工作台全面开放时，覆盖的是超过 1 亿年度活跃买家和超过 100 万工厂。

第四层是工程师在外面说的话，这一层跟你以前听过的 GEO 说法不太一样，所以我要专门给数据。

Presenc AI 在 2026 年 6 月更新的 DeepSeek 引用模式研究里给了一组分布：DeepSeek 的引用来源里，代码托管占 22%、技术文档占 19%、开发者问答占 15%——三类加起来已经过半；相对地，"新闻和一般网页"只占 21%。

同一份研究里还有一个数字，我觉得比上面那组更重要：DeepSeek 的实时检索率只有约 38%（作为对照，Perplexity 约 94%、Copilot 约 88%）。意思是——它大部分时候是在"回忆"，而不是在"现查"。

这两件事叠起来说明什么？技术社区上的内容，不光是被现查的时候会被引用，它还会沉淀成模型"记得住"的东西。 一篇写得足够具体的工程复盘，比一百条营销文案活得久。

说清第四层该怎么落地

不是让市场部写得更像工程师，是让工程师自己出来写。

Meltwater 在 2026 年 5 月分析了 950 万条 AI 引用、覆盖 6 个平台，有一组我认为对整个 B2B 都成立的数据：在 LinkedIn 的引用里，约 75% 来自个人主页，只有 25% 来自公司主页；而且51% 被引用的创作者，粉丝还不到 1 万。

（这组数据经第三方转述，原始报告我没有找到公开页面，所以标在这里。但方向上跟前面 DeepSeek 的分布是一致的。）

在专业服务，你的底座是国家给的；在 B2B 制造业，你的底座是你自己一行一行写出来的。第一层没做，后面三层全是白搭。

参数，是唯一能跨语言的东西

这一节短一点，但是我觉得它值一整节。

做外贸的老板都有这个体会：你的宣传语翻译成八种语言，也还是读不懂。 "匠心制造""行业领先""品质之选"——这种话翻成英文、西班牙文、阿拉伯文，读起来还是空的。

但有几个东西不用翻译：450℃、250 bar、Inconel 625、IP67、DN15、T/T 30/70。

参数是这个行业唯一的通用语言。问题是，你把通用语言锁在了一个不通用的文件里。

1688 的 CTO 霍承富在 2026 年 6 月工业品 AI 找货功能上线后，对外说过一个现象，我觉得是这一篇里最扎心的一句：平台的流量逻辑已经从"人搜关键词"变成了"AI 主动分发"；而大量工厂因为商品参数、产能、交期、资质信息填写不全，被 AI 匹配系统直接筛除，连获得流量的机会都没有。

注意"被直接筛除"这五个字。它不是"排得靠后"，是根本没进池子。

阿里国际站总裁张阔在 2026 年 9 月的海外买家大会上说了一句话，我原样引用："B2B 的未来是 A2A——Agent 对 Agent 做生意。"

这句话听着像概念，但它是从行为变化里推出来的。同一场大会上披露：美国采购商数量同比增长 34%，巴西增长超过 40%。

1688 在 2026 年 4 月的商家大会上给的是另一组：平台上每天约 1500 万条 B 类采购需求、超过 100 万家供应商、平均每家每天能接到 15 个采购需求；目前约 15% 的采购需求已经由 AI 智能体发起——而平台自己的预计是，未来一年达到 40%，两年达到 80%。

（15%、40%、80% 这三个数是平台自己给的预测，不是第三方核实过的。我照实写出来，你能不能信它，你自己判断。方向上跟前面 Forrester、Gartner 的结论是一致的。）

第一个坑：AI 不会编你的参数，它会"补全"你的参数

从这一节开始讲三个坑。这三个坑里，第一个最危险。

先说清楚它跟专业服务那一篇的坑不是一回事。那一篇的 AI 幻觉是"编造判例"——凭空捏出一个不存在的案件。这一篇的幻觉是另一种："补全空格"。

我给你一个具体场景，你就明白了。

假设你的 ERP 里只有这么一行记录：

型号：BV-2PC-050-SS
描述：球阀 1/2 不锈钢 两片式

现在你让一个通用模型，根据这行记录写一段产品描述。它会写出什么？大概是：

"这款 1/2 英寸两片式不锈钢球阀采用全通径设计，PTFE 阀座，NPT 内螺纹，压力等级 1000 WOG，适用于水、油、气介质。"

你回头去看那行原始记录——"全通径"没写，"PTFE 阀座"没写，"NPT 内螺纹"没写，"1000 WOG"也没写。它把这四个字段全填了。

而且它填的每一项，都是这类阀门的最常见值。对很多半英寸不锈钢球阀来说，这四个值可能刚好都对。但对你这一颗，连接端可能是承插焊，阀座可能是增强 PTFE（温度上限不同），压力等级可能更低。

一个照这段描述下单的维修计划员，会拿到一个装不上管线、或者扛不住工况的阀门。

我给它一个定义：它不是"编"，它是把品类的平均值，当成了某一颗螺丝的事实。

为什么模型会这样？Anglera 在 2026 年的一篇文章里引了 OpenAI 2025 年的论文《Why Language Models Hallucinate》，解释得很清楚：现在的训练与评估程序，奖励的是"猜"，而不是奖励"承认自己不确定"。 所以当模型被问到一个它并没有的压力等级时，它会被推向"给出一个数"，而不是说"原始资料未标注"。

同一篇文章还引了 2026 年发表在《Journal of Intelligent Manufacturing》上的一篇论文，把 PDF 规格书转成结构化数据的成绩摆出来了：Gemini 2.5 Pro 在异构的单产品规格书上，严格 Jaccard 得分 82.57%，目录类 93.07%；而 GPT-4.1 和 GPT-4o 在目录类文档上的错误率高于 64% 和 77%——它们经常会截断，甚至整条产品跳过。作为参照，人工辅助标注是 99.4%。

我把这三个数字写进来，是因为它们说明一件很实在的事："把 PDF 丢给 AI 让它自己读"，目前这个做法是不合格的。 八十出头的准确率，放在一篇营销文案里也许能忍，放在一份要来料加工的规格上，不能忍。

所以这个坑对你有两层意思：

一层是防守——别指望 AI 帮你把资料读全，你得先把资料写成不用猜的形式；

另一层是进攻——当你的参数写得足够具体，AI 就不需要猜了。而它不猜的时候，它就只能引用你。

第二个坑：AI 也会生成一家不存在的工厂

这一条是 B2B 独有的，前三个行业都没有。

前三个行业里，AI 骗的是你。这一个行业里，AI 也在骗你的客户——而骗的方式，是让一家工厂凭空出现。

IQAS 是一家做验货和验厂的服务商，2026 年他们记录了中国外贸场景里出现的一种新形态，业内叫它"幽灵工厂"。具体的操作方式有这三种：

第一种，AI 生成的高保真工厂图。 巨大的车间、干净的产线、穿工装的工人——照片挑不出毛病，机器不存在。

第二种，克隆与篡改的证书。 ISO 9001、CE 报告、实验室检测报告，数字化伪造一份的成本已经很低，而表面合规检查根本查不出来。

第三种，"虚拟参观"。 供应商邀请你做视频验厂。而另一种做法是：临时租用、或者干脆溜进第三方的产线，录几个小时的视频，用来"证明"是自己的厂。

IQAS 给了三个红旗，我觉得可以直接拿去用——既是给买家看的，也是给你自己照镜子的：

红旗一，拒绝不通知访问。 线上特别好说话，一提到"我派个第三方来现场看看"，就冒出各种理由：正在装修改造、有保密规定、赶当地假期。

红旗二，规模不匹配。 号称月产五万台，但公司注册资本、参保人数（这些在公开数据库里都能查）只相当于一家街边店。

红旗三，价格违反原材料逻辑。 报价远低于钢、锂、铝的全球成本价——那不是"捡漏"，那是"诱饵"。

我把这一条放在这一节，不是要吓你，是要说明一个正在发生的变化：在这个行业里，"可核验"正在比"好看"值钱。

而"可核验"这件事，恰好就是第一层技术资产的本质——你的参数写了一串别人能去查证的东西（标准号、报告编号、证书可查入口），还是只写了一堆只能靠信你的形容词。

第三个坑：法律不允许你把参数说得比实测更好

第三个坑是合规。但这一篇的合规红线，跟前面三篇性质都不一样：

教培那一篇，红线是"你不能承诺什么"；

专业服务那一篇，红线是"你不能跟谁分钱"；

B2B 这一篇，红线是"你不能让数据比实测更好"。

而这条线正好是 AI 最容易替你越过的那条——因为它会帮你"补全"，而补全出来的数字看起来总是很漂亮。

依据是一条很朴素的法条：《中华人民共和国广告法》第十一条第二款——广告使用数据、统计资料、调查结果、文摘、引用语等引证内容的，应当真实、准确，并表明出处。

注意最后四个字：表明出处。不是"真实就行"，是真实的还得说清是从哪来的。

我找三个真实处罚案例，都能在政府网站上查到：

案例一，明光市皓瀚环保科技有限公司（明市监处罚〔2026〕201 号，2026 年 5 月 29 日）。这家公司在阿里巴巴网店卖活性炭，商品参数里写了"粒度：1（目）、水份：7（%）"。调查发现，这两个数是自己用游标卡尺估算、用水份仪自测的，没有在页面上标注来源出处。违反了广告法第十一条第二款。

案例二，潮州三宗智能卫浴广告违法案例（潮州市市场监督管理局公布）。一家公司宣传"紫外线杀菌""除菌率≈99.99%"，拿不出对应的有效证明材料，除菌率也没标明引证出处——罚 5000 元；另一家写"久用如新""席卷污物 0 残留"这类绝对化用语，同样提供不出检测报告或实验数据——罚 5000 元；还有一家虚构产品拿到"IF 设计奖""红点奖"，并配了虚假参展照片——罚 30000 元。

案例三，宁波某公司能源效率标识虚假宣传案（2026 年 8 月公布）。产品标注能效 1 级，检测下来额定容积 160L、实测 108.5L，不合格——罚 51000 元。

三个案例，罚的钱都不算多。但我想让你注意的是它们被查出来的方式：全部是有人去核了那个数字的出处。

而在 AI 时代，"有人去核"这件事的频率会大幅上升。 因为前面第⑥节那个数字——62% 的采购者会用 AI 拿公开来源去核对销售话术。

过去，核一个参数要打电话、要查资料，成本高，所以没人核；现在，AI 一秒钟就能核。你的每一个数字，都在被核对的成本降到接近于零的环境里。

最硬的一条：你的标书，已经先被一个模型读过一遍了

前面讲的全是"客户在 AI 里看到你"。这一节讲的是另一件事：AI 已经在读你交上去的那份文件了。

而且这件事有国家文件。

2026 年 2 月，国家发展改革委等八部门联合印发了一份意见：《关于加快招标投标领域人工智能推广应用的实施意见》，文号是发改法规〔2026〕195号，2026 年 2 月 6 日成文。八部门是国家发展改革委、工业和信息化部、住房城乡建设部、交通运输部、水利部、农业农村部、商务部和国务院国资委。

文件提出了 20 个重点场景，覆盖招标投标全过程。我把跟这一篇关系最近的几个挑出来：

招标环节里有一个"招标文件检测"——对招标文件开展合规性、合理性、错敏词等多维度检测，自动识别违法违规和排斥限制竞争的问题。文件里还鼓励了一句话：招标文件"先体检、再发布"。

投标环节里有一个"投标合规自查"——原话是"对投标人编制的投标文件，对照招标文件进行响应性比对，自动提示投标文件中的违法违规、错误缺漏等问题"。同一段里还有一句：对可能低于成本价的投标进行风险提示，减少恶意低价竞标。

开标评标环节里有一个"智能辅助评标"——原话是"全面提取招标投标文件要素，深度解析招标文件内容和投标文件响应度"，辅助专家评审，或者生成结果供专家参考。

定标环节里有一个"辅助定标决策"——对中标候选人进行多维立体画像，还提到"数字人答辩"这种方式。

时间表也写得很清楚：2026 年底，招标文件检测、智能辅助评标、围串标识别等重点场景在部分省市实现全覆盖应用；2027 年底，更多重点场景在全国范围内推广应用。

行业口径也能对上。中国物流与采购联合会在《2026 数智化采购发展报告》里的原话是：招标投标八大环节的 20 类场景，AI 应用正在逐步落地；采购电子商城的 AI 应用渗透率超过 50%。

我说一下这一节的意义。

前面所有的内容，都是"如何让客户在 AI 里看到你"。这一节不是。这一节是——AI 已经在评审你交上去的那份文件了。

而且请特别注意它读的是什么："响应度"。不是你写得多漂亮，不是你公司介绍做得多精美——是招标文件要求的每一项，你响应了没有。

这句话对你的技术资料提出了一个新要求：你的参数、认证、案例，写得越结构化、越能被逐项比对，你在这种"机器初筛"里就越不容易被漏掉。

四个动作，能直接照抄

到这一步，具体做什么就很清楚了。四条线，从最基础的开始。

动作一：把规格表从 PDF 里搬出来。

做法是"混合架构"——把公差、材质、工况、认证做成页面上的 HTML 表格（标签加粗、单位清晰），PDF 保留在表格下面供下载。你不用一次改完整个网站，先挑销量前 20 个型号，把它们的规格表先做成网页表格。

今天就能做的一步：打开你官网卖得最好的那个产品的页面，按 Ctrl+A、Ctrl+C，粘到记事本里——如果你在纯文本里看不到那张参数表，AI 也看不到。

动作二：打开机器人门禁。

在 robots.txt 里，为 GPTBot、OAI-SearchBot、PerplexityBot、ClaudeBot 各写一条放行规则。顺序很重要，爬虫读 robots.txt 是从上往下读的，所以放行规则要写在通配拦截图则的上方。

今天就能做的一步：在浏览器地址栏输入"你的域名 /robots.txt"，看一眼有没有单独一行 User-agent: * 配着 Disallow: /。如果有，你已经被拦在门外了。

动作三：把参数写"全"，而不是写"好"。

这张产品页上，至少要给全这些字段：MOQ、交期、材质与标准号、适用工况、认证与证书编号、检测报告编号、包装与物流。注意"适用工况"里要写不适用于什么——这是 AI 最需要、也是你最容易漏的一项，因为它能防止 AI 帮你"补全"出一个你不该接的工况。

今天就能做的一步：拿一张现有的产品页，把那句"我们提供高品质的换热器"改成"紧凑型翅片换热器，耐受 450℃、250 bar，材质 Inconel 625"。一句话的差别，就是能不能被引用的差别。

动作四：让工程师出来说话。

让工程、工艺、质量的人，去技术社区参与真实讨论；让签过项目的工程师做案例复盘。复盘有个要求：具名 + 具体数字 + 具体方法——客户原来卡在哪、你们怎么解、最后什么结果。

今天就能做的一步：这周挑一个真实项目，让负责它的工程师写 500 字。不用给市场部审成"通稿"，就是要那个带着工艺细节的原始版本。

关于动作四，我要补一句提醒，因为这关系到你该把资源投在哪：前面 Meltwater 那组数据说，AI 引用的 LinkedIn 内容里 75% 来自个人主页。意思是——你的工程师本人的账号，可能比你公司的官方账号更有用。

B2B 的 GEO 不靠文案，靠工程师。文案可以外包，参数不能。

四样东西放在一起

我把开头承诺的四样东西，在这里收一下。

第一样，《B2B 技术资料可检索化自检表》——就是第⑦节那张四层的表。逐层打勾，哪一层空着，就从那层补。

第二样，《采购方四种问句 × 真实原话》——第⑥节那张表。你要做的不是"回答所有问题"，是确保在"选型型"和"合规型"这两类问句里，你能被找到。

第三样，《B2B GEO 四条改造线》——第⑬节的四个动作，每条带"今天就能做的一步"。

第四样，《产品事实卡模板 · B2B 版》。这张卡不是给你自己看的，是给 AI 和采购方一起看的。十一个字段：

#	字段	写法要点（示例值仅示意格式）
1	产品名 / 型号	两片式球阀 / BV-2PC-050-SS
2	关键参数（带单位）	公称通径 DN15（1/2 英寸）；压力等级 1000 WOG
3	材质与标准号	阀体 304 不锈钢（ASTM A351 CF8）；螺纹 NPT（ASME B1.20.1）
4	适用工况（含不适用）	常温常压；介质水、油、气；不适用于高温蒸汽
5	认证与证书编号	ISO 9001（证书号 ×××，可在认证机构官网查询）
6	检测报告	第三方机构名称 + 报告编号 + 测试项目 + 日期
7	MOQ	500 件
8	交期	15 到 25 天
9	包装与物流	出口纸箱 + 托盘（ISPM 15）
10	报价口径	是否含税；贸易条款（如 FOB / CIF）
11	联系人	可公开的商务联系方式

为什么是十一个：第 2 到 4 项对应"参数型"问句，第 5、6 项对应"合规型"问句，第 7 到 10 项对应"比价型"问句。

字段填不全，等于在四种问句里放弃了三种。

一句自检，和这个系列的最后一站

自检就一句。

打开一个 AI，用你自己的产品型号问它："某某型号的关键参数是什么。"然后再追问一句："你这些信息是从哪来的。"

如果它答得含糊，或者答错了——那不是它的问题，是你的资料不在它能读到的地方。

行业篇四篇打样，到这里结束。如果你所在的行业不在这四类里——比如跨境电商、大健康、家装、SaaS——在留言里报一下你的行业，我按顺序往下拆。

最后把这四篇串成一句话，你就知道自己在哪一格：

教培，问的是你有没有资格开；

本地门店，问的是三公里内谁能被想起来；

专业服务，问的是你的身份有没有被公示出来；

B2B 与制造业，问的是你的参数，AI 读不读得到。

前三个行业的答案，别人替你写好了。这一个，得你自己写。

本节动作

5 分钟，做两件事。

第一件，打开你自己官网的一个产品页，按 Ctrl+A、Ctrl+C，粘到记事本里。看那张参数表还在不在。

第二件，打开一个 AI，用你的一个真实型号问"关键参数是什么"，再追问"这些信息从哪来的"。

把两个答案都记下来。一个月后再做一遍。

第一件事决定 AI 读不读得到你；第二件事决定它读到了什么。

GEO 实验日志 · 第 18 期

这一期的搜索，跟前三期最大的不同是：我第一次搜到了国家级文件。

前三期的信源池是这样的：教培是一整片污染区加一个干净源；本地门店是污染和干货各占一半；专业服务是污染和可核数据混在同一篇文章里。

这一期不一样。我搜到了五份可以直接引的官方口径——工信部的制造业数字化数据、CNNIC 的生成式 AI 用户报告、发改委等八部门的招标投标 AI 文件、中国物流与采购联合会的采购报告、还有统计局和商务部的数据。

这是整个系列里，第一次出现"国家给的数据比服务商给的数据还多"的情况。

但我要把这一期的边界说清楚——这个行业的官方数据，只覆盖"制造业有没有在数字化"，不覆盖"AI 有没有在采购里说你的名字"。

后一半，还是全部来自卖服务的公司。而且这一期的污染形态又变了：出现了疑似编造。

有一份服务商白皮书写着"2026 年第三方监测数据显示，工业品、政企招标类专业领域问答中，大模型信息错误率平均高达 41.7%"。数字精确到小数点后一位，看着特别像数据。但我把能找到的渠道翻了一圈，找不到发布方、找不到样本量、找不到方法。 这一条我没有用。

这是我这次最大的一个收获：前三期的污染是"改写"和"混排"，这一期出现了"精确到小数点后一位的、查无出处的数字"。越像数据的数字，越要查出处。

上期复盘：第 17 篇我给自己定的结论是"污染和干货在同一篇文章里，只能一条一条拆"。这一期我把这个方法用在了信源选型上——同一份服务商材料里，可核的（工信部数据、发改委文件）留下，不可核的（错误率、规模数）丢掉。

一句话交代边界：这一篇里所有讲"AI 推荐了谁""引用占比多少"的部分，我查到的全部是服务商研究，我把每一处的来源性质都标了出来。这一篇真正站得住的，是那五份官方文件——你去政府网站上都能自己复核。

写在最后

这一篇讲的东西，收成三句话。

第一，你的客户不是一个采购员，是一整条流水线。 Forrester 说一次决策涉及 13 个内部相关方和 9 个外部影响者，Gartner 说 70% 到 80% 的采购旅程根本不接触任何供应商。这条流水线的前半段已经交给 AI 了，你唯一能做的，是确保它读得到你。

第二，B2B 的底座是你自己写的。 教培靠许可、门店靠地理、专业服务靠国家公示——只有这一个行业，没人替你公示任何东西，你的第一层技术资产就在你自己网站的 HTML 里。 而这一层，一份扫描版 PDF 就能全部作废。

第三，AI 不会编你的参数，它会"补全"你的参数。 它把品类的平均值当成某一颗螺丝的事实，而客户拿到一个装不上的阀门，不会来问你——他直接不来了。

下一篇是这个系列的收口篇。我把这 90 天自己做的所有事、拿到的所有数据、以及所有没做成的事，一次讲完。

---

觉得有用就点个赞、在看吧——顺手做个小动作：打开你官网的一个产品页，按 Ctrl+A 全选、粘贴到记事本，看看那张参数表还在不在。再打开一个 AI，用你的一个真实型号问一句"关键参数是什么"，追问一句"信息从哪来的"。两件事加起来五分钟，但结果是你会知道：AI 到底能不能读到你的产品。

这一篇读完，你应该能做到： 明白 B2B 跟前面三个行业最根本的差别——做决定的不是一个人，是一整条流水线（Forrester：一次典型决策涉及 13 个内部相关方加 9 个外部影响者，采购部门在 53% 的周期里就是决策者；Gartner：70% 到 80% 的采购旅程完全不接触任何供应商，买家只花 5% 的采购周期跟销售待在一起）；看清采购方的四种问句里，你唯一可能被点名的"选型型"，是客户快选完才问的，而客户真正纠结的"参数型"和"比价型"，AI 根本不需要提你的名字；用《B2B 技术资料可检索化自检表》四层逐层对照，知道第一层（你自己网站的 HTML 表格）为什么是决定性的——PDF 陷阱、robots.txt 门禁（Otterly.AI：73% 的网站无意中封禁了至少一个主流 AI 爬虫）、以及 AI 爬虫只读服务端 HTML 从不执行 JS 这三个卡点；用《产品事实卡模板 · B2B 版》十一个字段，把参数、工况、认证、交期一次写全；认清三个坑——AI 不会编你的参数、它会"补全"你的参数（把品类平均值当成某一颗螺丝的事实；GPT-4.1 与 GPT-4o 在目录类规格文档上错误率高于 64% 和 77%）、AI 会生成一家不存在的工厂（幽灵工厂的三个红旗）、以及参数宣传的法律红线（《广告法》第十一条第二款，"真实还不够，还要标出处"，三个真实处罚案例都在政府网站上能查到）；并且知道最硬的一条——发改委等八部门已经发文，20 个场景落地，你的标书在交给评标专家之前，已经先被一个模型按"响应度"读过一遍了；最后按《B2B GEO 四条改造线》动手，每条都带"今天就能做的一步"。

下一篇预告： 第 19 篇《我做 GEO 的 90 天：完整数据、失败和结论》——这是整个系列的收口篇。我会把 90 天里做过的每一个动作、公众号和独立站两条实验线的真实数据、以及所有没做成的事，一次讲完，然后回答那个所有人都在问的问题：GEO 到底该自己干，还是找人干。