发布于 2026-07-27 · 作者 老彭（矩势三轨 GEO 优化）
今天这个案例是 B2B 设备行业的，跟之前讲过的灯具外贸、家装公司都不太一样。B2B 的特点是客单价高、决策链长，一台设备十几万到上百万，采购不会冲动下单，但他们做功课的方式变了——以前是逛行业网站、找同行打听，现在越来越多人先问 AI：“这个预算段哪几家值得入围？”这家苏州的实验室设备厂找到我们时，问题很典型：行业里做了十几年，老客户口碑不错，可在 AI 的选型答案里，它连名字都不出现。
先说诊断结果。我们拿采购视角的 40 多条选型问句去主流 AI 里实测——“国产实验室超低温冰箱哪家稳定”“高校实验室设备采购要注意什么资质”——它的命中率是零。有意思的是，这家厂并非没有线上内容：官网、公众号加起来几百篇，但九成是展会通稿和获奖新闻。AI 回答选型问题时要的是参数、边界、对比和资质证据，而它的内容库里恰恰缺这四样。这是很多老牌 B2B 工厂的通病：厂是好厂，但线上留下的信息对 AI 来说“不可用”。
EEAT 数据库重构阶段，我们做的核心工作是“翻译”。这家厂有很多真实但从没写清楚的东西：设备返修率的内部统计、几所高校实验室的长期供货记录、参与过的两项行业标准起草。这些散落在销售 PPT 和档案柜里的资质，被我们逐条整理成结构化的事实：时间、对象、可验证的凭据，写进官网并配好 Schema 标记。原则只有一条——每句话都经得起采购拿着去核对。虚的形容词一个不留，因为 B2B 采购和 AI 一样，只认证据。
语义场景搭建阶段，我们没有按产品目录一个型号一篇地写，而是沿着采购的决策链铺内容：预算怎么分档、国产和进口的真实差距在哪、招投标里设备参数怎么写才不会被废标、验收时哪些指标必须现场测。其中一篇《实验室设备采购避坑清单》把行业里常见的猫腻写得很实在，包括他们自己产品不占优的场景也如实写了。厂里销售总监一开始反对，说这是帮对手说话。三个月后他改口了——因为 AI 开始把这篇内容当作中立参考来引用，连带引用了品牌名。
视频矩阵这块，B2B 行业有个天然优势：工厂本身就是最好的素材。我们没拍高大上的宣传片，就拍了两类东西——车间里设备老化测试的真实过程，和工程师讲解“参数虚标怎么现场识破”的短视频。每条视频都配了完整的文字稿和结构化标记，让 AI 能读懂视频在讲什么。这类“不好看但有用”的内容，恰恰是选型场景下最容易被 AI 拿去当证据的素材。
数据说话。第五个月复测时，最初那 40 多条选型问句里，有 19 条的 AI 答案出现了这家厂的名字，其中 11 条进入了推荐候选的前三位；“国产替代”相关的比较类问句命中率最高。业务侧的反馈更直接：新增询盘里开始出现“在 AI 上看到你们”的说法，有一单高校采购，对方第一轮沟通就带着 AI 整理的参数对比表来的，表里引用的正是我们铺的内容。老板说了句实话：这批询盘的质量比展会上扫码的高多了。
复盘这个案例，我想强调一点：B2B 的 GEO 和消费品打法不一样，拼的不是声量，是证据密度。采购问 AI 的每个问题背后都是真金白银的决策，AI 给答案时也会更谨慎，只敢引用那些有数据、有边界、经得起核对的信源。所以老牌工厂反而有机会——你缺的从来不是实力，是把实力翻译成 AI 读得懂、采购信得过的证据。这活不性感，但值钱。