AI 引用率不是靠寫更多部落格堆出來的。這家台中工具機廠 90 天內把 AI 引用率從 0 拉到 34%，我們沒有大改網站架構，也沒有砸廣告——真正動了指針的，是把採購端會問 AI 的問題拆到夠細，再把每一題的答案寫成 AI 能乾淨抽出來的段落。
起點：品牌在 AI 裡等於不存在
這家廠商做五軸 CNC 加工中心，外銷佔營收七成，客戶多是東南亞與歐洲的模具、航太次級供應商。他們找上 Tenten 時的處境很典型：Google 自然排名還過得去，官網每月幾千次造訪，但業務開始回報一件事——愈來愈多海外採購說『我先問過 ChatGPT』。問題是，當我們實際去問時，AI 的回答裡從頭到尾沒有他們。
我們用一組固定的採購情境問句，跨 ChatGPT、Perplexity、Gemini 各測三次，記錄品牌是否被提及、是否被當成推薦選項、是否附帶連結。第一次基準測試的結果很乾脆：38 個問題，被引用次數為零。競品——包含兩家日系與一家台灣同業——則穩定出現在『台灣五軸加工中心推薦』『中小批量模具加工設備怎麼選』這類問題裡。
我們先問了 38 個採購真的會問的問題
多數製造業網站的內容是寫給自己看的：規格表、公司沿革、參展花絮。這些頁面對 AI 幾乎沒有用，因為採購不會問『貴公司成立於哪一年』。GEO 審計的第一步，是把買家在決策路徑上真正丟給 AI 的問題整理出來，再逐題檢查有沒有一段夠好的答案可以被抽。
我們把這 38 個問題分成三層，這也是後續內容的骨架：
- 情境層：像『中小批量鋁合金零件該用三軸還是五軸』『五軸加工中心進場前要準備哪些廠務條件』——買家在釐清需求時問的。
- 比較層：『台灣五軸加工中心有哪些品牌值得看』『日系與台系加工中心的差異在哪』——進入名單篩選時問的。
- 規格層：『主軸轉速多少適合硬料高速切削』『定位精度 ±0.005mm 在實務上代表什麼』——技術把關者驗證時問的。
對照之下，他們原本的網站只回答得了規格層的一小部分，而且答案埋在 PDF 型錄裡，AI 根本讀不到。情境層和比較層——也就是採購最早、最常問 AI 的兩層——完全空白。這就是引用率掛零的結構性原因。
三件事，讓引用率在 90 天內動起來
我們沒有一次改一百件事。優先做的是投報比最高的三件，每一件都對得上前面那份問題清單。
一、把答案改寫成 AI 抽得出來的段落
我們針對情境層與比較層的每一個問題，各寫一段 80 到 150 字、開頭就給結論的答案，放進對應的網頁正文，而不是塞進型錄或影片。關鍵不是寫更長，是寫更能被單獨抽出：一段話講清楚一件事，不依賴上下文、不埋在圖片裡。比較層的內容尤其要誠實——我們如實寫出日系設備在某些高剛性應用上的優勢，反而讓 AI 更願意把這家廠商列為『台系高性價比選項』一起提及。
二、補上結構化資料與可驗證事實
AI 引用一個來源前，會試著確認它可信。我們把產品規格、認證、實際交機案例做成結構化資料，並在頁面上明確標出精度數字、適用材料、可加工尺寸範圍這些可驗證的事實。含糊的行銷詞（『業界領先』『卓越品質』）一律刪掉，換成具體數字。AI 引擎偏好能落地查證的內容，這一步讓規格層問題的引用率最快回升。
三、用 Brand Radar 一週一量，只改被引用的頁
我們用 Brand Radar 每週跑同一組 38 個問題，記錄哪些問題開始出現品牌、出現在第幾順位、有沒有附連結。這讓團隊不再憑感覺改內容——哪一頁進了 AI 的答案就強化它、哪一頁還是空白就重寫那一段。GEO 的迭代速度取決於你多快看到反饋，一週一量比一季看一次 Google Analytics 有用得多。
這家廠商行銷負責人後來說：『以前寫內容像丟進黑洞，現在我每週都看得到哪一題被 AI 咬到、哪一題還沒。有回饋，團隊才知道下一步改什麼。』
90 天量到的數字
第 90 天重跑基準測試，38 個採購問題裡，品牌被 AI 引用的比率達到 34%，其中比較層問題的引用表現最好，因為那正是我們補得最完整的一層。附帶效果是官網的自然搜尋流量也小幅上升——把內容寫得能被 AI 抽取，通常也讓它更符合傳統搜尋的意圖。更實際的是業務端的回報：開始有海外採購在第一次通話時直接說『我看到 AI 推薦你們』，這在 90 天前一次都沒發生過。
你可以怎麼複製這套做法
如果你也在製造業或 B2B SaaS，想知道自己現在的 AI 引用率是多少，起手式很簡單：列出 30 到 40 個你客戶真的會丟給 AI 的採購問題，親自去 ChatGPT 和 Perplexity 各問一遍，數一數品牌出現幾次。多數第一次做的公司，數字會低到讓人不太舒服——這正是機會所在，因為競爭者多半也還沒補這塊。
想少走一段摸索，可以直接預約 30 分鐘 GEO 診斷。我們會用同一套方法，當場幫你量出目前的引用率基準、指出缺口最大的那幾層問題，讓你知道 90 天內最該先動哪三件事。
