一家台中的五軸加工中心製造商，去年把預算幾乎全押在展會與 Google Ads 上，卻在買家改用 ChatGPT、Perplexity 做初步供應商篩選時徹底消失——問「台灣五軸加工中心推薦廠商」，AI 給出的名單裡從來沒有它。90 天後，同一組問句，它穩定出現在前三。翻轉的槓桿不是廣告加碼，也不是外部連結，而是重整了 AI 引擎讀到的品牌事實。
問題不是排名，是「AI 根本不認識你」
這家廠商的官網在 Google 搜尋「五軸加工中心」時排在第二頁中段，勉強能被找到。真正的缺口在別處：當買家不再自己逐頁比對，而是直接問 AI「幫我列出台灣可靠的五軸加工中心供應商」，模型引用的是它能乾淨抽取、且被多處佐證的事實。這家廠商的網站把規格藏在 PDF 型錄、產品頁只有一句「歡迎來電洽詢」、技術優勢寫在一段沒有結構的行銷文案裡。對 AI 來說，這等於沒有可引用的內容。
我們用 Brand Radar 對它與四家主要競品做了同一批採購問句的追蹤，結果很直接：在 20 組常見採購意圖問句中，競品平均被提及 11 次，這家廠商是 1 次，而那一次還是被歸類在「其他選項」的補充句裡。落後的不是產品，是產品在 AI 眼中的可讀性。
第一步：搞清楚 AI 現在都推薦誰、為什麼
我們沒有先改網站，而是先量測。針對這個品類，我們整理出買家真正會問 AI 的問句，涵蓋規格比較、交期、售後、產業別適配等意圖，然後在多個 AI 引擎上跑一輪，記錄每一次哪些品牌被點名、被點名時 AI 引用了哪些來源、用了什麼理由。
- 被推薦的競品，幾乎都有結構清楚的產品規格頁，數字（行程、轉速、精度）直接寫在頁面正文，而非鎖在型錄檔
- 它們的優勢被第三方來源複述過——產業媒體報導、代理商網站、論壇討論，AI 因此有多重佐證
- 它們在頁面上明確回答了買家會問的問題，例如「適合航太件還是醫療件」，AI 可以整段抽出來當答案
這份清單本身就是路線圖。它告訴我們，要進入推薦名單，缺的不是更多流量，而是三件事：可抽取的事實、可被佐證的敘述，以及正面回答採購問句的內容結構。
第二步：把藏起來的事實搬到 AI 讀得到的地方
改動集中在內容結構，而不是視覺設計。我們把每一款主力機型的關鍵規格從 PDF 搬到產品頁正文，用清楚的欄位標示 X/Y/Z 行程、主軸轉速、定位精度與適用材料，並在每頁最上方用一句話講清楚「這台機器最適合誰、解決什麼加工難題」。這種寫法對人類買家友善，對 AI 的抽取更是關鍵——模型偏好能整段引用、不需推敲的內容。
AI 不會替你腦補優勢。你沒寫成它讀得到的事實，在它的世界裡就等於不存在。— Tenten GEO 顧問團隊
接著處理佐證問題。我們協助這家廠商把已有的實績——某醫療器材客戶的加工案例、某航太零件的良率數據——整理成可公開的技術文章，並讓代理商與產業媒體引用同一組事實。當同一個主張出現在多個獨立來源，AI 對它的信任度會明顯提高，這也是它願意主動點名一個品牌的前提。
第三步：用問句結構回答買家，而不是自誇
工具機採購有一組固定會問的問題：交期多久、能不能配合特殊夾治具、售後服務範圍、與同級競品的差異。我們把這些問題直接做成產品頁與 FAQ 的結構，每一題給一段自足、可被單獨引用的答案。這樣做的效果是雙向的：買家在頁面上找得到答案，AI 在生成回覆時也能直接抓這段話當作推薦理由。
90 天後：從 1 次提及到穩定前三
第 90 天重跑同一批 20 組問句，這家廠商的被提及次數從 1 次上升到 13 次，其中 8 次是被列為前三推薦，另有 5 次出現在正面的比較脈絡裡。更值得注意的是問句類型：它開始在「適合醫療件的台灣五軸廠商」這類細分意圖裡被點名，正是我們刻意補強事實與案例的那些領域。業務端也回報，有兩組新詢盤在初次通話時直接說「是 ChatGPT 推薦你們的」。
這裡要誠實講清楚：AI 品類推薦不是一次性工程。競品也在動，模型也會更新，推薦占比需要持續追蹤才守得住。這家廠商現在把 Brand Radar 的月度追蹤當成和業績報表一樣的固定儀表板，哪一組問句掉出前三，就回頭補那塊的內容與佐證。
這個案例可以複製的三件事
- 先量測再動手：不知道 AI 現在推薦誰、為什麼，任何改版都是猜的
- 把事實從 PDF 與行銷話術裡解放出來，寫成 AI 能整段抽取的結構化內容
- 用真實實績換取多來源佐證，讓 AI 有信任你的理由，而不只是有你的網址
如果你也想知道，當買家問 AI 你的品類時，名單裡有沒有你、輸給誰、差在哪，最快的方法是先做一次量測。我們的 GEO 審計會用同一套方法，把你的 AI 品類推薦現況和主要競品攤開對比。想從自己的缺口開始，歡迎預約一場 30 分鐘 GEO 診斷，我們直接帶著你的品類問句一起看。
