客户问「你们和同行比怎么样」，AI 会怎么答你

一个做包装机械的销售跟我说过一件事。客户在豆包里问「XX 和 YY 比哪个好」，AI 给了三条理由，两条是「YY 交期更短」「YY 有 CE 认证」。他说我们交期更短，CE 也有，还是先拿的。但 AI 一个字没提。

他的第一反应是 AI 偏心。实际原因更直白：AI 不是在比较谁更好，是在比较谁的内容里有可比的字段。

同行页面写着「标准机型交期 25 天、CE 认证编号 XXX、质保 24 个月」，他的页面写着「品质优良、服务周到、交期灵活」。前一份材料能进对比表，后一份进不去。所以不是比输了，是没被放进那张表。这件事跟 GEO 有什么关系？关系很大——比较型问句是 B2B 采购的最后一问，谁在这一问里缺席，前面的曝光都白搭。

先把边界说清楚。这一篇讲的是「客户拿你和同行放在一起比的时候，AI 手里有没有你的数据」，不适用于还没进入比价环节的企业——那是曝光问题，得先解决被不被看见。也不是所有品类都靠比较：定制化程度极高的非标设备，客户往往只比一家，因为别人做不了。另外，下面这些做法只能提高你被纳入对比的概率，不能保证 AI 给出对你有利的结论；生成式引擎优化没有任何手段能左右比较结果，谁跟你保证「压过对手」，可以直接结束沟通。

一、比较型问句，是采购流程的最后一问

采购不是一次决定，是一串问题。先是「这个东西叫什么」（品类词），再是「谁能做」（供应商），然后「这个参数行不行」（规格），最后是「这几家里选谁」（比较）。

前面几问都有替代路径：客户可以问同行、翻展会、找贸易商。只有最后一问，越来越多人直接问 AI。因为它快，而且看起来中立。

这一问的答案有个特点：它天然是列表的、有排序的、带理由的。不是「某公司不错」，而是「A 在价格上有优势，B 在交期上更稳」。这种回答形状决定了你的内容必须能填进表格，否则连被提到的位置都没有。

顺带说一句，不同 AI 给出的比较结论经常不一样。SIGIR 2026 那篇测量系统间引用重合度的论文里，Jaccard 系数只有 0.18——同一个比较问题，豆包、DeepSeek、文心引到的页面几乎没有交集，结论自然可能打架。客户如果多问两家，拿到的会是两个版本。这也是做 GEO 必须先测多个引擎、不能只看一家的原因。

二、AI 做比较，靠的是同一套字段，不是形容词

把 AI 的对比输出拆开看，它的结构其实很固定：几个候选对象，几个维度，每个维度上各是什么值。看清这个结构，AI 搜索优化的重点就变了。

维度从哪来？从被检索到的页面里来。如果两份页面都写了交期、认证、质保、最小起订量，那就按这四个维度比；如果只有一份写了，那这份就单方面提供了维度——另一方在这些维度上是空白，空白在对比里通常等于劣势。

这就是那三条理由的由来。不是 AI 偏心，是它手上只有一方的数据。

所以做 AI 搜索优化到这一层，任务变了：不是把形容词写得更漂亮，是把可以横向比对的数字和事实补齐。B2B 场景里真正会被拿去比的大概就这些：

• 标准交期与急单交期（天）
• 最小起订量与起订台阶
• 关键公差、材质、工艺上限
• 认证名称、编号、覆盖范围、有效期
• 质保期限与售后响应方式
• 报价口径：含税不含税、含运不含运、有效期多久

这张表里没有一项叫「品质优良」。不是说品质不重要，是它没法被填进一个格子里。生成式引擎优化要改的第一件事，往往就是这些形容词。

三、你没有可比字段，AI 只能把你跳过

跳过这件事，比写错更隐蔽。写错你还能收到反馈，跳过你什么都不知道。GEO 项目里大量「做了没效果」的案子，卡的就是这一步。

有一个数据能说明「被放进对比」有多值钱。KDD 2024 那篇论文做过实验：给原本排第一的结果加上引用，它的被选比例下降了 30.3%；而原本排第五的结果加上引用，被选比例上升了 115.1%。反过来看同样成立——在比较场景里，材料的质量能改写排序，而不是只加固排序。

这条结论很重要，因为它说明排名不是唯一的变量。你在原始排序里靠后，只要材料可比、有依据，仍有机会被翻上来；你在排序里靠前，材料是空的，也会被压下去。这也是 AI 搜索优化里少见的、能用实验数据说清的一件事。

多伦多大学那篇预印本测过 AI 对第三方来源的偏好程度，落在 53% 到 95% 之间，具体看查询类型。比较型问题正好是偏好第三方最明显的一类——因为客户问的就是「别人怎么看这几家」。

这就带出下一个问题：光自己写够不够。很多人在 GEO 上卡住，就是以为写到官网就结束了。

四、第三方怎么说，决定你能不能进到那张表里

不够。自己写的字段，只解决了「有数据」；能不能被采信，还有一层。做 AI 搜索优化，只改自己的官网永远走不到这一步。

关于这一层，AirOps 在 2026 年的《State of AI Search》里给过一个观察值：品牌被提到的时候，85% 的来源是第三方页面，不是企业自有站。Semrush 基于 54 万条以上 AI 回答的研究里另有一个数字：62% 的 AI 引用从来没有产生过品牌提及。两个数字扣在一起，画面是这样的——AI 大量在读第三方内容，并且经常读完不提名字。

放到比较场景里，意思是：客户问「A 和 B 哪家好」，AI 更可能去引一篇行业媒体的对比报道、一份采购指南、一个论坛里的实际使用反馈，而不是你官网的「为什么选择我们」。

所以第三方这一层不是加分项，是入场券。它主要包括三类：

一是可核验的客户案例。不写「客户很满意」，写行业、工况、解决了什么问题、交付了什么。客户名可以脱敏，事实不能虚。

二是行业侧的出现。协会名录、展会参展记录、行业媒体报道、标准或白皮书的参编。这类内容的特点是别人替你写，可信度天然高一档。

三是评价与问答。B2B 领域这块比消费品薄，但并非没有。G2 2026 年的调查里，45% 的 B2B 买家认为「引用评审网站」最能建立信心。这条是海外口径，国内对应的是行业社群和垂直平台的真实评价，载体不同，逻辑一样。

五、B2B 采购本来就在找第二供应商

有个前提值得点出来：客户问「和同行比怎么样」，很多时候不是要淘汰谁，是在找备选。这一点决定了 GEO 的目标该怎么定。

《Computers & Industrial Engineering》2026 年 8 月有一篇同行评审论文，结论是双源采购在各种中断风险水平下都能带来更稳定的利润和更好的风险对冲。McKinsey 的《Supply Chain Risk Pulse 2025》里，39% 的受访企业在做双源采购，45% 在增加安全库存，33% 在推进近岸。行业里还有一个常被引用的集中度经验值，单一供应商占比不超过 70%。

这些数字说明一件事：客户几乎一定会同时看几家。他们不是在找一个完美供应商，是在组一个供应商组合。

这对被比较的一方是好消息。行业里常见的说法是，第二供应商的报价通常要高出 10% 到 20% 才能补上切换成本——也就是说，客户愿意为「有一个可靠的备选」付溢价。

对做 GEO 的人来说，结论是：你的目标不是「成为唯一被推荐的那家」，那既不现实也不必要；你的目标是稳定出现在那张候选表里，并且每个维度上都有值。在深圳、东莞这类外贸密集的地方，组合式采购比单一供应商更常见，这条尤其成立。

六、能做的四件事

落到具体动作，GEO 在这一层的活就四件。

第一件，做一张自己的对比表。把上面那六个维度列成表，填自己的真实值。填不出来的格子，就是你要去补的信息，不是要藏起来的地方。这张表同时是内部管理的工具——很多企业填到一半才发现，自己的交期口径在不同部门之间都不一致。

第二件，把字段写进正文，不是写进图片。参数放在一张 JPG 里，系统读不到。做成表格或列表，用文字写出来。

第三件，让第三方也说同一套字段。客户案例里带上交期、认证、验收方式；行业报道里带上具体产能和工艺。如果第三方说的和官网说的对不上，两边都会打折。

第四件，接受「被比」这件事。有些企业不愿意公开交期和起订量，怕被同行看到。这个顾虑可以理解，但代价是：在 AI 的比较里，你永远是空白的那一格。折中做法是给区间不给精确值（「标准机型 20–30 天」），这样既进了表，也没把底牌全摊开。

七、三个常见问题

1. 我的价格比同行高，写出来不是吃亏吗？

不写价格，AI 在价格这一维度上只会引别人的数据，结果更被动。可行的做法是写清价格构成与适用范围，而不是写一个绝对数——「含税含运、MOQ 500 件、有效期 30 天」这类信息本身就是竞争力，也解释了为什么贵。GEO 在这里的作用是让「贵得有理由」这件事变得可被读到。

2. 客户会不会拿 AI 的对比结论来压价？

会，而且已经在发生。应对方式不是让 AI 少说，是让自己的口径足够清楚，让客户能看懂差异在哪。含糊的报价最容易被拿去比。

3. 同行已经在 AI 的名单里了，还有机会吗？

有，但要看是哪种名单。比较型答案是动态拼出来的，每次提问都可能换一批来源；固定的名录才是难改的，因为它本身就是一个页面。所以先判断你面对的是哪一种——这一层判断方法，和前面说的三态诊断是同一套逻辑。

八、写在最后

回到那个包装机械的销售。我们后来做的事很简单：把他的交期、认证编号、质保期、验收标准做成一张表放上产品页，再让两个老客户在自己的渠道里说了一遍同样的话。三个月后客户再问同一个问题，AI 提到了他们，理由是「交期 20 天，有 CE 认证」。

注意，AI 说的这两条，全都是他自己原本就有的东西。变的只是这些事实从「只有销售知道」变成了「页面上写着、别人也这么说」。

易杭 2024 年起做 GEO，此前一直在跨境 B2B 与国际站服务里。B2B 采购按维度打分的这套逻辑，是从那边带过来的——国际站上客户本来就在拿参数表比价，换到 AI 里没有变。所以我们看一个客户时，会先问一句：如果客户明天拿你和两家同行去问 AI，AI 手上有你的哪几个数字？

数据与效果边界：本文引用《Computers & Industrial Engineering》2026-08-19 的双源采购结论为同行评审论文（DOI 10.1016/j.cie.2026.112192），其适用范围为供应链风险管理情境，不等于采购决策的普遍规律。KDD 2024 的 30.3% 与 115.1% 为受控实验条件下的相对变化，非线上机制保证。多伦多大学的 53%–95%、SIGIR 2026 的 Jaccard 0.18 为预印本或论文实验结论，限其测试查询集。AirOps 的 85%、Semrush 的 62%（基于 54 万条以上 AI 回答）与 G2 的 45% 均为厂商或平台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。McKinsey 的 39%/45%/33% 为 n=100 的问卷口径，经第三方转述；集中度 70% 规则与第二供应商 10%–20% 溢价均为行业经验值，非权威统计。以上数据均属机制说明或观察性统计，不等于任何企业的实际结果。所述方法的作用是提高被检索、被引用与被纳入对比的概率，不保证 AI 给出有利结论，也不承诺见效周期与业务结果。

参考资料

1. KDD 2024：DOI 10.1145/3637528.3671900（增加引用使原第 1 名 −30.3%、第 5 名 +115.1%；同行评审）
2. 《Computers & Industrial Engineering》，2026-08-19，DOI 10.1016/j.cie.2026.112192（双源采购在各中断风险水平下带来更稳定利润与更优风险对冲；同行评审）
3. MIT Sloan Management Review（多源采购的两类问题：备选常与主供应商同区域、双供应商管理成本更高）
4. McKinsey：《Supply Chain Risk Pulse 2025》（39% 双源采购、45% 增库存、33% 近岸；n=100，经第三方转述）
5. G2：2026 年 B2B 买家调研（45% 认为引用评审网站最能建立信心；平台自行发布）
6. 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）
7. 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）
8. 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）
9. SIGIR '26：多系统引用重合度研究（Jaccard 0.18；同行评审）