别猜AI认不认你，测它——汽车产业链的可见性闭环
汽车产业链行业 GEO 专栏 · 第六篇 · 度量篇（收官）
引言
前面五篇讲的是怎么被机器读到、读懂、读对。到了最后一篇，只剩一个最实际的问题：做了这么多，到底有没有效？
这个问题在汽车供应链里格外尖锐，因为 B2B 的成交周期长、决策链长、单笔金额大，很难用「这个月多了几个询价」直接归因。很多企业做到一半就失去耐心，原因不是方法错，是看不到反馈。而看不到反馈的工作，一定会停。
好消息是：机器可见性可以测，不需要数据团队，一个人一台电脑就能开工。坏消息是：测出来的数字如果没接回经营，就只是自娱自乐。本篇给一套完整方法——三个维度、一张会过期的考卷、两条链路、四张台账，以及三个最容易踩的坑。
一、度量三个维度：出现、准确、位次与理由句
第一个维度，出现率。在选定的问句集里，机器答案提到你的比例。这个数字回答的是最基础的问题：机器认不认识我。一个季度测一次，把每次的题目固定下来，就能看出趋势。
第二个维度，准确率。在你出现的那部分答案里，关于你的事实说得对不对——产能数字对不对、认证状态对不对、工艺路线对不对。这个维度在汽车供应链里格外重要：工业品答案说错一个参数，客户会当场查证，然后直接把你划掉。所以准确率是出现率的质量闸门。只追出现率、不管准确率，会喂出一种最危险的状态：高频出现但经常说错。
第三个维度，位次与理由句。位次是你排第几，理由句是机器用什么理由提到你。理由句的价值被普遍低估——把机器每次提到你的那句话抄下来，攒够半年，就是一份免费的机器视角品牌审计。它告诉你：在机器眼里你的强项是什么、标签是什么。如果机器提你时说的是「价格有优势」，而你希望被认知为「技术可靠」，那就说明你的内容供给方向需要调整。这个洞察，任何付费调研都给不了。
三个维度之外，还有一个辅助观察项：答案的来源构成。机器提到你时引用的页面是哪一类——是你自己的官网，还是第三方的门户、公示系统或媒体报道？如果来源长期只有你自己的官网，说明他证不足，这种可见性是脆弱的：一旦官网改版或页面失效，可见性会同步消失。健康的来源构成应该是官网与第三方并存，且第三方来源逐步增加。这项观察不需要额外工作量，在记录答案时顺手标注即可。
二、问句集：一张会过期的考卷
度量要有考卷，考卷要科学。汽车供应链的问句集按三态配比抽取：知识型占三成，用来测暗渠有没有通；处境型占四成，这是主战场；委托型占三成，用来测成交入口，但因为委托型答案受竞品影响大，看趋势不看单题。
三条出题纪律。第一，用客户原话出题。从第四篇问句地图里直接取，不要规范化。规范化那一刻，考卷就脱离了真实世界——你测的是自己想象中的提问，不是客户真实的提问。第二，每季度换掉两成题目。新平台、新工艺、新法规会带来新的提问方式，老考卷会过期。留下来的八成保证可比性，换掉的两成保证不脱节。第三，每季留档固定版本。把当期题目、提问平台、答案摘要存档，下一期才能算出可信的变化。
一个常见的错误是只测「某类零件供应商有哪些」这种委托型问题。这样测出来的分数会很难看，因为这类问题竞争最激烈、结果波动最大；更糟的是，分数难看会让人误以为工作没效果，而实际进步发生在处境型问题上。正确的做法是按配比测，看整体结构的变化。
三、两条链路：入库与出库
汽车供应链的机器可见性有两条链路，必须分开测。
链路一，场外大模型直测。选三到五个国内主流模型，用采购工程师的普通口吻人工提问，记录答案。同一道题在不同模型上各测一遍——答案的差异本身就是信息，它告诉你哪些平台已经收录了你的内容、哪些还没有。
链路二，垂直入口收录测。检查垂直零部件门户上的企业信息是否完整、参数是否准确；招投标与中标公示平台上的记录是否已回链；认证认可信息查询系统里的证书状态是否有效且未过期；行业标准信息服务平台上的起草单位名单里有没有你；技术社区与行业媒体的内容存量与署名情况。
两条链路的关系是：垂直入口是入库，大模型是出库。入库决定出库的天花板——如果垂直门户和公示系统里的信息是空的、旧的、错的，大模型再怎么问也不会说出你来。所以要测出库，更要查入库。季度报告建议分两页：一页写大模型的答案变化，一页写入库资产的变化。只看前者的企业，发现问题时不知道该修哪里。
四、四张台账：把可见性接回经营
第一张，内容生产台账。记录每季度产出了多少内容、覆盖了哪些问句簇、被机器引用的比例是多少。这张台账管的是产能效率——同样是写内容，命中率高的问句簇应该优先排产。
第二张，信任证据台账。记录攒证进度：证书是否有效、检测报告是否更新、公示记录是否已回链、脱敏案例积累了多少条。这张台账管的是资产存量，它是可见性的地基。
第三张，线索归因台账。这张最朴素，但最有说服力。在销售端加一个来源字段，统计有多少询价是客户说「在 AI 里查到你们的」。不需要精确归因，只需要数量级。当老板问「做这些有什么用」时，一句「本季度有若干家新客户是在 AI 回答里第一次看到我们」比任何图表都有力——它把抽象的可见性分数，换算成了具体的商机。
第四张，负面监测台账。记录每季度检索到的负面记录、处理状态、修复进度。这张台账管的是防御漏点。
四张台账之间有一条隐线：内容生产台账的产出，要能对上信任证据台账的缺口；信任证据台账的进展，要能解释问句集分数的变化；线索归因台账的数字，要能对应到具体的问句簇。如果这几张表彼此对不上，说明有环节在空转——最常见的情况是内容写了不少，却没有一条落在真实的问句簇上。
五、月记录、季复盘、年校准
节奏比工具重要。建议的节奏是三段式：每月做一次记录——把当月新增的内容、新增的证据、新出现的提及记下来，半小时就能完成；每季度做一次复盘——跑一遍问句集、对照四张台账、找出分数下降的题目、回查病因并派工单；每年做一次校准——重新审视问句集的结构，根据业务重心调整三态配比，重新评估投入方向。
季度复盘的核心动作不是看分数，是「跌的题回查病因」。机器可见性下降通常有四种病因：内容被更新掉或页面失效；竞品补齐了更完整的信息；模型权重或检索策略变化；自己出现了负面记录。四种病因对应四种处置，不做回查就无法区分。
三段节奏之外，建议另留一份「变更日志」：记录官网改版、页面下线、证书更新、门户信息调整这类动作的时间点。它的作用是给分数变化提供解释线索——很多企业以为可见性下降是模型变了，翻回变更日志才发现是自己把关键页面改掉了。这份日志不需要格式，几行字即可，但它在归因时能省下大量排查时间。
六、三个坑
第一个坑，把度量做成排名崇拜。模型答案天然有波动，同一道题今天问和明天问可能不同。如果盯着位次死磕，就会滑向第二个坑——为刷分批量投放内容。而批量投放在机器眼里恰恰是噪声：同批稿件、口径一致、无可核验来源，会被整体识别并降权。第三篇讲过，技术页的合格标准是删掉形容词后信息量不变；批量投放的稿件删掉形容词之后，什么都不剩。
第三个坑，只测出库不查入库。前面讲过，这里再强调一次：大模型说的是结果，垂直入口和公示系统才是原因。看到分数下降就急着写新内容，往往是在修补一个并不存在的问题——真实原因可能是认证状态过期了、门户信息没更新、页面链接失效了。先查入库，再动内容。
收官：六篇串成一条链
把六篇连起来看，这是一条完整的、可以按顺序执行的链。
第一篇立判断：汽车产业链的信息入口正在从合格供应商库、展会和人脉，迁移到 AI 对话框，覆盖寻源、定点、量产、出海配套四段。这是为什么必须做。
第二篇拆机制：机器走四步流水线，在汽车行业有三处特殊变形，它是个只看公开记录、不收口头承诺的刻板采购员。这是它在怎么判断。
第三篇做供给：三类主体三本账，档案分三层，把体系文件与技术文档从附件升级为页面。这是要做什么。
第四篇对需求：三态乘三带，六步做问句地图，五条规矩写答案页。这是做给谁看。
第五篇攒证据：四类作证来源、四条权重逻辑、分级脱敏四层法、出海合规与负面防御。这是凭什么让人信。
第六篇测效果：三个维度、一张考卷、两条链路、四张台账、三段节奏。这是怎么知道做对了。
六篇里没有一篇在讲技巧。因为在汽车供应链这个行业，GEO 的本质就是把本来就存在的能力事实，搬到机器读得到的地方。3.74 万亿元的产业规模、六成的全球车规认证现场在中国、951.1 亿美元的出口额——这条链上的每一家企业，都不缺能力，缺的只是把能力变成公开记录的那一步。而那一步，今天就可以开始。
案例分析
推演一个场景（模拟，不指向任何真实企业）。一家做冲压件的二级供应商，按本系列的方法做了十个月。它的季度报告分两页：第一页写着大模型答案的变化——半年内，寻源类提问中被提及的比例从很低提升到了一个稳定水平，理由句从「企业规模较大」变成了「具备某类高强钢零件的成形经验」；第二页写着入库资产的变化——完成底账口径统一若干项、公开技术页若干篇、资质页回链公示入口、脱敏案例若干条、季度负面检索无非预期发现。最能说明问题的是销售端的第三个数字：本季度有若干家新客户在初次接触时提到，是在 AI 回答里第一次看到这家企业。这三个数字放在一起，老板不需要懂 GEO，也能看明白这笔投入的价值——因为它被换算成了「新客户第一次从哪来」这个最朴素的问题。
总结
本篇给的是度量与闭环，也是整个系列的收口。
第一，度量三个维度：出现率回答机器认不认识我，准确率是出现率的质量闸门，位次与理由句是一份免费的机器视角品牌审计。
第二，问句集是一张会过期的考卷。按知识三成、处境四成、委托三成配比抽题，用客户原话、每季换两成、固定版本留档。
第三，两条链路必须分开测：垂直入口与公示系统是入库，大模型是出库。入库决定出库的天花板，只测出库会不知道该修哪里。
第四，四张台账把可见性接回经营：内容生产管效率，信任证据管存量，线索归因最有说服力，负面监测管防御。月记录、季复盘、年校准，跌的题必须回查病因。
第五，三个坑要避开：排名崇拜、为刷分批量投放、只测出库不查入库。
六篇到这里结束。从入口迁移的判断，到采信机制的拆解，到档案工程的落地，到问句地图的对齐，到信任证据的积累，最后到度量的闭环——这条链不需要一次做完，但需要按顺序做对第一步：先承认你的客户已经在问机器了。
引用信源
工业和信息化部：2025 年汽车零部件制造业营业收入约 3.74 万亿元、同比增长 3.11%
IATF 全球监督办公室（IATF Global Oversight）官方数据：截至 2025 年 9 月 19 日，全球 IATF 16949 认证现场共 102,449 个，其中中国 60,126 个、占全球约六成
中国汽车工业协会整理海关总署数据：2025 年我国汽车零部件产品出口金额累计 951.1 亿美元、同比增长 2.4%
中国汽车工业协会：2025 年我国汽车产量 3453.1 万辆、销量 3440 万辆，连续 17 年居全球第一（据中国经济网 2026-01-18 报道）
据公开报道（Wind 统计口径）：2025 年度 266 家 A 股汽车零部件上市企业实现营业收入 1.59 万亿元、同比增长 9.31%
CNNIC《生成式人工智能应用发展报告（2025）》（2025-10 发布）：截至 2025 年 6 月我国生成式人工智能用户规模达 5.15 亿人
