客户不再“搜”,开始“问”:AI 搜索改写了什么

前阵子跟一位做工程配套的老板喝茶，他讲了一件事，我听完记了很久。

他要给一个新项目找供应商。没开浏览器，没翻平台，也没让采购去群里问。他掏出手机，对着里面的 AI 助手说了一句：做这类设备、在成都周边、交付周期稳、做过同类项目的，有哪些。

十几秒之后，屏幕上出来一串名字，每个后面还跟着推荐理由——这家做过什么类型的项目，那家资料里写着什么资质，还有一家的案例集中在某个行业。

他记下前两家，第二天就约了面谈。

整件事里，没有关键词，没有搜索框，没有十页结果页。而被他记下的那两家，从头到尾不知道自己在参加一场比较。没被推荐的那些，连进场的资格都没有。

这不是个例。我们自己做的事，就是天天看这个变化怎么落到具体生意上，有些话想说得直白一点。

从“搜”到“问”，变的不只是入口

搜索时代，用户拿到的是一张清单。十条标题摆在那儿，点哪条、信哪条、看完要不要换一家，判断权在用户手里。

问 AI 就不一样了。用户拿到的是结论，通常还是带着理由的结论。他多半只看第一段，看完觉得有道理，事情就往下走了。

说白了，搜索是把选择权交给用户，AI 搜索是把选择权交给了模型。

这一步转得很快，快到不少企业还没反应过来，客户问问题的方式已经换了。

换个说法，搜索引擎是一个入口，大模型更像替你做完功课的顾问。用户省下了甄别的时间，也交出了甄别的权力。

模型回答一个问题，大概要过三步

有人以为 AI 是“记”了不少东西，其实它回答时更像在做一道有材料的选择题。

第一步，检索。针对这个问题，它先去自己能用上的资料里捞一批相关内容出来。

第二步，筛选信源。这些内容说法不一致时，它要判断哪条更可信——谁发的、什么时候发的、有没有出处、是不是跟别处对得上。

第三步，组织答案。把筛完的东西拼成一段人话，顺手把推荐理由写进去。

三步走完，答案里有没有你，就取决于一件事：你在模型可用的信源池里有没有东西，这些东西在模型看来够不够可靠。

注意，是信源池，不只是官网。这个差别后面还会反复出现。

这里面有个容易被忽略的点：信源池的范围比很多人想的大。官网、媒体报道、行业平台的页面、公开的资料库，都可能在里面。反过来，只发在自己渠道、别处看不到的内容，进池子的机会就小得多。

铺多少稿、念多少遍品牌名，都不直接决定结果

行业里有些做法是围着“量”打转的：一个月铺多少篇，标题里塞几次品牌名，同一句话在多少个地方重复。

这些动作不是没用，但它们不直接决定模型会不会引用你。

有一份研究值得拿出来说。普林斯顿大学等机构做过一组受控实验，测的是内容写成什么样更容易被生成式引擎采纳，论文编号 arXiv:2311.09735，后来被 ACM KDD 2024 收录。

结论里有三个数字：内容里加入引用来源，被采纳的概率约提升 28%；加入统计数据，约提升 33%；加入直接引语，约提升 43%。

这三个数字放在一起看，本质并不神秘。有出处的信息更容易被信任——这句话对人成立，对模型也成立。模型在做的，本来就是一整套可信度判断。

所以真正起作用的不是“我说了多少次”，而是“我说的话有没有人能替我背书”。

换个说法：不是位次问题，是资格问题

传统搜索里，大家比的是排在第几页第几条，位置往下挪一点，还能被翻到。

AI 搜索里没有第二页。答案就那么几段，没进这一段，基本等于不存在。企业要争的已经不是靠前，而是有没有出现在这个池子里。

这也是我们不太喜欢“优化排名”这个说法的原因。排名默认你已经在场，可眼下不少企业的问题，是压根还没进场。

眼下企业能做的三件事

讲完机制，落到能动手的地方。我们的建议只有三件，顺序别乱。

第一件，先把自己讲清楚。公司是谁、做什么、做过什么、凭什么，整理成一份口径统一、模型读得懂的资产，放在它够得着的地方。这件事不出彩，但它是后面每个动作的底。

第二件，让有出处的内容多起来。同一件事实，有官方口径、有第三方报道、有可核验的案例数据，它被采信的方式和三无内容不一样。这条我们后面会单独写一篇，这里先按下。

第三件，持续测。AI 的回答是有波动的，同一句话这周问和下周问，回答未必一样，换个平台差别更大。所以要做的是按固定问题集、固定平台、固定频次采样，看的是趋势，不是某一天的截图。

采样这件事看着枯燥，却决定了后续的判断有没有依据。没有基线，改完以后说不清是自己做对了，还是那几天模型刚好给了面子。

有人拿一张截图来问我们“为什么上周有这周没有”，这问题没法回答，单点采样说明不了任何事。

我们自己的顺序，是先建基线

讲点我们自己的做法。

我们做这块的顺序，是先建基线，再谈优化。上来就改、改完不知道跟谁比，是件很悬的事。

观测交给自研的 GEO Studio，看四件事：品牌是否出现、是否被推荐、推荐位次、信源追溯。四段里，信源追溯是很多企业前期不重视、后期容易头疼的一块——答案出了偏差，你得知道它是从哪条内容里学来的。

新港智优科技旗下机灵AI 服务过的项目里，有商业地产、律所、医疗、制造业，问题各不相同，卡住的地方往往一样：资料散、口径乱、没人知道模型到底看到了什么。

想看我们的服务清单和落地过的项目，官网 zestai.com.cn 上都有，细节可以自己去翻。

写在后面

这两年我们接触到不少老板，他们的焦虑很真实：客户换了一种提问方式，自己却完全没察觉。

我的看法是，入口变了不可怕，可怕的是还在用旧办法对着新入口使劲。AI 搜索改写的是判断权归谁，而企业要做的事，反而回到了挺朴素的那一层——把自己讲清楚，把话说到能被验证。

这件事没有捷径，但它有一个好处：做得对，别人拿不走。

这套流程我们对外讲了一段时间，听的人多了，发现一个规律：愿意先花一个月把资料理顺的企业，后面的节奏通常都更稳。