客户发来的那张截图，问的不是排名
上周你大概收到过一张截图：有人在 AI 里输入你公司的名字，回答里出现的却是同城另一家；或者名字对了，业务写错一半——你只做设备，它说你连工程一起做。
这不是「AI 弄错了」，而是它手上的材料凑不成一句完整的话。AI 被问到「某某公司是做什么的」时，不会去调一份权威档案，而是把网上关于你的零散说法拼起来。拼得顺，它就把你写进答案；拼不顺，它宁可换一家拼得顺的。
这件事的分量比想象中大。一项覆盖 15.8 万条回答、46.8 万条引用的分析发现，在 AI 答案里被点名的品牌中，有 46% 根本没有任何被它引用的页面作支撑（arXiv:2610.15033）。同一份研究还测得：当品牌已经存在模型的「记忆」里，它把这个品牌名写进自己检索词的概率是 67%；不在记忆里时只有 11%。
也就是说，你有没有被记住，比你有多少页面更早决定结果。这解释了为什么有些公司页面很少却总被提起，而有些公司写了一百篇稿子，AI 依然把它和同行搞混。
对不上的地方，通常只有三处
把这类问题拆开看，绝大多数落在三处，而且都在你自己手上。
第一处是名字。营业执照上的全称、对外的简称、英文名、店铺名，四套写法并存，有的还差一个字。人是能猜的，机器不能——它无法确认这几个名字指向同一家。
第二处是数字。成立年份一处写 2012、一处写 2014；厂房面积有三个版本；设备台数在展会页和官网上不一致；认证数量在两年前的新闻稿里是 12 项，去年变成了 9 项。数字一冲突，AI 最安全的做法是不写数字，或者干脆不写你。
第三处是主体。官网是 A 公司，平台账号挂的是关联公司 B，新闻稿里出现的又是品牌名 C，三者互不指认。对外看着像一家人，在机器眼里是三家。
一句判断可以用很久：AI 不需要你完美，只需要你前后一致。它要的是一句能站住的话，而不是一份完美的年报。
基线也要说清楚，免得把标准定得太高。一项对 10 万条以上提示、100 多个品牌的统计，把品牌首次被点名的比例分成三档：全球知名品牌 73%、区域中型品牌 44%、小众品牌 11%（第三方转述）。这组数字的用处不是让你对标 73%，而是告诉你：起跑线由体量决定，但「三处对不上」是本周就能改掉的那部分，跟公司大小无关。
先写一张 20 行以内的事实卡
改之前先写一页纸。它要短到能被别人抄走，长到能回答四个问题。
四个问题依次是：你做什么（产品名要具体到能被搜到）、给谁做（行业或场景）、一个可核的数字（产能、年限、出口国数量、单机参数，任选一个能拿出凭证的）、一句边界（你不做什么）。
写法上最容易被忽略的是边界。举一个示范结构，不是客户：把「我们做工业除尘设备」改成「做木工车间除尘设备，单机风量 3000 到 12000 立方米每小时，主要卖家具厂，不做中央除尘工程」。后一句多了三个可核的点，还顺手把不该接的活排除掉了。
反例也要记住：行业领先、深耕多年、专业专注、一站式解决方案。这几句删掉，读者不会少知道任何一个事实——它们的作用是让句子变长，不是让信息变多。
最后加自检：把这句话念给一个完全不懂行的朋友，让他用自己的话复述一遍。如果他复述得对，说明这句话有形状；如果他只能说「好像是做设备的」，那不是他笨，是句子没有形状。
同一句话，要在四个地方同时出现
事实卡写完之后，不要只贴在自己官网上。至少四个地方要写成同一句话，字面尽量一致：官网「关于我们」第一段、各平台官方账号的简介（公众号、视频号、抖音，做出海的加 LinkedIn）、第三方资料页（行业协会名录、展会名录、B2B 平台店铺、招投标记录）、产品页首屏那一行参数。
为什么四处都要写？因为 AI 引用谁，看的是全网分布。对 2,500 万条 AI 引用的来源归因显示：新闻占 27%、第三方企业与博客占 24%、聚合与百科占 17.4%，而品牌自有内容只占 13.7%（5W Public Relations 复核 Muck Rack 数据）。
这组数字不是劝你放弃官网，而是把官网的角色说准：它是事实底座，别人要抄的时候得有得抄；它不是喇叭。你只在官网上说，等于把自我介绍写在自家门背后。
所以顺序是：先有卡片，再让四处照抄，最后才是争取第三方来抄。反过来做——先去发一堆稿，四处说法还不一致——会同时浪费钱和一致性。
标记只干一件事：告诉机器这些名字是同一个人
结构化标记这两年容易被卖过头，先把它的职责说清楚：它不管「选不选你」，只管「认不认得出你」。
具体到手上是四件事，按性价比排序。第一，全站命名统一，全称、简称、主体名只留一套写法。第二，在组织信息里补一句消歧描述，用大白话写「我们是谁、我们不是什么」。第三，用 sameAs 把官网与官方账号互指，让机器知道这些入口是同一家。第四，申领 Wikidata 编号作外部标识——这一条对国内 To B 客户的实际权重我们尚未验证，只当可选项。
边界必须说在前面：2026 年多项对照实验里，结构化数据「有没有」对引用率没有稳定增益，有增益的是「写了什么」——属性写得具体、把数字和边界写进标记里，才和前面对得上（实体消歧四层动作）。
一句实操最容易被漏掉：标记里不要只写「我们是谁」，要写「我们不是谁」。同名公司多的时候，这一句比前面十句都管用。这套动作的完整版，我们写在站内的 品牌知识档案指南 里，可以直接照着做。
改完怎么验：同一个词，问两次
验收不需要买工具，两个问法就够，关键是分开问。
第一种问法是「关键词加你的域名」，测的是内容竞争：不靠品牌名，你的页面能不能凭这个话题本身被检索到。第二种是「关键词加品牌名」，测的是实体识别：引擎到底知不知道你是谁、会不会把你的页面给出来。
两种失败，处方完全不同。域名变体弱，是内容问题——写得更具体、把可核数字补上就能修。品牌变体弱，是实体问题——同名实体或竞品在吃掉你的品牌查询，靠多写稿子修不了，得回去改名字、数字、主体这三处（双变体探针的实操描述）。
频率建议一周一次，固定 10 个问题，只记两件事：品牌变体有没有命中，域名变体有没有进前五。不要一次就下结论——同一批问题的重复结果本来就会大幅波动，看四周趋势比看单次截图可靠。
我们自己也按这个思路做对照。以站点自测为例，今天跑出来的结果是 7 个核心页全部正常返回、37 篇文章全部进了站点地图。这说明基础设施这一层已经过关；但它不等于实体过关——「收录得进」和「被认得出」是两件事，必须分开记。
新公司别死磕 ChatGPT
如果预算有限，先别把力气全花在最难的那一格。
2026 年三季度的一项基准测试，把 332 家成长型 B2B 公司放进 7 个行业、155 个不带品牌名的采购问句里，同时问 ChatGPT 和 Perplexity：166 家至少被引用过一次，166 家一次都没有。更关键的是两家引擎的覆盖差——Perplexity 引用了 158 家，ChatGPT 只引用了 52 家，差约三倍；而且没有任何一家公司在它适用的问句里被引超过 30%（State of AI Search Q3 2026）。
原因不神秘：一个更依赖实时检索和第三方来源，中型厂商只要在行业站点、评审平台、名录里有一点像样的足迹就能浮上来；另一个更依赖模型里已经固化下来的实体，外加一轮较窄的检索，所以它偏爱已经被反复写过的名字。
落到动作上：先在被引门槛低的引擎上把「被点名」做出来，拿到第一份可复现的基线，再谈 ChatGPT。顺序反过来，钱会花在最难的那一格，三个月后还看不到任何变化。
另一个提醒是别把「AI 提到了我」当成终点。同批数据里，连被引次数最多的公司也没有在任何单一问句上形成压倒优势——这意味着复测必须是多问句的，不能靠一个截图交差。
下周能做的三件事，和一条不能碰的边界
第一件，半天：写那张事实卡，20 行以内，四个问题都答上，找两个人各复述一遍，看能不能复述对。这件事不需要预算，需要的是一次内部对齐会。
第二件，一天：把四处改成同一句话，写清楚谁负责哪一处、改完的截图存进同一个文件夹。四处不一致，比一处缺失更难修。
第三件，一周后：跑一次双变体复测，把今天的数值当基线存下来。以后只跟自己比，不跟行业平均比——行业平均连口径都不统一，比了也没有意义。
最后是一条不能碰的边界。2026 年 8 月，Time 给 AI 爬虫单独开了一份 Markdown 版页面，里面夹着只对机器可见的赞助问答；8 月 11 日，Perplexity 封掉了这类「Markdown 广告」，称之为欺骗性做法，并警告使用同类手法的发布方可能被降低信任分（报道）。同一种手法，一家引擎封、另一家没表态——这就是为什么我们只做人类能看见的那一份。
给你的读者、给你的客户看的那一页，和给机器看的那一页，最好是同一页。这既是合规的底线，也是唯一能被反复验证的做法。
常见问题
我们公司规模不大，这套做法是不是用不上？
用得上。统计显示小众品牌在 AI 里的首次被点名比例基线约 11%，远低于全球知名品牌的 73%，但名字、数字、主体这三处对不上，跟公司大小无关，改起来也不花钱。先把「比较阶段能被点名」做出来，比追求总量更实际。
改完之后多久能看到变化？
不给时间承诺。行业实测里约半数被引来源在 30 天内会掉出，我们的惯例是 30 天一轮复测，看三个月的趋势而不是单次结果。单次截图既证明不了变好，也证明不了变差。
结构化标记到底要不要做？
要做，但只当维护项。它管的是让机器认得出这些名字指向同一家，不管它选不选你；对外不要拿它当效果承诺，真正有差别的是标记里写了什么，而不是有没有写。