在车间待过的人，都听过一句老话：量具选错了，读数再精细也没有意义。

游标卡尺量不了硬度，千分尺量不了温度。量具和被测的东西对不上，小数位越多，离真相越远。

一家工业制造企业的市场负责人，最近大概正在经历同一件事的翻版。季度复盘会上，他手里那张表还是熟悉的几行：收录多少篇、核心词在第几页、阅读量多少。数字不难看。

难听的话来自销售那边：客户现在很少从搜索结果里进来。有客户直接说，我在 AI 里问过你们——然后报了另外两三个名字。

问题不在表做得不好，在于那张表用的是搜索时代的量具，而被测的东西已经换了一个。

一、旧尺子没坏，是它量的那件事在缩水

先把事实摆出来。

SparkToro 基于 Similarweb 点击流数据的统计显示：2026 年前四个月，美国市场 68.01% 的 Google 搜索以零点击收场，2024 年这个数字是 60.45%。

换算到每一千次搜索，只有大约 276 次点击真正落到独立网站上——2024 年还有 374 次。

位置还在，位置能带回来的东西在变小。这不是排名的失效，是排名的变现能力在缩水。

坡度还能看得更细。

Pew Research 追踪了 900 名美国成年人的 68,879 次真实搜索：页面上出现 AI 摘要时，点击率从 15% 掉到 8%；而在 AI 摘要内部，只有 1% 的用户会去点里面标注的来源链接。

Ahrefs 的测算更直接：AI 概述出现时，自然结果的整体点击率平均下降约 60%，排在首位的那个结果损失可达 58%。Semrush 测的形态更极端——Google 的 AI Mode 会话里，92% 到 94% 以零点击结束。

旧尺子的刻度没画错。是它量了十年那件事，变小了。

二、两把尺子：位置尺与依据尺

这里要引入一个说法——双引擎验收口径：同一笔预算下跑着两件不同的事，它们就必须有两套验收口径，不能合成一张表。

先看这两把尺子各自长什么样。

1、位置尺——量的是「你在第几页、第几位、有没有人点」，对应排名、收录量、点击率、页面停留。它的读数单位是名次，看的是入口。

2、依据尺——量的是「机器敢不敢拿你当来源」，对应被引用、被提及、能不能被放进同一张比较表。它的读数单位是次数和频次，看的是地位。

形状上的差别，比多数人的预期大。

3、刻度不一样。 位置尺上往前挪一位就是进步；依据尺上不是这样——Presenc AI 在 2026 年的研究里测过：被排在前列的引用，带来的后续点击是末位的 4 到 5 倍。同样是「被引用」，位置不同，价值差了几倍。

4、参照带也不一样。 同一份研究给出了提及率的参考区间：成熟品牌通常落在 35% 到 70%；低于 15%，在结构上就属于「不存在」。这个区间和搜索引擎里的名次，没有任何对应关系。

一把尺子回答「有多少人可能看到我」，另一把回答「机器凭什么信我」。这两句话不是同一句话的两种说法。

三、为什么不能混着量：三处不同源

一是信号不同源。Ahrefs 分析了 75,000 个品牌：品牌被提及的情况与 AI 引用率的相关系数是 0.664，而外链只有 0.218——差了三倍左右。

Muck Rack 追踪 ChatGPT、Claude、Gemini 引用的 2,500 多万条链接：来自第三方媒体报道的占 84%，付费内容与软文合计 0.3%。

花钱容易买到的那些位置，恰恰是机器权重低的地方。

二是排名和引用正在脱钩。Ahrefs 在 2026 年 3 月给出一个对比：被 AI 概述引用的 URL 里，只有 38% 出现在自然结果前 10 位——一年前这个比例还是 76%。

Bright Data 对 42,000 条引用的分析更直接：搜索排在首位的页面，与 ChatGPT 实际引用的页面，URL 重合度只有 6.5%。

两件事有重叠，但互不推导：在这边排得好，不会自动变成那边被引用。

三是验收动作不同源。搜索可以抽查——抽一次排名，就能读到一个结论。AI 不行。

AirOps 的观测是：只有 30% 的品牌能在相邻两次回答里保持可见，只有 20% 能连续五次保持可见。

「问一次没提到我」不构成结论，它可能只是那一次模型的摆动。要拿结论，就得固定问题、连续测量、看走势。

三条合起来，就是「混着量」真正的代价：用位置尺的读数去解释依据尺上的结果，解释不通，到头来只剩一个结论——做了没用。再往下走一步，就是拿搜索那套标准，去砍 AI 信源这项工作的预算。

四、在工业制造，两把尺子的分歧格外明显

原因不复杂：参数多、单值高、决策链长，买方通常不是一个人。

Gartner 在 2026 年 5 月对 645 名 B2B 买家的调研显示：45% 在最近一次采购中使用过生成式 AI，主要用途是收集供应商和产品信息；买家在决定前平均会查 7 个信息源。

同一份调研里，69% 的买家希望用销售代表验证 AI 给出的信息，51% 说他们更容易从生成式 AI 那里碰到误导性内容。

AI 是起点，不是终点；而验证的需求，反而给能拿出证据的企业留了位置。

Treble 与 Censuswide 在 2025 年底对 300 名企业技术买家的调查（样本行业包含工业制造），给出了更靠前的一段。

47% 的买家现在以 AI 助手作为供应商调研的起点，超过搜索引擎的 43%、供应商官网的 42% 和行业刊物的 40%；进入评估阶段后，93% 会用 AI 总结或比较供应商。

另外，90% 说近期的第三方媒体报道会直接影响入围名单，92% 说过去 90 天内的报道对可信度重要。

放进工业制造的语境里，这几段拼出来的画面很清楚：设计、工艺、采购各问各的 AI，各自形成判断，汇总成一张短名单。你的名字不在那份答案里，不是排在后面，是没进池子。

而这个过程里，位置尺上读不出任何异常——你的排名可能一直好好的。两把尺子的分歧，往往先在询盘环节显形，也就是更晚的那一步。

工业制造的询盘质量，取决于你有没有被写进那几句答案，而这一项，排名那一列量不出来。

五、预算表上，该把哪几行换掉

以下是自查维度，不是执行方案。不同细分行业、不同客户结构差别很大，照搬容易走偏。

1、验收项——预算表上现在列的是哪几行？如果是收录量、排名、阅读量，那这是一把纯位置尺。

2、依据尺那三行在不在——被引用次数、被提及次数、能不能进比较表。三行缺一行，依据尺就读不出完整读数。

3、观测方式——是抽查一次，还是固定问题按月连续测。AI 的读数会漂移，抽查拿不到结论。

4、信息源的构成——关于你的公开内容里，多少是第三方写的，多少是自己发的。这是依据尺的底层供给。

5、写法的收敛度——产品名、型号、公司名的几种写法，是否收敛到一套。工业制造的型号命名容易散。

6、谁在看哪把尺——位置尺和依据尺要不要由同一个人、用同一张表汇报。混报是错误结论的直接来源。

一个不花钱的动作：把月报里那张表复制一份，表头换成「被引用」「被提及」「能不能进比较表」三行，跟原来的收录量、排名并排放着。不求和、不加权、不合成一个综合分，连着看三个月。

六、几个会被问到的问题

问：我们 SEO 做得还不错，AI 那边是不是自然会好？

有重叠，但不能互推。被 AI 概述引用的页面里，只有 38% 排在自然结果前 10 位；而搜索排在首位的页面与 ChatGPT 引用的页面，重合度只有 6.5%。一边做得好，另一边等于重新开始积累。

问：那是不是可以不做搜索了？

不是。搜索仍有一部分查询受影响小——品牌词、带明确地域的查询、意图明确的交易型查询。要改的是验收方式，不是把这块停掉。

问：多久能验收出结果？

没有统一定数，品类竞争密度和信息基础差别很大。可以确定的是读数会漂移——只有 20% 的品牌能连续五次保持可见——所以单次测量意义有限，要看连续几个月的走势。任何把周期说得很确切的说法，都值得留个心眼。

七、写在最后

回到开头那把卡尺。

用错量具，读出来的不是误差，是废数——它看起来精确，所以更容易被当真。

那笔预算没有变少，它要办的事从一件变成了两件。验收标准不跟着拆开，被拆掉的只会是结论的可信度。

从搜索到 AI 答案，企业要做的事没有本质变化，变的是别人判断它可不可信的那一层。这一层，表上多写一行两行看不出来，但时间会把它显出来。

火簇传播观点： 搜索和 AI 信源常常共用一笔预算，但不能共用一把尺子。位置尺量的是入口，依据尺量的是地位；混着量，问题不出在数字不好看，出在结论不成立。

—— 火簇传播 · AI 信源服务商