把AI引用按「触点位置」拆成四类，我发现B2B官网最该补的是第二类

老周问一句：你们盯AI引用的时候，是数总条数，还是拆开看这些引用到底出现在客户决策的哪个位置上？

我最近把手上一个工业零部件的案例翻出来重做了一遍。之前我们统计AI引用，就是简单拉个总数，月度报表一看涨了15%，市场部挺高兴。但老板问了一句“这些引用带来了几个电话”，谁都答不上来。

上个月我较真了一回。把AI搜索里提及我们品牌的回答，按触点位置拆成四类：

1. 泛需求扫盲型——客户刚有个模糊念头，问“重庆有哪些做精密齿轮的厂”；
2. 方案对比型——客户已经圈定两三家，问“A厂和B厂的模数精度和交期差在哪”；
3. 参数验证型——客户拿着图纸问“这个公差等级你们能不能稳定做到”；
4. 售后/替换型——老客户问“原来那批货的备件还供不供”。

拆完我盯着数据看了半天，发现一个反直觉的事：我们引用的绝对大头在第一类，占了六成多，但第二类和第三类加起来不到三成。 而销售那边反馈，真正进入比价和打样的单子，客户问的全是第二、第三类问题。

开船不能只看风向，还得看水流——引用数涨了是风向，但客户在哪类问句上被AI推荐，才是水流。我们那15%的增长，基本是泛需求问句堆出来的，对成交的推力有限。

再往深挖，第二类（对比型）引用少，不是因为AI不推我们，是我们官网压根没有能支撑对比的结构化参数表。客户问“差在哪”，AI只能从别家的对比文章里抓素材，自然轮不到我们。第三类更麻烦，参数验证型问句需要具体到型号、批次、检测报告，我们的页面全是“品质卓越、工艺精湛”这种话，AI没法引用。

所以我给团队下的活是：先别急着铺量做泛需求内容，把现有产品页按型号-公差-交期-检测标准四列重新结构化，每个SKU至少配一张可被AI解析的参数表。补了三个型号试了一周，第二类问句的引用从个位数爬到了二十来条，量不大，但销售说线索质量明显不一样。

这里头的账我还在算，但方向我觉得比追总数靠谱。

抛个问题给大家：你们在分析AI引用时，有没有把「客户处在决策哪个位置」这个维度加进去？还是跟我之前一样，只看月度总条数？如果拆过，你们发现哪一类触点的引用最影响成单？评论区聊聊，我拿小本本记。