一家工程机械厂的AI获客30天实录：从零召回到18次被提到

株洲有一家做工程机械零部件外协的工厂设备投了百来万干的活不差客户也稳定。但有个事一直让老板心里不踏实——新客户越来越难找了。项目启动前团队先做了一次摸底在四个主流AI工具里用采购方真实会问的话搜这家厂。结果很干脆实体召回基本为零。也就是说那些习惯用AI找供应商的新采购根本搜不到它。这不是个案。大量中小制造厂都卡在这个AI里查无此厂的位置。关键是怎么从零走到有。这家厂用了30天把过程走了一遍。先规划一条线拆成两段整个方案用的是双环的思路把AI获客拆成前后两段来做。A环做认知建设花了两周。核心是干一件事把工厂的真实底牌整理成AI读得懂的文字。产能数据、公差标准、材质清单、过往项目案例一条条写清楚。官网从原来的图片堆改造成了文字页补上了案例区和FAQ。几个公开平台上的企业信息也做了对齐避免AI读到互相矛盾的版本。B环在第三周启动做商业承接。官网部署了能识别AI来源的表单把AI带来的流量和搜索流量分开统计。销售流程也做了归因设定每条线索从哪来、走到哪一步都有记录。一句话总结A环负责让AI认识你B环负责让认识你的结果变成真实的询盘。再看数据四周的变化轨迹监测方案不复杂但很关键——固定十个采购提问每周跑一次看结果。第一周的基线采样十个问题全部零召回。这是起点也是后来所有变化的对照。第二周开始零星出现了。集中在豆包和Kimi两个平台另外两个还没动静。到第四周四个平台合计被提到了18次。豆包和文心一言的频次明显高于另外两个平台。多模型监测暴露了一个被忽视的真相四周数据看下来最有价值的一个发现是同一家企业在不同AI平台上的曝光分布是不均匀的。有的平台对长文本解析更敏感这家厂的详细案例和FAQ内容在这些平台上更容易被引用出现得多而偏结构化数据的平台反而出现得少。这不是做得好不好的问题是平台机制本身的差异。这也意味着AI获客不能只盯着一两个平台看——你在A平台表现好不代表在B平台也一定好。只有多模型监测才能看清全貌。时序快照看趋势别看单点四周整体趋势是往上走的。但中间有两次采样出现了回落。很多人看到回落会慌觉得是不是白做了。其实这种波动跟大模型的随机性有关——同一个问题不同时间问答案本来就会有差异。单看某一次的数字没意义要看的是连续几周的曲线。这个项目的结论是从零到有这道门槛跨过去了。但别指望一劳永逸。信息基础要持续维护趋势要按月观测。AI获客不是一次性工程是一条需要长期跑的路。30天从零召回到18次被提到。数字不算大但方向是对的。对大多数还在AI里查无此厂的中小制造厂来说最难的从来不是爬到多高而是先迈出从零到一的第一步。