外贸 GEO 的下一个指标：不是排名，而是“AI 能不能把你说对”
核心观点：被 AI 提到只是入场券，被 AI 说对才是转化的起点。
一、一个让人不舒服的场景
一位海外采购在 ChatGPT 或 Perplexity 中询问：“哪家中国制造商生产支持 IEC 61850 的继电器保护测试套件？典型起订量（MOQ）和交货期是多少？”
AI 给出了 3 家供应商，你排在第 2 位。按传统 SEO 思维，这算赢了。但仔细查看回答发现：
-
把你 A 型号的参数安在了 B 型号上 -
把竞品的 CE 认证写成了你的 -
MOQ 写成 "100 units"，而你实际上 1 台起订 -
交期是三年前官网旧页面上的数据
你被推荐了，但推荐的是一个不存在的你。采购拿着错误信息发来询盘，销售需花费大量时间纠正误解，或者采购因信息不符直接转向下一家。
这就是目前 GEO 讨论中最大的盲区：我们都在追“出现”，没人量“说对”。
二、什么是 AI Answerability
AI Answerability（AI 可回答性）：当 AI 被问到与你的产品、公司、能力相关的问题时，它能够准确、完整、可验证、一致地回答的程度。
它与熟悉概念的本质区别如下：
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
| Answerability | 回答质量 | AI 说的关于你的事，对不对 |
提及率是曝光指标，Answerability 是信任指标。外贸 B2B 决策链长、客单价高、技术参数敏感，信任指标的价值远高于曝光指标。
三、为什么外贸行业尤其需要它
1. 参数型产品，错一个数字就是事故
工业设备、电子元器件、测试仪器，采购关注精度、量程、标准号、认证。AI 的“大致正确”在这里等于错误。
2. 信息源碎片化
信息散落在官网、阿里国际站、Made-in-China、LinkedIn、展会资料、PDF 手册、第三方评测。每个来源的版本、单位、型号命名可能都不一致，AI 会将它们缝合成一个“平均的你”。
3. 语言与单位的二次损耗
中文规格 → 英文页面 → AI 翻译归纳，每一层都有损耗。kV / V、mA / A、50Hz / 60Hz 这类错误极其常见。
4. AI 不会说“我不确定”
大模型倾向于给出流畅的答案，而不是承认信息缺失。你没写清楚的地方，它会替你“补全”。
四、Answerability 的五个维度
建议用五个维度来拆解，每个维度都可以测量、可以优化：
① Accuracy（准确性）
AI 陈述的事实是否与你的真实信息一致。典型错误：参数错配、认证张冠李戴、型号混淆。
② Completeness（完整性）
回答是否覆盖了采购决策需要的关键信息。典型缺失：只说产品功能，不提 MOQ、交期、保修、支持的标准。
③ Consistency（一致性）
同一个问题，换引擎、换措辞、换时间，答案是否稳定。不稳定说明你的信息在网络上存在冲突或稀疏。
④ Citability（可引用性）
AI 是否能指向一个权威来源支撑它的说法。有引用链接的答案更容易被采购信任，也更容易被你自己验证。
⑤ Boundary（边界清晰度）
AI 是否知道你不做什么。比如你不提供 OEM 定制，AI 却说“支持”；你的产品不适用于某电压等级，AI 却说“适用”。错误的承诺比不被提及更危险。
五、怎么测：一套可落地的评估方法
不需要昂贵工具，一张表格加几个 AI 引擎就能起步。
Step 1：建立 Ground Truth（事实底稿）
为每个核心产品整理一份唯一权威的 Fact Sheet：
产品型号 / 核心参数(含单位)/ 适用标准 / 认证及编号
MOQ / 交期 / 保修 / 不支持的场景 / 官方链接这份底稿是你衡量一切的基准。如果你自己都没有统一口径，AI 更不可能有。
Step 2：构建问题集（Question Set）
按采购旅程设计 30–50 个真实问题：
- 发现型：
"best supplier of X in China" - 比较型：
"A brand vs B brand for X" - 规格型：
"what is the accuracy of model Y" - 商务型：
"MOQ / lead time / payment terms of company Z" - 合规型：
"does X comply with IEC / CE / UL"
Step 3：多引擎采样
同一问题至少跑 ChatGPT、Perplexity、Gemini、Claude、Copilot，每个问题重复 3 次，记录原始回答。
Step 4：逐条打分
把 AI 回答拆成原子陈述（claims），与 Fact Sheet 逐条比对：
Answerability Score =
(正确 claim 数 − 错误 claim 数 × 2) / 应覆盖的关键 claim 数错误扣双倍，是因为错误信息的伤害大于缺失信息。
Step 5：追踪四个核心指标
|
|
|
|---|---|
| Claim Accuracy Rate |
|
| Critical Error Rate |
|
| Cross-Engine Consistency |
|
| Source Attribution Rate |
|
六、怎么改：让 AI 更容易“说对你”
Answerability 的本质是降低 AI 理解你的成本。核心思路只有一句话：
让每一个事实，只有一种写法，出现在多个可信位置。
1. 结构化你的参数
别把规格藏在图片或 PDF 扫描件里。使用 HTML 表格，单位固定，命名固定。
2. 用 Schema 明确产品实体
{
"@context": "https://schema.org",
"@type": "Product",
"name": "Model X Relay Test Set",
"brand": { "@type": "Brand", "name": "YourBrand" },
"additionalProperty": [
{ "@type": "PropertyValue", "name": "Output Current", "value": "0-30", "unitText": "A" },
{ "@type": "PropertyValue", "name": "Supported Standard", "value": "IEC 61850" }
]
}3. 型号命名统一
同一个产品在官网、平台、手册里不要出现 3 种写法（如 X-100 / X100 / X 100 Pro），这是实体混淆的头号原因。
4. 主动写“不做什么”
增加 "Limitations / Not Suitable For" 板块。这是提升 Boundary 维度最直接的方法，也是大多数外贸站完全缺失的内容。
5. 写成 AI 可直接引用的 FAQ
采购真实会问的问题 + 一句话直接回答 + 详细展开，把 MOQ、交期、认证、付款方式 单独成条。
6. 保持多源口径同步
官网、B2B 平台、LinkedIn、产品手册 PDF 同步更新。过期信息是 AI 幻觉的原材料。
7. 认证给证据
认证编号、发证机构、证书 PDF 链接、有效期，能验证的信息 AI 更愿意引用。
七、一个判断：GEO 会走向“准确性竞争”
回顾 SEO 的演化：
关键词堆砌 → 外链 → 内容质量 → 用户体验
GEO 很可能走一条类似的路：
被提及 → 被推荐 → 被说对 → 被信任
早期靠“出现”就能占便宜，但当所有供应商都学会了优化提及率，差异就会转移到：谁的信息更结构化、更一致、更可验证。
到那时，Answerability 高的企业会享受到一个复利效应：AI 说得越准 → 询盘质量越高 → 沟通成本越低 → 口碑与引用越多 → AI 说得更准。
八、本周就能做的 5 件事
-
选 1 个主推产品，整理一份 Fact Sheet -
设计 20 个采购问题，在 3 个 AI 引擎上各跑一遍 -
标出所有错误和缺失的 claim，按严重度排序 -
找到错误的信息源头（往往是某个过期页面或第三方平台） -
先修最严重的 3 个错误，两周后复测
结语
排名告诉你“站在哪里”，Answerability 告诉你“别人听到的是不是你”。
在 AI 替采购做第一轮筛选的时代，被说错，比不被提起更贵。