用，但只用在某一步。我们翻了六份能找到原始样本的调研，把「用 AI」拆成三件不同的事——结论和 GEO 圈流行的说法不太一样。
用，但只用在「筛名单」这一步，不用在「定供应商」这一步。而且比大多数宣传说得更少、更具体：在正式采购流程里，用 AI 识别新供应商的只有 37%，近四成（39.1%）完全没用 AI 做过供应商研究（Zycus，2026，采购从业者问卷）。
更值得注意的是一条反直觉的发现：AI 不是用来「发现」新供应商的。6sense 跟踪近 4,000 个采购项目后发现，用大模型的买家更多是在旅程的中段用它——比价、核对参数、验证对方说法——而不是开头找厂家。开头那 3.6 家，第一天就在名单上了。
所以真正该问的不是「采购会不会用 AI 找到我」，而是「我有没有在那 3.6 家里」。
一、先把「用 AI 采购」拆成三件不同的事
「采购用 AI 找供应商」这句话被说得太顺，以至于没人拆它。实际上它至少指三件完全不同的事，用的人、发生在哪一步、对你意味着什么，全都不一样。混着谈，就会得出「采购全都用 AI 了」这种结论——拿它去吓客户可以，被客户问一句「哪一步」就露了。
| 类型 | 典型场景 | 谁在用 | 对供应商意味着什么 |
|---|---|---|---|
| ① 平台内 AI 成熟度最高 | 1688「AI 采购助手」：上传 BOM 或图纸，直接出匹配商品、可定制工厂和报价；阿里国际站 Accio 采购助手在 128 个国家找供应商、比价、发询盘 | 中小企业采购、备件与标准件买手。1688 年活跃买家逾 1 亿、源头厂商超 100 万 | 参数属性填不全 = 不会被召回。和你官网做结构化数据是同一个道理，只是它发生在平台里 |
| ② 通用对话 AI 这是 GEO 的战场 | 豆包、DeepSeek、Kimi、腾讯元宝里问「XX 设备哪家好」「XX 工艺找谁代工」「XX 材料能不能替代」 | 老板本人、年轻采购、技术选型的人。没有固定流程，随手就问 | 出现 = 进候选池；说错 = 直接被排除。它决定的是「第一次听说你」 |
| ③ 采购系统 AI 影响效率不影响名录 | SAP、Coupa、用友等系统里的 AI 模块：起草 RFQ、审合同、比价、供应商风险扫描 | 中大企业采购部、国企。Zycus 调研里 28.6% 用 AI 起草 RFI/RFQ | 几乎不影响「谁能进名录」。名录靠资质、招标和准入审核 |
三件事里，只有第 ② 类是你通过内容能影响的。第 ① 类由平台的字段规则决定，第 ③ 类由招标流程决定——把预算投到错的那一类，是最常见的浪费。
客户问你「AI 是不是能帮我们拿到更多询盘」时，先反问一句：「你的客户是老板本人拍板，还是采购部走流程？」
前者，AI 的影响在第 ② 类，值得做；后者，尤其要招标和名录准入的，AI 的影响排在第 ① 类后面，你更该先解决的是资质、案例和交付记录。这不是话术，是判断要不要接这个单的依据。
二、六份原始调研说了什么，以及它们没说什么
中文 GEO 圈流传的数字，大多没有出处。我挑了六份能找到原始样本、时间和问卷对象的调研，把数字和它的局限放在一起。你不需要相信我，只需要看最后一列。
| 数字 | 来源 | 样本与时间 | 读的时候要注意 |
|---|---|---|---|
| 45% 在最近一次采购中用过生成式 AI，主要用于收集供应商与产品信息 | Gartner | 645 名 B2B 买家，2025 年 8–9 月调研，2026 年 5 月发布 | 「用过一次」≠「常用」。且「用 AI」包含任何用途，不只是找供应商 |
| 7 个——单次采购平均查阅的信息源数量 | Gartner | 同上 | AI 是七个之一，不是唯一。它没有取代官网、同行和展会 |
| 69% 希望用销售代表来验证 AI 给出的结论；67% 偏好无销售介入的体验 | Gartner | 同上 | 两条并存不矛盾：学的时候要自主，定的时候要人背书 |
| 94% 在最近一次采购中使用过 AI（2025 年为 89%） | Forrester《State of Business Buying 2026》 | 近 18,000 名全球商业买家 | 口径最宽，几乎等于「碰过任何 AI 工具」，不能当成「用 AI 找供应商」 |
| 5.1 家评估 / 3.6 家第一天就在名单 / 95% 从初始名单里买 | 6sense《2025 Buyer Experience Report》 | 近 4,000 个采购旅程 | 以软件与技术采购为主，制造业需打折看；但方向性结论很稳 |
| 37% 用 AI 识别新供应商；39.1% 完全没用 AI 做供应商研究；69.8% 没有专用 AI 采购工具 | Zycus《2026 GenAI 采购到付款状态报告》 | 采购从业者问卷 | 样本偏欧美中大企业。这组数字是给上面所有高比例数字踩刹车的 |
把 45%、94%、37% 三个数字放在一起，才能看清真实形状：碰过 AI 的人很多（94%），在采购里用过生成式 AI 的接近一半（45%），但真正用它去「找新供应商」的只有三分之一（37%）。差距不在技术，在信任——找供应商是要担责的动作，人不会把这一步完全交给模型。
中文 GEO 文章里高频出现这三句，我们一篇都没用，也建议你别拿它们去说服老板：
「AI 搜索流量转化率 14.2%，是自然搜索的 5 倍」——没有公开的测算口径，无法复核
「80% 的用户只看 AI 答案的前三位」——没有任何平台的日志支持这个比例
「跨境电商 58.4% 的流量已由 AI 搜索驱动」——与公开统计口径矛盾，来源是服务商自述
它们能显得有说服力，但客户一旦追问「怎么算的」就崩，然后整篇的可信度一起崩。用三个查不到出处的数字说服人，和用一篇编造的案例说服人，是同一个错误。
三、反直觉的一条：AI 不扩大候选池，它固化候选池
几乎所有人都假设：AI 会帮买家发现更多以前不知道的厂家，所以小厂有机会了。这个假设是错的，至少方向反了。
6sense 2025 年那份报告里有一组很硬的数据：买家平均评估 5.1 家，其中 3.6 家在采购旅程第一天就已经在名单上，最终 95% 的订单给了这份初始名单里的人。更早一步：94% 的采购组在联系任何销售之前，就已经把名单排好了序；77% 的人第一个联系的供应商，就是最后赢的那家。
那 AI 在哪里起作用？报告里另一句被绝大多数人漏掉的话：
用了大模型的买家，反而比没用的更早联系销售，不是更晚。而且他们更多是在旅程的中段使用大模型，不是在开头——尽管大家通常假设买家是在开头用它「发现」供应商。
这个结论其实很符合直觉，只是没人愿意承认：模型只会推荐它读过的、被别人反复提过的名字。你问它「江浙沪做钣金的厂家有哪些」，它给出的永远是那几家在网上被写过很多遍的。它没有能力告诉你「市场上还有一家不错的，只是没做过宣传」——因为它确实不知道。
所以 AI 在这个环节的角色不是「探测器」，是「压缩机」：把买家已经知道的三五家，压缩成一张能对比的表。对已经有知名度的厂家，它是加速器；对完全没被写过的厂家，它不是电梯。
当问题足够具体时，AI 的记忆会换一批人。
问「江浙沪做机加工的厂家有哪些」，回答是大路货的五到八家。问「0.2mm 公差、304 不锈钢、小批量打样、能开材质证明的厂」，回答会明显换一批——因为这时模型找的不是「谁有名」，是「谁的文本里写过这个具体条件」。
这就是小厂唯一稳定的入口：不去争品类词，去占那个只有你能答的工况。品类词是头部的战场，工况词还没人认真写过。
我们自己也在这条规律里。给育贤做诊断时，12 组「江浙沪制造业 GEO 服务商推荐」类问句，只命中 1 次，而且排在第 6 位之后。不是因为没人做 GEO——恰恰相反，这个品类的 AI 记忆里塞满了同行发的榜单文。一家卖 GEO 的公司，在 GEO 里只排到第六位之后，这件事本身就说明了机制：不是谁更懂，是谁被写进过那些文本。
四、中国制造业这边：AI 已经在用，但用法不一样
上面六份调研九成是欧美样本，且以软件、技术采购为主。直接搬到江浙沪的钣金厂、注塑厂、非标设备厂，会明显高估。所以这一节分两部分：能查到的，和我们的判断。
能查到的：平台内的 AI 采购，已经是日常
2026 年 10 月，1688 全面接入阿里全球电商 AI 工作台 Accio。按官方披露，平台逾 1 亿年活跃买家、超 100 万源头厂商可直接开通；其中的「采购助手」同时打通 1688 与阿里国际站，买家可在 128 个国家和地区找供应商、比价、发询盘。
更具体的是 1688 官方文档里描述的场景：采购经理上传一份 BOM 的 PDF，半小时内拿到三家报价，连替代料建议都标好了。这在电子元器件、机械标准件、工控设备这类「参数密集型」类目里，已经不是尝鲜，是头部买家的日常操作。
请注意这件事的性质：「AI 找供应商」在中国不是未来时，它已经发生了——只是发生在平台里，不在对话框里。而平台内 AI 的召回逻辑，和你官网做结构化数据是同一件事：属性填得全，才会被匹配到。商品页只写「优质不锈钢螺丝」，AI 就永远召不回你；写清「M5×20、A2-70、内六角、现货/可定制」，才会进候选。这一条对所有做工业品的人都成立，无论你上不上 GEO。
我们的判断：按客户规模分三档，重要性完全不同
下面这段没有调研数据支撑，是我们自己的项目观察，请按判断而不是事实来读。
| 客户规模 | AI 实际被用在哪 | 对你的含义 |
|---|---|---|
| 20–30 人小厂 | 老板本人在豆包、元宝、DeepSeek 上问「XX 设备哪家好」「这个工艺谁能做」。频次低，但问的人就是决策人 | 影响最大。一次被正确提到，可能就是一个订单；一次被说成小作坊，可能就没了 |
| 100–500 人 | 采购用 1688、爱采购找标准件和备件；非标设备、产线还是靠同行介绍、展会、老关系 | 分层。标准件业务要抓平台字段；非标业务抓工况词和案例，不抓品类词 |
| 千人以上 / 国企 | 招标与名录准入制。AI 用在起草 RFQ、比价、合同与风险扫描，不用于「发现新供应商」 | 排在后面。先解决资质、业绩、名录；GEO 是加分项，不是入场券 |
我们没找到可信的、针对中国制造业采购的「AI 使用率」公开调研。所有能查到的中文数字，要么转引自欧美样本，要么来自服务商自己的宣传材料。
所以下面不给结论，给方法——你测自己的品类，比看任何一份报告都准，而且只要 30 分钟。
五、30 分钟自测：你在不在那 3.6 家里
这套方法不需要工具、不需要预算，任何人今天就能做。要点是问句必须像客户，不能带你公司名。
第一步：写下 10 个真问句（10 分钟）
从客户的嘴里抄，不要从你的产品册里编。以下是制造业常用的十个句式，替换成你的品类：
「江浙沪做〔品类〕的厂家有哪些」
「〔设备名〕国产哪家质量好」
「〔工艺〕找哪家代工比较靠谱」
「〔产品〕的供应商怎么找」
「〔品牌 A〕和〔品牌 B〕哪个好」
「〔产品〕大概什么价格区间」
「怎么判断一家〔品类〕厂是不是贸易商」
「〔品类〕正常交期多久」
「〔品类〕出口需要什么认证」
「〔地名〕有哪些做〔品类〕的厂」
最好直接从客服记录、业务员微信、询盘邮件里翻——那些是客户真实说过的句子，比你想出来的准得多。
第二步：四个平台，每个问三遍（15 分钟）
豆包、DeepSeek、Kimi、腾讯元宝（有条件的加一个百度 AI 搜索）。每个问句在每个平台问三次——大模型有随机性，只问一次得到的结论不可用，这是最容易被忽略的一步。
共 10 × 4 × 3 = 120 次采样。只记录三件事：有没有提到你、排在第几、说的是不是对的。
第三步：算三个数（5 分钟）
提及率 = 提到你的问句数 ÷ 10。首位率 = 你排第一的问句数 ÷ 10。说错率 = 描述明显错误的问句数 ÷ 10。
我们的建议线（是建议，不是行业标准）：提及率 3/10 算入门，说错率必须是 0。说错比不说更糟——如果 AI 告诉客户你有 500 人，客户来验厂看到 20 人，这个单在门口就没了。
| 测出来的形状 | 说明什么 | 先做什么 |
|---|---|---|
| 提及 0–1，且同行出现 5 家以上 | 品类已有 AI 记忆，但没有你。不是没需求，是没你的文本 | 补实体与工况内容，别再等 |
| 提及 3+，但排在第 4 位之后 | 有记录，缺可比较的证据（参数、产能、交期、案例） | 补字段和案例页，不补数量 |
| 提及高，但说错率高 | 多源信息互相冲突，模型选了错的那条 | 先清理旧稿、统一口径，这一步不做，写新稿等于叠加错误 |
| 十个问句 AI 都答「没有相关厂家」 | 这个品类在 AI 里几乎没有提问量 | 先别做。这是我们判断「不建议启动」的第一种情形 |
六、所以该做什么，以及最不该做什么
如果自测下来你在「0–1 家、同行一堆」这一档，要做的是四件事，按性价比排序。
把「可比字段」写出来，一列都不能缺
AI 做对比时，是在拼一张表。表里缺一列，你就出局。工业品至少这八项要能在页面上被读到：型号规格、材质、公差或精度、产能或起订量、交期、认证与检测、适用工况、价格区间或计价方式。不用全写数字，但要写清楚——「按图纸报价」也比空着强。
参数填全，平台和官网一起填
1688 的召回逻辑和官网的结构化数据逻辑是同一件事：属性越全，越容易被匹配。这一步不产生任何「内容」，但它是所有内容的地基。
口径必须一致，这条最容易被忽略，代价最大
Gartner 2025 年的调研里有一个数字很少被引用：69% 的买家发现过「供应商官网说的」和「销售说的」不一致；另有 73% 会主动回避发无关推销的供应商。
对 AI 来说这件事更致命：它做多源交叉校验，发现人数、资质、服务区域对不上，最安全的处理是不提——于是你就从答案里消失了。我们给自己清理过 11 篇旧稿，里面同时存在四套人数口径，这件事的代价不是「显得不专业」，是「被判定为不可信」。
在别人的文本里留下描述
模型复述的是「别人怎么描述你」，不是你官网怎么写自己。所以垂直媒体、行业协会、榜单、技术社区里的提及，权重高于官网。但这里的「提及」指被认真写过，不是批量发稿。榜单文能占位，但占的是品类词的位置，且随时会被下一篇顶掉。
为了「被 AI 推荐」去批量发软文。
这条路 2015 年对百度有效，现在对 AI 无效且反噬：模型会读到你那些互相矛盾的稿子，交叉校验失败，结果不是「多一条记录」，是「这条记录不可信」。发得越多，冲突越多。
判断标准很简单：如果一篇文章里没有一个能被客户当场验证的事实（数字、参数、可回访的案例），它对你就是负资产。
七、什么情况下这件事根本不重要
这一节是给「看完上面想马上投钱」的人踩刹车的。制造业里至少有五类采购，AI 的影响接近于零：
单一来源采购、指定品牌。客户拿着图纸指定要某家的件，AI 说什么都不改变结果
老客户复购、年度框架协议。关系、账期、历史交付记录决定一切，没有人会去问 AI
非标打样、图纸定制。参数只有工程师能说清，AI 答不了，也不敢答
必须走招标、名录准入的。资质和业绩是硬门槛，内容影响不了评标
靠区域关系和账期成交的订单。尤其县域市场，一个电话比十篇文章有用
这五类在制造业采购里可能占七成以上。所以 GEO 不是业绩万能药：它能影响的是「第一次听说你」和「对比时能不能对上」，影响不了「关系」和「账期」。把这句话提前讲清楚，比承诺「三个月询盘翻倍」更能留住客户——后者在第四个月就会变成投诉。
采购在用 AI，但用法是「压缩比较」，不是「发现新供应商」。这意味着你要争的不是「被搜到」，是「被放进那张对比表，并且在表里不出错」。
前者靠声量，后者靠字段、案例和口径一致。前者贵且不稳，后者便宜且长期有效。
常见问题
本文由上海育贤信息科技内容团队撰写。文中调研数字均标注来源、样本量与时间。其中 Forrester、Zycus、G2 三组数据为二手引用，未见原始问卷全文，读者可按来源自行复核；6sense、Gartner 数据引用自公开发布的报告摘要。
利益相关声明 我们是 GEO 服务商，本文结论对你选择我们有利。因此我们同时写了「什么情况下不建议启动」，并把不采信的数字单独列出。
我们的立场 宁可少一个客户，也不用查不到出处的数字说服人。
更新 2026-11-07
