超越 B2B 与 B2C：你的 AI 可见度策略适合你的业务吗？

文中的两家公司是为说明而虚构的，并非客户，也没有任何关于它们的测量数据。

B2B 与 B2C 是正确的第一个问题吗？

这个标签说明的是交易中客户的类型。它没有告诉我们谁在提问、谁使用产品、谁影响选择、谁能够否决，也没有说明他们各自会问什么。就 AI 回答中的可见度而言，后面这些事实更重要，因为助手回答的是写下问题的人，而这个人往往不是签字的人。

在我们看来，这个标签还掩盖了每个阵营内部的差异。一家小公司采购会计软件，一家跨国公司采购生产线，两者都是“B2B”，但几乎没有其他共同点。一位购物者更换用坏的水壶，一位家长为孩子的湿疹挑选面霜，两者都是“B2C”，但他们提出的问题截然不同。我们的工作设想是：围绕一次采购的信息需求，有两个额外的问题比这个标签本身描述得更好。有多少人参与决策？有多少种不同的情境把他们带到这个品类？这两个问题是后文四个层次的入口。全部内容都是我们的解读，我们会标明哪些地方有证据支持，哪些地方没有。

有多少人参与决策，又有多少种情境把他们带到这里？

第一个问题有数据支持，而且差异很大。在 Gartner 于 2024 年 8 月至 9 月对 632 名 B2B 买家开展的调查中，采购小组的人数从 5 人到 16 人不等，涉及最多四个职能部门，74% 的买方团队在决策过程中表现出“不健康的冲突”[1]。Forrester 的 2026 年企业采购状况发布稿指出，一项典型决策涉及 13 名内部利益相关者和 9 名外部影响者，复杂或战略性采购的人数还会更多[2]。Forrester 的一篇博客文章称，73% 的采购涉及三个或更多部门[3]。

FACT

并非每一次采购都是委员会决策。SiriusDecisions 2015 年的一项研究描述了三种采购情形，从单一职能中由一两个人做出的独立决策，到平均有六至十人参与的委员会决策[4]。在 SMB Group 2024 年对 738 家美国中小企业的调查中，69% 的受访者表示自己是唯一的决策者[5]。这两个来源都比较陈旧或范围有限，也都不涵盖欧洲。但它们足以说明，同一个标签之下，决策单元的规模因采购而异，差别很大。

第二个问题是情境，来自消费者一侧。Ehrenberg-Bass 研究所把品类切入点（category entry points）定义为“买家在某个品类内可能产生购买念头的所有想法或动机”[6]。一块巧克力可以作为犒赏、给孩子、当零食或当作谢礼来购买。该研究所还主张这一概念同样适用于企业买家，一项针对美国商业保险客户的研究发现，把较少切入点与自己的保险公司联系起来的客户，更有可能更换供应商[7]。换句话说，购买情境是两个阵营里都存在的单元。

INTERPRETATION

把两个问题放在一起，就得到一张比单独使用 B2B/B2C 标签更有用的工作地图。大众市场的化妆品牌是一个买家加上许多种情境。一次工业采购是许多人加上若干项要完成的任务。一次由一个人单独决定的简单软件采购，是一个人加上一个反复出现的需求。我们没有找到检验这张地图的研究。它只是整理现有资料所描述内容的一种方式。

B2B 中谁在提问？

Gartner 把 B2B 采购描述为六项“任务”，买家会在其中循环并反复回头，而不是直线推进：识别问题、探索方案、确定需求、选择供应商、验证和达成共识[8]。同一来源没有说明哪项任务对应哪个职位，我们也没有找到说明这一点的来源。因此，泵制造商面对的买家，可能是三月核对规格的工程师、五月比较供应商的采购经理和六月评估风险的财务总监，也可能是同一个人包揽了这三件事。

其中一些人很难被看见。领英 B2B 研究所与贝恩合作，描述了“隐形买家”：他们是采购、财务、法务和运营等职能中的流程专家，在其报告的数据中，他们否决了候选名单上约一半的供应商[9]。Forrester 的发布稿还指出，采购专业人员在 53% 的企业采购周期中是决策者，并且从一开始就参与，而不只是在最后阶段[2]。

FACT

共识有可测量的影响。在同一项 Gartner 调查中，达成共识的采购小组报告交易质量高的可能性是其他小组的 2.5 倍[1]。决策是群体的结果，而小组中的每个成员，都可能最先通过向 AI 助手提出的不同问题接触到供应商。

我们不知道的是，每个角色会问什么。我们没有找到任何独立研究，说明工程师、采购方或合规人员向 AI 助手提出的是什么问题。各角色会提出不同的问题，这是一个合理的预期，但仅仅是预期。

B2C 中谁在提问，处于哪些情境？

在消费者一侧，情况没有那么整齐，证据指向两个方向。

一个方向说，人与人不同。L.E.K. 咨询公司与 Potloc 在美国、英国和法国调查了 3,500 多名面部护肤消费者，通过机器学习聚类得到八个细分群体。它们使用的信息来源各不相同：报告显示，“自然完整追求者”（Natural Integrity Seekers）群体中有 65% 依赖皮肤科医生，而“轻松优质爱好者”（Effortless Quality Enthusiasts）群体中这一比例为 33%，该群体中有 61% 受在线评价影响[10]。这些细分群体是咨询公司的模型，换一位分析师可能会划出不同的界线。

另一个方向说，这些界线没有看上去那么稳定。Ehrenberg-Bass 学派的研究报告称，直接竞争品牌的买家画像很少存在差异：涉及 60 多个包装消费品类别中的 700 个品牌[11]，以及 25 年间的 50 个品类[12]。作者指出存在例外，多为功能上不同的子市场。对企业而言，这意味着一个品牌通常与竞争对手面对同样类型的人，真正有用的差异在于把这些人带到品类中的情境。

INTERPRETATION

我们这样把两者放在一起解读。在 B2C 中，可靠的单元是情境以及随之而来的问题，而不是人口统计意义上的细分群体。一个护肤品牌和它的竞争对手有着相同的潜在客户。变化的是，一个人是在为某次治疗后的反应找产品，还是在建立第一套护肤流程，是在挑选礼物，还是在替换一款已经停产的产品。咨询公司的细分群体依然有用，因为它提醒我们，这些人会查阅不同的信息来源。我们没有找到证据，证明 B2C 内部存在我们在 B2B 中所说意义上的“层级”，因此我们不做这样的主张。

对护肤品这个例子来说，有一个监管细节值得注意。根据欧盟化妆品宣称的通用标准，评估一项宣称要从普通终端用户的角度出发，并且必须有充分且可核实的证据支持[13]。这项法规管辖的是品牌自己的宣称，而不是无关联助手的回答；助手仍可能复述品牌在没有证据时无法合法作出的说法。对品牌而言，这种情况下的风险是声誉和证据方面的，并不自动构成违规。如果品牌自己发布了这一说法，或者助手正是在品牌自己的页面上找到的，这就成了法律问题。

AI 如何处理一个问题？

具备网络搜索功能的助手，并不一定会把用户的原话作为一条查询提交。Google 的文档称，其 AI 功能“可能使用‘查询扩散’（query fan-out）技术，在多个子主题和数据源上发出多个相关搜索”[14]。Google 搜索负责人 Liz Reid 在 2026 年的一次播客采访中表示，AI 概览带来了“明显更长的查询”，人们现在直接描述自己的实际需求，而不是把它压缩成关键词[15]。在一项基于 171,264 段真实对话的预印本研究中，马克斯·普朗克软件系统研究所及合作者统计了有网络查询记录的对话轮次，ChatGPT 平均每轮 3.07 次网络查询，Claude 为 1.80 次，Grok 为 4.55 次，DeepSeek 为 2.63 次[16]。这些数字只涵盖发生过搜索的轮次，因此并不意味着每条提示都会触发多次搜索。但它们确实说明，各平台的搜索方式差别很大。

措辞会影响 AI 回答是否出现。皮尤研究中心利用 900 名美国成年人的浏览数据发现，一两个词的 Google 搜索中有 8% 出现了 AI 摘要，十个词及以上的搜索中为 53%，以疑问词开头的搜索中为 60%[17]。以需求为导向的提示也可能改变助手点名的品牌。一项预印本研究在五个产品类别上测试了六个语言模型，发现描述需求的提示与只写品类名称的提示，得到的品牌清单不同[18]。这些类别不包括美妆，模型在未联网的情况下使用，作者也把这些关联视为探索性的。

不同系统的信息来源也不同。在一篇 SIGIR 2026 论文中，对 14,212 条查询的分析显示，Google 搜索、Google AI 概览和 Gemini 所用信息来源集合之间的平均重叠度，按 Jaccard 指标计在 0.11 到 0.18 之间[19]。一篇 2026 年的独立作者预印本综述了 45 项关于生成式引擎优化（GEO）的研究，发现没有任何一项被审阅的技术显示出“对自然可发现性或下游行为的稳定、长期、跨平台的因果效应”[20]。

FACT

对于同一个产品问题，如果以采购经理、工程师或采购小组其他成员的口吻提出，是否会检索到不同的来源，我们没有找到独立证据。关于系统提示中角色设定的研究，例如一项涵盖四个模型家族、162 个角色和 2,410 个事实性问题的研究，考察的是另一个问题，即赋予助手的角色，并不能填补这一空白[21]。

以问题为基础的策略是什么样的？为什么不是为每个人写一条信息？

把这些拼在一起，就得到四个层次。它们是我们对上述资料以及“助手回答问题”这一逻辑的解读。

第一层是谁参与。对泵制造商来说，是采购小组以及围绕在它周围的隐形买家。对护肤品牌来说，是买家以及影响这次购买的人：家人、药剂师、皮肤科医生、评测者。

第二层是他们为什么提问。在 B2C 中，是触发搜索的情境。在 B2B 中，是买家正在完成的任务：理解问题、比较供应商、验证选择，或向同事为选择辩护。

第三层是他们问什么。人们现在把完整的需求放进一个问题里，而助手会把这个问题变成若干次搜索。因此需要覆盖的单元，是处于该情境中的人向助手提出的那一组问题，用他们自己的话、以不同的长度表达，而不是一份搜索词清单。这是四个层次中最具推测性的一层。人们提问方式的变化是有记录的。每个角色或情境具体会问什么则没有记录，也没有研究表明覆盖这样的问题集会换来更多引用。

第四层是助手找到了什么，以及无论它们去哪里找，说法是否一致。这取决于哪些来源回答这些问题：公司自己的网站、行业媒体、评价平台、监管机构的页面，以及它们所处的生态系统。AI 在哪里找到这些证据，因生态系统而异。关于中国，我们在之前的文章中已有说明：《跨生态系统，而非跨境：为什么中国与欧洲不是对称的 AI 环境》和《西方企业看不见的监管层——以及它为何决定了哪些内容会被引用》。同样的买家在欧洲和中国如何核实 AI 的回答，则是《从斯图加特到深圳：第一通电话之前，你的买家可能已经向 AI 问过你了》一文的主题。

Gartner 2025 年的发布稿报告称，针对采购小组共同相关性定制的内容对共识有 20% 的正面影响，而聚焦于个人层面相关性的内容对共识有 59% 的负面影响[1]。这些发现并不反对针对角色的信息。它们表明，针对角色的信息应该回到整个小组都能认同的共同论据上，因为一家公司如果给工程师、采购方和财务总监讲三个互不相容的故事，就有可能让小组无法达成一致。因此，这四个层次要求的是不同的问题和同一个一致的说法。由于回答在不同次运行之间也会变化，正如《为什么 AI 的回答每次运行都不同——这对衡量可见度意味着什么》中所述，这个说法需要反复检查，并且要跨多个助手检查，而不是只查一次。

你的策略适合你的业务吗？

对护肤品牌和泵制造商来说，答案要从两个入口问题开始。一次典型采购有多少人参与，涉及多少个职能？有多少种情境把他们带到这个品类？如果两个答案都是一，一份简短的问题清单可能就够了。如果分别是八和五，那么为“采购方”写的内容计划，只触及了提问者中的一小部分。

四个层次随后给出其余的问题。除了付款的人，还有谁影响决策？他们在每种情境或任务中问什么？助手回答时找到了什么，对每个角色来说是否是同一个说法？它是否与我们自己会说的一致？

INTERPRETATION

我们目前还无法说的是，每个角色和每种情境实际上会问什么。这是证据中的空白，而且可以被填补。一项公平的检验，应当先收集真实提问者的问题，先测量答案在多次运行之间的变化幅度，然后检验：围绕某一情境或角色的问题所构建的内容，在同一情境的新问题上是否被更频繁地引用，需要跨多个助手进行，并分别检验 B2B 和 B2C。我们没有进行过这项检验。在有人完成之前，这四个层次只是一种对业务提出更好问题的方式，并不是更好结果的证明。

相关洞察

全部洞察与研究 →

关于作者

Marin Tintchev 是 GeoSynapse 与 China GEO EU 的创始人。他在信息通信技术及国际商务领域拥有 30 余年经验，足迹遍布中国与欧洲，毕业于清华大学，精通普通话。

在 LinkedIn 上联系 →