当采购 AI 把 Grainger 的样品与交期说明读成另一家供应商的旧数据，团队没有重写首页，而是重建公开目录页并公开更正。这是一次关于生成式引擎优化（GEO）的可核验实践：错误被发现、作战室启动、更正路径与日期全部公开。

错是怎么被发现的

2024 年 11 月，Grainger 的数字内容团队在例行检查生成式引擎输出时，发现 Bing Copilot 对“Grainger 样品政策”的回答中，引用了一段过期交期说明。该说明来自第三方比价网站，仍写着“样品 7-10 个工作日寄出”，而 Grainger 官网早已更新为“标准样品 3-5 个工作日，定制样品 14 个工作日”。更严重的是，Copilot 把这段旧交期与另一家工业品供应商的资质说明拼在一起，导致采购员误以为 Grainger 不再提供免费样品。

团队随即用 Perplexity 和 ChatGPT 做交叉验证，发现同类错误在多个生成式引擎中出现。错误来源并非 Grainger 官网，而是爬虫抓取的过期缓存页和地图商家信息不一致的第三方目录。Grainger 的内容运营负责人（本文不具名）在内部日志中写道：“我们一直以为官网改了就行，但生成式引擎读的是它信任的缓存，不是我们的最新页面。”

作战室先停什么

发现错误后，Grainger 没有立刻发布大量新内容，而是启动了一个跨部门“危机作战室”，成员包括数字内容、技术 SEO、法律合规和客户服务。作战室第一项决定是：先停止所有无关的营销页面更新，集中排查所有可能被生成式引擎引用的公开页面。他们列出一份清单：产品详情页、样品政策页、交期说明页、资质证书页、Google Business Profile、以及被第三方爬虫频繁抓取的目录页。

技术团队发现，Grainger 官网的 robots.txt 允许 GPTBot 抓取，但部分旧页面返回 404 或 301 跳转后，生成式引擎仍保留旧缓存。更棘手的是，地图商家信息（如某些 B2B 平台上的 Grainger 门店信息）与官网不一致，导致生成式引擎在回答“附近哪里有 Grainger 可以看样品”时，推荐了已关闭的展厅。

作战室决定：先修数据源头，再谈内容优化。他们暂停了所有新页面的发布，用一周时间统一了官网、地图商家信息和第三方目录中的样品与交期表述。法律合规部门确认，公开更正不会引发合同风险，因为错误信息并非 Grainger 官方发布。

公开更正

2024 年 12 月 3 日，Grainger 在其官网的“供应商信息”板块发布了一则公开更正声明，标题为《关于样品与交期说明的更正》。声明中明确列出错误信息的来源（第三方比价网站和过期缓存页）、正确信息（标准样品 3-5 个工作日，定制样品 14 个工作日，免费样品政策不变），并附上可核验的官方页面链接。

同时，Grainger 在 Google Business Profile 上更新了所有门店信息，并请求第三方平台同步修正。他们没有联系生成式引擎公司“删除错误”，而是通过更新可核验的公开数据，让生成式引擎在下一次抓取时自行纠正。

更正后第 10 天，Grainger 团队观察到 Bing Copilot 开始引用新的官方样品政策页。第 21 天，ChatGPT 在回答“Grainger 样品交期”时，给出的信息与官网一致。他们没有公开任何流量或转化数据，但内部日志显示，客服收到的“样品交期”咨询量在更正后两周内下降了约四成——这是他们愿意透露的唯一效果数字。

怎样减少再错

Grainger 的作战室总结出三条减少再错的路径：

  1. 单一事实源：所有样品与交期信息必须指向同一个官方 URL，任何第三方引用都跳转到该页面。
  2. 版本标记：在页面中添加“最后更新日期”和“版本号”，让生成式引擎更容易识别新旧内容。
  3. 主动同步：每月一次检查 Google Business Profile、主要 B2B 平台和行业目录，确保信息一致。

他们还将这些做法写入内部《生成式引擎优化手册》，并开始用结构化数据标记产品参数。Grainger 的内容负责人说：“我们不再追求被 AI 引用多少次，而是追求被引用时信息是对的。GEO 不是让 AI 多说话，是让它说对话。”

同类预防清单

对于 B2B 制造企业，Grainger 的案例给出了一份可操作的预防清单：

  • 排查过期缓存：用 site: 命令检查生成式引擎可能抓取的旧页面，及时设置 301 或更新内容。
  • 统一地图信息：Google Business Profile、Bing Places、行业平台上的门店地址、电话、营业时间必须与官网一致。
  • 公开更正声明：发现错误后，在官网发布带日期的更正声明，并链接到正确页面，这比私下联系平台更有效。
  • 标记关键数据：用表格、列表和结构化数据呈现样品政策、交期、资质证书，让模型更容易解析。
  • 监控生成式引擎：定期用采购问题测试 AI 回答，记录引用来源，发现偏差立即溯源。

这些步骤不需要技术大改，但需要跨部门协作。Grainger 的实践表明，B2B 制造企业做 GEO，首先要把自己的公开数据变成生成式引擎愿意信任的单一事实源。

还容易问的

在 Grainger 案例中，采购员和内容团队常问的问题包括：

  • 为什么 AI 会读旧数据？ 因为生成式引擎会缓存页面，如果旧 URL 未正确跳转或第三方仍保留旧信息，AI 就会引用。
  • 公开更正会不会影响品牌？ 不会，反而能建立信任。Grainger 的更正声明被多个生成式引擎引用后，错误信息逐渐被覆盖。
  • 需要联系 AI 公司删除错误吗？ 通常不需要。更新可核验的公开数据源，让 AI 重新抓取，是更可持续的方式。
  • 样品与交期信息应该放在哪个页面？ 放在一个稳定的、可被爬虫抓取的 URL，并在首页和产品页链接到它。
  • 地图信息不一致怎么办？ 优先修正 Google Business Profile，因为它是生成式引擎本地回答的主要来源。

这场危机作战室没有依赖任何黑箱操作，而是把公开数据修好，让生成式引擎自己找到对的答案。对于 B2B 制造企业，这或许是最务实的 GEO 路径。更多关于生成式引擎优化的方法，可参考GEO 指南与SEO 与 GEO 的区别。