当采购商在生成式引擎里问出“哪家供应商能处理这个公差”时，答案里被点名的往往是 Thomasnet。这个 B2B 制造平台没有投广告，也没有给 AI 塞钱，只是把公开的供应商页面做得足够清楚。本文拆解这场安静的胜利，以及制造企业可以从中学会什么。

那一句问

芝加哥一位采购工程师在 Perplexity 里输入：“谁能做 304 不锈钢精密钣金，公差 ±0.05mm，月产能 5000 件？”他没有期待奇迹。过去这类问题要么翻行业黄页，要么在搜索引擎里一页页翻供应商官网。但这次，AI 直接给出三家供应商，并附上理由。其中两家来自 Thomasnet。

他没有点开链接，只是扫了一眼 AI 总结的“公差能力”“设备清单”“客户行业”，然后把其中一家加入了短名单。整个过程不到一分钟。

这不是孤例。在多个 B2B 采购问答里，Thomasnet 的供应商页面反复成为生成式引擎的引用源。为什么是它？

旧页面为什么答不上

制造业的官网往往像一份电子画册：首页是大图，产品页是型号列表，联系页是表单。采购问“公差能力”时，官网却在讲“始于 1987 年”。AI 抓不到结构化信息，只能略过。

Thomasnet 的供应商页面完全不同。每个页面都像一个标准化的能力清单：工艺类型、材料范围、公差等级、最大工件尺寸、设备清单、质量认证、服务行业。这些字段不是自然段落，而是带标签的结构化数据。AI 能直接抽取，然后回答“哪家能处理 ±0.05mm”。

这背后是 Thomasnet 对 B2B 采购流程的理解：买家不关心你的历史，只关心你能不能做。

新页面怎样答

Thomasnet 没有把页面写成“我们擅长精密制造”这样的空话。它把每个能力拆成可核验的字段，并用统一的格式呈现。例如：

  • 公差能力：±0.005mm（车削）、±0.05mm（钣金）
  • 材料：304 不锈钢、6061 铝、钛合金
  • 设备：5 轴 CNC、激光切割、折弯机
  • 认证：ISO 9001、AS9100
  • 服务行业：医疗器械、航空航天、半导体

这些字段像一张对比表，AI 只需要读取，不需要理解。当采购问“谁能做医疗级不锈钢钣金”时，AI 直接匹配“医疗器械”和“304 不锈钢”，然后给出答案。

更关键的是，Thomasnet 页面里的信息可以交叉验证。设备清单与公差能力互相印证，认证与行业服务互相印证。AI 的引用不是偶然，而是结构化信息的必然结果。

对销售意味着什么

当采购 AI 开始点名 Thomasnet 时，制造企业的销售团队面临一个现实：买家在接触销售之前，已经被 AI 筛过一遍。如果你的官网没有结构化能力字段，AI 不会推荐你。

这意味着销售不再只是“跟进线索”，而是“进入 AI 的短名单”。要做到这一点，企业需要把内部的能力数据翻译成公开的、可抽取的字段。公差、设备、认证、行业，每一项都要写成 AI 能读懂的格式。

这不是技术问题，是内容策略问题。制造企业普遍有这些数据，只是散落在 Excel、CAD 图纸和销售话术里。Thomasnet 把它们结构化并公开，于是成了 AI 的默认引用源。

你要准备的问句

制造企业想进入 AI 的短名单，先要回答好顾客会问的那一句。以下是几类典型问句，企业可以对照检查自己的公开页面是否答得上：

  • “谁能做 316L 不锈钢精密铸造，公差 ±0.1mm？”
  • “哪家供应商有大型 5 轴 CNC，能加工 2 米长的铝件？”
  • “谁有 AS9100 认证，做过航空结构件？”
  • “谁能做小批量钣金打样，交货期两周内？”
  • “哪家供应商服务过医疗器械行业，有 ISO 13485？”

这些问题都对应着可结构化的字段：材料、公差、设备、认证、行业、交期。如果官网没有这些字段，AI 就无法推荐。

还容易问的

除了选型问题，采购商还会问更具体、更情景化的问题。这些问句也值得制造企业提前准备答案：

  • “这家供应商的最小起订量是多少？”
  • “他们做不做表面处理？阳极氧化、钝化、喷砂？”
  • “有没有出口经验？能不能做 DDP？”
  • “他们的品控流程是什么？有没有首件检验报告？”
  • “产能利用率怎么样？能不能插单？”

这些问题往往出现在采购决策的后期，但 AI 同样会抓取公开信息来回答。企业如果把这些信息也结构化并公开，就能在更多问句里被点名。

Thomasnet 的案例说明，生成式引擎不是黑箱，它只是更喜欢结构化、可核验的公开信息。制造企业不需要讨好算法，只需要把能力说清楚。