商用制冷Apogee：90天AI提及18→162次
导语：德州中部一家干了30年的商用制冷/暖通服务商 Apogee Mechanical，2026年2月在62个买家问题里只被AI答案提到 18 次、首位 11 次，且几乎只存在于 GPT 系模型；三个月后（4月）在 72 个问题里出现 162 次、首位 74 次，覆盖范围从"只有 GPT"扩到 GPT、Gemini、Perplexity、Google AI Overview、Claude 等六类平台。它没重建官网、没加广告预算，动的只是"内容按买家怎么问来写"这一件事。
背景：口碑是真的，AI 里搜不到也是真的
Apogee Mechanical 是一家 30 年历史的商用设备服务商，服务范围是德州中部，四块业务：商用制冷（步入式冷库、冷冻柜、制冰机、展示柜）、商用暖通（屋顶机、分体系统）、热厨设备（烤箱、炸炉、蒸箱）、饮料设备。客户是不能停机的业态——连锁超市、餐饮集团、医疗机构、商管物业。
它的获客模型过去很传统：转介绍 + 30年积累的关系网。技术口碑没问题，工厂授权也拿得实在——按其官网自述，制冷侧对 Follett、Manitowoc、Hoshizaki、True、Traulsen 有工厂授权，暖通侧是美国标准（American Standard）经销商，并对外承诺"24小时内到场"。
问题在于买家提问的入口变了。设施总监不再打开搜索框输关键词，而是直接问 AI："德州中部哪家商用制冷服务商能做 24 小时应急、而且熟悉 Hoshizaki 设备？" AI 给出的答案里，Apogee 基本没出现。
2026年2月的基线测量：62 个追踪问题中，Apogee 只被提及 18 次，其中 11 次是首位（rank-one）。更麻烦的是分布——提及几乎全部集中在 GPT 系模型，Google Gemini、Perplexity、Google AI Overview 三个平台完全不出现。对一家跨四个业态做生意、客户来源分散的公司来说，等于在大部分买家的研究路径上不存在。
动作：不重建网站，重构"答案的形状"
案例执行方 KTV Digital 的做法很克制：不动站点架构，只改内容组织方式。四个动作：
1）买家角色语言对齐。 设施经理、采购专员、运营总监描述同一件事的用词完全不同。服务商习惯写"我们提供全面的商用设备服务"；买家实际问的是"夜里冷库坏了多久能到人""你们能同时修热厨和冷柜吗""离我 40 英里内有没有服务点"。内容重构的第一步是把自我描述的词汇表换成买家提问的词汇表——不是加关键词，是换主语。
2）针对真实买家问题的权威问答资源。 按买家真正关心的东西建资源：响应时效、设备专精范围（同时覆盖热厨和冷柜的双能力是它区别于同行的点）、服务半径、卫生部门合规文档、工厂授权资质。写的是"这行怎么要求"，不是"我们多努力"。
3）跨平台信息一致性。 让站内的表述与站外第三方资料口径统一。案例里明确说，这是 4 月能突破单一平台、进入 Gemini / Perplexity / AI Overview 的关键——多个模型需要的是同一个可交叉验证的事实，而不是一份自说自话的宣传页。
4）一个专用的 LLM 资源页。 在官网建了 /llm-resources/ 页，把能力范围、服务区域、设备覆盖、资质集中成机器可读的事实清单，作为整个优化的锚点。方法论上这等效于 AIWO 里常说的"给 AI 爬虫看的入口页"，只是用了更适合 LLM 抽取的结构，而不是 PDF 或交互式 Tab。
结果：三个月，从单平台薄覆盖到多平台稳定出现
| 指标 | 2026-02（基线） | 2026-03 | 2026-04 | 口径与备注 |
|---|---|---|---|---|
| 被提及次数 | 18 | 54 | 162 | 追踪问题集内出现次数；服务商口径，未第三方复现 |
| 追踪问题数 | 62 | 72 | 72 | 3 月新增买家角色，样本扩容，分子分母同时变化 |
| 首位（rank-one）次数 | 11 | 29 | 74 | 同上 |
| 提及/问题比 | 0.29 | 0.75 | 2.25 | 单问题可多次出现，比值仅作趋势参考 |
| 覆盖平台 | 仅 GPT 系 | 仍偏窄 | GPT + Gemini + Perplexity + Google AI Overview（案例文称六平台） | 平台清单为服务商口径 |
| 询盘 | 未披露数字 | — | 新客户来电主动说明"是从 ChatGPT 或其他 AI 平台找到的" | 定性信号，无量化数据 |
| 实施周期 | — | 首月可见动效 | 第 60 天出现拐点，第 90 天形成多平台存在 | 案例自述 |
两个必须标出来的口径问题，别照抄倍率：
案例页标题写"8.5x 提及增长"，按原始数字 162÷18 = 9.0x；首位 74÷11 = 6.7x（标题写 7x）。倍率与明细对不上，对外引用应当以明细为准，而不是转述标题倍数。
3 月把追踪问题从 62 个扩到 72 个，问题集变了，跨月倍率就不是同一把尺子。跨期比较只在 3 月与 4 月之间成立（同为 72 个问题），2 月只能当"定性基线"用。
复盘：三条可以抄的动作
先花时间做基线，再花钱改内容。 它的第一步不是写稿，而是在多个平台拿同一批买家问题逐个测，测出来的结论很具体：一个平台都没有覆盖（Gemini/Perplexity/AI Overview 全缺），问题类型集中在设施管理与设备专精。没有这一步，后面的内容重构就是盲改。
用买家角色词表替换自我描述词表。 把"我们提供全面服务"换成"夜里坏了多久到人、能不能同时修热厨和冷柜、40 英里内有没有点"。AI 匹配的是提问句式，不是企业简介句式。这一条几乎零成本，是最容易抄的。
建一个事实锚点页。 服务区域、设备覆盖、授权资质、响应时效集中一页，结构清晰、可被整段抽取。它的作用不只是被直接引用，更是让分布在站外各处的说法有一个可以对齐的源头。
一条避坑提醒： 别把"总提及数"当唯一 KPI。这家公司 2 月的问题是提及全挤在 GPT 系——数字看着不算零，实际丢掉了用 Gemini、Perplexity、AI Overview 的那批买家。诊断时要按平台拆开看，单平台的漂亮数字最容易掩盖结构性缺口。
另外提醒同行：这类案例的原始数据全部来自服务商自己的监测工具，问题集由服务商选定，'提及'的判定标准（品牌名出现即算，还是必须进入推荐位）案例页没有写死。引用时把它当"改进方向可信、绝对数值存疑"的证据，而不是行业基准。
数据来源与性质
案例正文与月度数据：KTV Digital 案例页《Case Study: Apogee Mechanical – AI Visibility》（ktvdigital.com），服务商自述口径，未经第三方复现，含执行方身份披露（创始人 Kevin Vaughan）。
公司实体与业务范围（30 年、德州中部、四类设备业务、工厂授权品牌）：Apogee Mechanical 官网（apogee-mechanical.com）自述，已核验站点真实存在。
案例页引用的 LLM 资源页
apogee-mechanical.com/llm-resources/：本次抓取返回 HTTP 403（站点反爬），内容未直接核验。案例周期：2026 年 2 月基线 → 2026 年 4 月复测，约 90 天。
未披露项：具体询盘数量、AI 来源成交额、样本问题清单全文、'提及'的判定规则、执行费用。
标签：AI优化案例、GEO、AIWO、商用制冷/暖通服务