一、客户与背景
客户是绵阳的一家中端商务酒店，客源以商务出差和周边短途为主，位于城区核心位置，步行可达商圈与主干道。合作前的状态很典型：OTA 上有评价、有房型、有价格，但把所有信息交给 AI 去问时，答案里出现的是几家连锁品牌，客户的名字一次都没有。
也就是说，它不缺产品，缺的是「被 AI 说出来」的那一份内容。
二、我们要抢的问题词
第一步不是写稿，是找出客户真实会问的那几句话。我们最终锁定了 18 个问题词，覆盖四类场景：
| 场景类型 | 问题词示例（真实问法） |
|---|---|
| 地标场景 | 绵阳越王楼附近住哪家酒店方便 |
| 交通场景 | 绵阳火车站附近有没有性价比高的酒店 |
| 差旅场景 | 绵阳出差住哪家酒店比较安静、能办公 |
| 配套场景 | 绵阳哪家酒店有停车场、含早餐 |
注意这四类的写法：没有一条是「绵阳商务酒店」这种行业词，全部是有人会真的打出来的句子。
三、我们做了什么
1. 先把事实盘清楚
房型数量、早餐形式、停车位、隔音情况、到各地标的实际距离、可开发票类型——这些必须先落地成可写的事实。写不出具体数字的维度，我们不写形容词。
2. 按「一个词一条内容」配平
每个高频问题词配一条可直接回答该问题的内容：标题就是问题句，开头一百字给结论，后面才是细节。避免一篇稿想覆盖十个词，结果一个都对不上。
3. 信源分层投放
不同问题类型进的是不同的池子：问「附近有什么」的答案更依赖地图与本地生活平台，问「值不值得住」的答案更依赖评价与体验类内容。我们按这个规律分配投放位置，而不是全平台无差别铺。
4. 每轮复测，按结果决定下一轮
内容发布后等 7 天回测，记录每个问题词在豆包、DeepSeek 等平台的答案：有没有出现、第几位、引用了哪个站。四轮之后，能稳定出现的问题词留下，对不上的换问法或换信源。
四、四轮复测后的结果
地标类与差旅类问题词表现最好，配套类（停车、早餐）稍弱——这类答案 AI 更倾向引用 OTA 的结构化字段，属于下一阶段的补强方向。
五、这个案例能说明什么
不是「做了 GEO 就能被推荐」，而是：把客户真实会问的 18 句话，一句一句对上去，才有可能被 AI 在回答那 18 句话时想到。这是一个可以数出来的过程，不是一个玄学。
常见问题
不是。18 个词里有 12 个能稳定出现，其余仍在调整问法与信源。
常见原因是该问题的答案被 OTA 的结构化字段或地图信息主导，纯文字内容很难挤进去，需要换信源类型。
AI 提及率＝出现品牌名的问题词数 ÷ 覆盖的问题词总数，数据来自逐轮回测台账。