我们在 IAA Transportation 2026（汉诺威，9/14–9/20）现场，对多家出海车企做了 AI 可见度测试，结论高度一致：结果不理想——被点名时描述单薄，泛需求里大面积缺席，关键采购场景几乎没进候选集。
当欧洲车队老板问 AI「买哪台电动重卡」，答案里优先出现的是 Volvo、DAF、MAN 等老牌厂商。
对出海品牌而言，GEO 还多出两道国内没有的门槛：跨语言（中/英/德/当地语描述是否一致）与跨模型（ChatGPT / Claude / Gemini 语料偏好不同，需「多模型都稳」）。
本报告给出完整的可见度三层漏斗模型、Winseed 监测 5 步法，以及可直接回填的实测数据模板。
一、背景：出海获客的范式转移（含公开数据）
中国商用车集体出海加速：
IAA Transportation 2026 中国车企参展数同比约 +30%（公开报道；参展方含一汽解放、中国重汽、福田、三一、东风、上汽 MAXUS、比亚迪商用车等）。
用户决策路径变化：
B2B 采购与 B2C 消费同步从「先搜后比」转向「先问 AI 再决定」。
展台触达是 5 天，AI 答案触达是 365 天——前者是一次性曝光，后者是长期隐形资产。
增量逻辑：
搜索首页要买排名（边际成本不为零、点击才来）；
AI 答案位是「被引用即获客」的第三类公域入口，一次进入长期复用。
二、核心发现：AI 答案位 = 新的增量入口
用「可见度三层漏斗」拆解品牌在 AI 眼里的健康度：
层级 | 含义 | IAA 现场典型表现（定性） |
① 被点名找不找得到 | 直接问品牌名，AI 能否准确描述你 | 描述单薄、信息陈旧 |
② 泛需求里稳不稳 | 问品类/场景（不含品牌名），你是否被推荐 | 大面积缺席，优先推 Volvo/DAF/MAN |
③ 关键场景进没进候选集 | 问「预算 X 买什么 / best X for [市场]」 | 几乎没进候选，增量在此漏掉 |
结论：最大的风险不是在「被搜到」层面，而是在用户最想选你的「关键场景」里根本没进 AI 候选集——等发现时，客户已经选了别人。
三、出海的两道额外门槛
门槛 | 说明 | 对增量的影响 |
跨语言 | 中 / 英 / 德 / 当地语，AI 对同一个品牌的介绍是否一致 | 某语言缺席 = 该市场增量缺口 |
跨模型 | ChatGPT / Claude / Gemini 语料偏好不同 | 只在单一模型稳 ≠ 全局可见 |
四、数据与方法论
1 公开真实数据
指标 | 数值 | 来源 |
IAA 2026 中国车企参展同比增幅 | +30% | 公开报道（WebSearch 核实） |
IAA 2026 时间 / 地点 | 9/14–9/20，汉诺威 | 公开信息 |
现场 AI 优先推荐的 incumbent 品牌 | Volvo / DAF / MAN 等 | IAA 现场 Winseed 测试（定性） |
2 Winseed 测量框架参数
参数 | 定义值 | 说明 |
客户意图问题数 | 7–10 个 | 每个品牌真实决策场景 |
覆盖大模型 | 4 个 | 例：豆包 / 千问 / 元宝 / ChatGPT（国内）；ChatGPT / Claude / Gemini + 1（出海） |
单问题重复次数 | 3 次 | 取稳定率，排除随机性 |
样本总量 | 80+ | 7–10 问题 × 4 模型 × 3 重复 |
复测频率 | 月 / 周 | 输出 AI 可见度趋势图 |
漏斗层级 | 3 层 | 被点名 / 泛需求 / 关键场景 |
出海额外维度 | 跨语言 + 跨模型 | 中/英/德/当地语 × ChatGPT/Claude/Gemini |
五、Winseed 品牌可见度监测（5 步交付）
定义问题：梳理 7–10 个真实客户意图问题（出海需含多语言版本）。
量化测量：跨 4 个大模型运行，生成 80+ 样本，记录各场景候选率。
三层漏斗诊断：被点名 / 泛需求 / 关键场景，缺口一目了然。
趋势复测：按月 / 周复测，输出一张 AI 可见度趋势图。
缺口补强：精确到「市场 + 场景 + 模型」的补强优先级，而非空泛「曝光不够」。