發現 01・五家供應商・四個引擎・兩次推薦。
這五家都是再普通不過的真實台灣 B2B 公司：一家薄膜過濾設備廠・一家車輛監控與檢測系統商・一家自行車零件供應商・一家貨運承攬業者，以及一家機能針織布廠。沒有一家是家喻戶曉的名字；但它們全都是採購經理理應要找得到的那種公司。
| 供應商（品類） | 被推薦 | 自家網站被引用 | 沒有來源的答案 |
|---|---|---|---|
| 薄膜過濾 | 2 / 24 | 1 | 9 |
| 車隊監控系統 | 0 / 24 | 0 | 6 |
| 自行車零組件 | 0 / 24 | 1 | 7 |
| 貨運承攬 | 0 / 24 | 0 | 9 |
| 機能針織布 | 0 / 24 | 0 | 9 |
分引擎來看：ChatGPT 30 題中 0 題，Google AI 概覽 30 題中 0 題，Claude 30 題中 0 題，Perplexity 30 題中 2 題。這不是某一個引擎的盲點。
發現 02・問題並不是沒人回答。回答裡出現的是巨頭。
這才是關鍵的部分。面對「我該用哪一家供應商」，AI 並沒有語塞——它很有把握地回答了，用的是各行業裡最大的名字。在這 120 個答案裡，被點名最多的公司是：
| 被 AI 點名 | 次數 | 出現在哪類問題 |
|---|---|---|
| DHL Taiwan / FedEx Taiwan / UPS Taiwan | 15 each | 中小企業的貨運承攬 |
| Toray Industries | 8 | 薄膜過濾 |
| 中華郵政（Chunghwa Post） | 5 | 貨運承攬 |
| Nitto Denko・Veolia | 4 · 3 | 薄膜與水處理 |
| KMC・Giant・Merida | 4 each | 自行車零組件 |
買家向 AI 助理問貨運承攬，拿到的是 DHL・FedEx 和 UPS。那不是錯的答案——那是一個安全的答案，由被寫得最多的公司組裝而成。真正會來報這張單的中型專業廠商，從頭到尾沒有進到對話裡。
發現 03・在 B2B，來源是百科與名錄，不是廠商。
我們記錄了每一個被引用的來源。橫跨五個品類，被引用最多的單一網域是 Wikipedia——36 次。接在後面的，是一家車隊管理廠商的網站・政府的車籍查詢・一個運費比價網站・一個製造商名錄・一本全國性雜誌・一個 B2B 搜尋引擎，還有——很說明問題地——一個求職網站。
這五家供應商自己的網站，在 120 個答案裡只被引用了兩次。在我們的消費品研究裡，規律是社群討論串與推薦清單文章的引用次數超過官網；在 B2B，情況更糟也更奇怪：工具書與名錄的引用次數贏過所有人，而廠商本身幾乎不在這份語料裡。
發現 04・三分之一的 B2B 答案完全沒有引用任何來源。
120 個答案中有 40 個——33%——沒有附帶任何來源，是憑模型既有的知識寫出來的。在我們十三個品牌的消費品研究裡，對應的數字是 16%。B2B 問題把引擎送回記憶的頻率是兩倍，而記憶正好就是中型供應商從來沒有被寫進去的地方。
方法，以及這份研究沒有證明的事
五家台灣 B2B 供應商，每家六道採購問題，四個引擎，每格執行一次：共 120 個計分答案，掃描日期為 2026 年 9 月 13–14 日。問題由各公司自己的首頁生成，再在掃描開始前人工逐題比對該公司實際在賣什麼——題目對不上會產生假的零分，所以這個步驟很重要。每個答案用同一套標準計分：供應商有沒有被提到・有沒有被推薦，以及引用了哪些來源。
四個限制。一：五家公司是小樣本，而且不是隨機抽的——它們是透過兩家代理商的公開案例頁找到的中型專業廠商，這正是我們想測的區段，但這也代表這份研究量的是那個區段，而不是整體的「B2B」。二：每格只跑一次，無法區分真實的落差與執行之間的飄移；我們在這裡就直接看到了——隔天重新掃描那家薄膜公司，推薦次數從 0 變成了 2。三：我們統計的是引擎揭露的來源，所以「沒有來源」的意思是「沒有顯示來源」。四：Gemini 未納入，而 Google AI 概覽是透過台灣定位的搜尋查詢的，這給了它聊天型引擎沒有的在地優勢。
我們有信心的是：橫跨五個互不相關的工業品類與四個引擎，這些供應商基本上是缺席的，而各品類裡最大的玩家被反覆點名。我們沒有主張的是：AI 點名 DHL 是錯的，或這五家公司中的任何一家是比較差的供應商。這個發現講的是誰對 AI 的答案來說是可讀的，而不是誰比較好。
出現在答案裡的是你的公司，還是你最大的競爭對手？
貼上你的網站，免費跑一道真實的買家問題，橫跨五個引擎，不需要留 email。完整掃描每週執行你的採購問題，並附上每個答案背後的來源。