过去十年中的大部分时间里，新闻稿是货运行业中没有人愿意承担的任务。它位于营销预算的底层，被视为一项义务而非战略。毫不犹豫地批准六位数展会预算的高管们，却对500字的通讯社稿件犹豫不决。

当机器开始阅读这些新闻稿时，这种现状发生了改变。

LeadCoverage进行的一项为期一个季度的实地测试发现，以具体、与经济相关的数字开头的新闻稿获得的AI引用次数是不含此类数字新闻稿的3.5倍。在该季度内，这家总部位于亚特兰大、服务于货运和供应链企业的市场推广机构每周发布一篇新闻稿，共记录了1,058次AI引用，从接近零大幅增长。ChatGPT约占这些引用的90%。此次测试恰逢ChatGPT、Perplexity和Google AI Overviews都在扩大使用检索到的网络内容来编写带来源回答的时期，为货运营销人员提供了这些系统如何选择引用来源的早期洞察。

这对于承运商、经纪商和3PL的影响是具体的。当货主询问大语言模型（LLM）哪家服务商负责佛罗里达的全渠道分销时，回答在任何人访问网站之前就已出现。发布了相关数字的公司会被提及。没有发布的公司则错失了一场他们从未知道正在进行的对话。对于一个在数字营销成熟度上历来落后于其他B2B行业的行业来说，这一转变尤为关键，许多公司因此缺乏可依托的既有内容基础设施。

"AI无法编造数字"

这一发现比笼统地"多发新闻稿"的指令更为具体。而这种具体性正是关键所在。围绕公司公告、人事变动或奖项的普通新闻稿产生的引用极少。围绕硬数据构建的新闻稿则支撑了全部成果。

"AI无法编造数字，所以它会引用发布数字的人，"LeadCoverage首席执行官兼联合创始人Kara Brown在接受FreightWaves采访时说。

这一约束解释了其背后的机制。语言模型生成文本；它们不做报道。当查询需要数字时，模型会检索提供数字的来源，而通讯社稿件异常容易获取。GlobeNewswire上的每一篇新闻稿都遵循相同的结构：标题、副标题、数据和引语。AP风格的统一应用，意外地变得机器可读。

Brown对坐拥专有数据的公司发出的警告直言不讳。

"持续发布具体、有用数据的公司是AI最常引用的，而这种引用往往是潜在客户在访问你的网站之前获得的第一印象，"她说。"坐拥数据不发布的公司根本得不到引用，他们永远看不到与自己擦肩而过的潜在客户和交易。"

为什么AI引用偏向中型企业

Google一直是拍卖——这是货运营销人员理解的部分，也是让大多数人被价格门槛排除在外的部分。

"如果你付钱给Google，他们会把你放在回答的顶部，不管是有机的还是付费的，"Brown说。"如果你不付钱给Google，他们会降低你在Google上的可见度。"

她将这种安排形容为唯利是图。Google有需要服务的广告客户和为之服务的商业理由。LLM，至少目前来看，在不同的激励机制上运行。引用没有关键词拍卖。

对于具有特定细分市场的中型3PL、经纪商、货运代理或技术供应商来说，这一差距代表了全部机会，因为传统路线实际上已经关闭。

"你无法在LTL上与Old Dominion竞争，"Brown说。"他们已经拥有LTL的搜索量。试图在这个词上超越他们不是一场值得打的仗。"

这个窗口有时间限制。Brown将引用效应描述为带有半衰期的飞轮：早期参与者像复利一样积累权重，而后来者则将预算花在与先入为主的在位者竞争上。

"你越早开始，就有越多的时间让这个半衰期在LLM中发挥作用，"她说。"你越晚开始，就越是在与那些已经开始的人竞争。"

在关键词上投入超过竞争对手——这条旧的逃生通道——在回答引擎中不存在。这是一次结构性变化，而非预算转移，而且它发生在货运营销部门已经因长期货运低迷而承受压力之际，该低迷抑制了整个行业的可自由支配支出。

行业媒体，重新权衡

来自Muck Rack的两个数字正在重塑营销投入的方向。

所有回答引擎优化引用中约1%直接来自新闻稿，相当于每天约33,000次搜索由通讯社稿件解决。另外，27%的行业特定搜索由行业出版物回答。

第二个数字在货运领域具有特殊的重要性，因为该领域的查询很少是通用的。没有人会问LLM附近哪里有牙医。他们问的是哪家3PL在佛罗里达总部附近运营全渠道分销，而模型会搜索已经回答过此问题的出版物。

Brown建议的操作顺序相应为：通讯社稿件优先、行业媒体其次、网站第三。这一排序与大多数供应链营销人员的直觉相悖，他们默认选择重新设计网站。

"LLM不在乎你的网站。它们不会去你的网站，"她说。"你网站上的内容很重要，但操作顺序是：多发新闻稿，获得行业媒体的报道，然后确保你的网站上有相当不错的内容。"

其理由是算术而非美学。没有模型会在它响应所需的几分之一秒内爬取50,000个经纪商网站来找到回答细分问题的那一个。它会去找已经完成这项工作的通讯社和行业编辑部。

对于一个花了十年时间将行业报道视为传统媒体而忽视的行业来说，这一后果令人不安。"行业媒体比一年半前更重要，"Brown说。

指数是数字的来源

如果规则是发布数字，那么操作性问题就是数字从何而来。Brown的回答是指数，她几乎向她所建议的每一家公司推荐这一方法。

两种结构已被证明有效。第一种是针对运输模式的，其关键在于选择一个没有人占据的领域。

例如，在宏观费率数据上与DAT竞争是一场注定失败的博弈，而建立这一优势的人才此后已分散到整个行业。Ken Adamo，DAT前分析主管兼货主业务总经理，于五月加入EASE Logistics担任首席战略官。"他表现出色，"Brown说。

在未被占据的模式上竞争则完全是另一回事。ITS Logistics将其Port/Rail Ramp Freight Index打造为集卡运输评论的有效拥有者，以至于每当港口出现问题时，Paul Brashier就会出现在新闻中。Brown指出重型和轻型末端配送仍是开放领域。

第二种结构是针对特定行业的，而可触达的受众比大多数营销人员预期的要小。LeadCoverage的一个客户约30%的业务来自钢铁行业。美国有123家钢铁制造商和分销商。

"利基中的利基非常小，"Brown说。该指数项目每月触达1,200到1,400人，涵盖推动钢铁运输费率的因素：能源价格、燃料和中东的混乱。每个季度获得一个新客户就达到了合格标准。

Brown反复提到的起源故事是Redwood Logistics，自2020年以来的客户。Redwood维护着一份内部跨境通讯——一份直接了当的数字和运输数据汇总，专为内部使用而构建，非供外部阅读。

Brown和她的团队在其中看到了机会。他们建议将那份内部通讯改造为行业可以实际使用的外部指数。这个概念后来成为Redwood Mexico，最终吸引了CNBC来到该公司的拉雷多运营基地拍摄一部迷你纪录片。

"公关有效的前提是，你定期向媒体分享一种对货主有重要经济意义的观点，"Brown说。

毁掉AI引用项目的衡量陷阱

该行业目前还无法以CFO所希望的方式证明这些项目的价值。Brown自己评估，引用的归因追踪目前还不可靠，她对这一差距直言不讳。相关工具仅有大约六个月的历史。代理机构可以观察引用数量和由哪个模型提供，但之后发生了什么是不透明的。

"我们可以告诉你你被引用了多少次，但我们无法告诉你之后发生了什么，"她说。

买家可能会点击。买家可能会记下名字，或者将其放入提交给上级的分析报告中。这些活动今天都不可见。

与此同时，可见的指标在仍使用旧记分板的人看来是错误的。LeadCoverage的搜索印象在测试期间增长了83%。Google点击量下降，因为AI回答在点击发生之前就已经解决了买家的问题。直接流量和品牌流量持续攀升——这是买家通过搜索以外的渠道找到公司时呈现的模式。

用2019年的假设来读那个仪表板，它看起来像是失败。Brown预计这种误读将成为该行业最昂贵的错误。

"我们预期看到的最常见错误是，公司用点击量来评估这些项目，并在它们刚开始起效时就将其关闭，"她说。"点击量整体在下降。现在重要的是当买家询问你的类别时，AI是否引用了你。今天被引用的来源明天很难被取代，因为这些系统奖励新鲜度和重复性。这是一个要在竞争对手占据之前就抢占的位置。"