在過去十年的大部分時間裡，新聞稿是貨運業沒有人想負責的任務。它位於行銷預算的底層，被視為一項義務而非策略。毫不猶豫地批准六位數貿易展攤位的高階主管，卻對500字的新聞稿發佈猶豫不決。

當機器開始閱讀這些新聞稿時，現狀出現了轉變。

LeadCoverage進行的一項為期一季的實地測試發現，以具體、與經濟相關的數字為開頭的新聞稿，獲得的AI引用次數是沒有數字的新聞稿的3.5倍。在這一季中，這家總部位於亞特蘭大、專注於貨運與供應鏈企業的上市推廣機構每週發布一篇新聞稿，共記錄了1,058次AI引用，從近乎零大幅成長。ChatGPT約佔這些引用的90%。該測試進行的時期，恰逢ChatGPT、Perplexity和Google的AI Overviews都在擴大使用檢索到的網路內容來組合帶有來源的答案，讓貨運行銷人員得以提早了解這些系統如何選擇引用來源。

這對承運商、貨運代理和3PL的影響是具體的。當託運人向大型語言模型（LLM）詢問哪家業者負責佛羅里達州的全通路配送時，答案在任何人造訪網站之前就出現了。發布了相關數字的公司會被點名。沒有發布的公司則缺席了一場他們從不知道正在進行的對話。這一轉變對於一個在數位行銷成熟度上歷來落後於其他B2B領域的產業尤其關鍵，使許多公司缺乏既有的內容基礎設施可資運用。

「AI無法發明數字」

這項發現比「多發新聞稿」的一般性指令更為具體。而這種具體性正是重點所在。以公司公告、人事變動或獎項為中心的普通新聞稿產生的引用極少。以硬數字為核心的新聞稿則支撐了整個結果。

「AI無法發明數字，所以它會引用發布數字的人，」LeadCoverage執行長兼共同創辦人Kara Brown在接受FreightWaves採訪時表示。

這一限制解釋了背後的運作機制。語言模型生成文字；它們不進行報導。當查詢需要一個數字時，模型會檢索提供數字的來源，而通訊社稿件異常容易取得。GlobeNewswire上的每篇新聞稿都遵循相同的結構：標題、副標題、數據和引述。一致套用的AP格式，結果意外地成為機器可讀的格式。

Brown對於坐擁專有數據卻不發布的公司提出的警告十分直接。

「持續按時程發布具體、實用數據的公司，是AI最常引用的對象，而那次引用通常是潛在客戶在造訪你的網站之前獲得的第一印象，」她說。「坐擁數據卻不發布的公司根本得不到引用，他們永遠看不到那些與他們擦肩而過的潛在客戶和交易。」

為什麼AI引用偏愛中型市場

Google一直都是一場拍賣——這是貨運行銷人員理解的部分，也是將他們大多數人排除在外的部分。

「如果你付錢給Google，他們會把你放在答案的頂端，無論是有機的還是付費的，」Brown說。「如果你不付錢給Google，他們會降低你在Google上的曝光度。」

她將這種安排形容為唯利是圖。Google有廣告客戶要服務，也有服務他們的商業理由。至少目前為止，LLM運作在不同的誘因機制上。引用沒有關鍵字拍賣。

對於擁有特定利基的中型3PL、貨運代理、承運商或科技供應商而言，這個差距代表了整個機會，因為傳統路徑已經實質關閉。

「你無法在LTL上與Old Dominion競爭，」Brown說。「他們已經佔據了LTL的搜尋流量。試圖在這個詞上超越他們不是一場值得打的仗。」

這扇窗口有時間限制。Brown將引用效應描述為一個帶有半衰期的飛輪：早期參與者以類似複利的方式累積權重，而後來者則將預算花在與先行者競爭上。

「你越早開始，就有越多的時間讓這個半衰期在LLM中發酵，」她說。「你越晚開始，就越是在與已經起步的人競爭。」

在關鍵字上投入超過競爭對手的支出——過去的逃生管道——在回答引擎中不存在。這是一個結構性變化，而非預算轉移，而且它出現在貨運行銷部門已經因長期的貨運市場低迷而承受壓力之際，該低迷已經限制了整個產業的可自由支配支出。

專業媒體的重新加權

來自Muck Rack的兩個數據正在重塑行銷努力的分配方向。

約1%的回答引擎優化引用直接來自新聞稿，相當於每天約有33,000次搜尋由通訊社稿件解決。另外，27%的產業特定搜尋由專業出版物回答。

第二個數字在貨運領域的分量尤為重要，因為貨運查詢極少是通用的。沒有人會向LLM詢問附近的牙醫。他們會問哪家3PL在佛羅里達州總部附近營運全通路配送，而模型會尋找已經回答過這個問題的出版物。

Brown建議的操作順序相應如下：通訊社優先、專業媒體其次、網站第三。這個排序與大多數供應鏈行銷人員的直覺相反，他們預設的反應是重新設計網站。

「LLM不在乎你的網站。它們不會去你的網站，」她說。「你網站上的內容很重要，但操作順序是：多發新聞稿，讓專業媒體報導你，然後確保你網站上有相當不錯的內容。」

這個理由是算術層面的，而非美學層面的。沒有任何模型會在它回應的那一瞬間爬取50,000個貨運代理網站，去找到唯一能回答利基問題的那一個。它會轉向通訊社和已經做好功課的專業編輯台。

對於一個花了十年時間將專業報導視為傳統媒體而摒棄的產業來說，這個後果令人不安。「專業媒體比一年半前更重要了，」Brown說。

指標是數字的來源

如果規則是發布數字，那麼操作層面的問題就是數字從何而來。Brown的答案是建立一個指數，她幾乎向每家她諮詢的公司都推薦這個做法。

兩種結構已被證明有效。第一種是特定運輸模式的，關鍵在於選擇一個沒有人佔據的領域。

例如，與DAT在宏觀費率數據上競爭是一個必輸的命題，而建立這項優勢的人才已經分散到整個產業。DAT前分析長兼貨主業務總經理Ken Adamo於五月加入EASE Logistics擔任策略長。「他表現得非常出色，」Brown說。

在一個尚未被佔據的運輸模式上競爭則是完全不同的命題。ITS Logistics將其Port/Rail Ramp Freight Index打造成對拖車運輸評論的實質壟斷地位，以至于Paul Brashier每逢港口出現問題時就會出現在新聞中。Brown指出，重型和輕型最後一哩配送仍是尚待開發的領域。

第二種結構是特定產業的，可觸及的受眾比大多數行銷人員預期的要小。一家LeadCoverage客戶約30%的業務來自鋼鐵。全美國有123家鋼鐵製造商和經銷商。

「利基中的利基如此之小，」Brown說。該方案每月觸及1,200至1,400人，提供一個關於推動鋼鐵運輸費率因素的指數：能源價格、燃料和中東的動亂。每季獲得一個新客戶就達標了。

Brown反覆提及的起源故事是Redwood Logistics，一家自2020年以來的合作客戶。Redwood維護著一份內部跨境電子報——一份為內部使用而建立的數字和運輸數據簡報，並非供外部人士閱讀。

Brown和她的團隊從中看到了機會。他們提議將這份內部電子報轉化為產業可以實際使用的外部指數。這個概念後來成為Redwood Mexico，最終吸引了CNBC前往該公司在拉雷多的業務進行迷你紀錄片拍攝。

「如果你定期向媒體分享一個對託運人具有經濟意義的觀點，公關就會發揮作用，」Brown說。

壓垮AI引用計畫的衡量陷阱

產業目前無法以財務長期望的方式證明這些計畫的價值。引用的歸因追蹤按照Brown自己的評估尚未可靠，而她對這個差距直言不諱。相關工具大約只有六個月的歷史。代理商可以觀察到引用數量和由哪個模型提供，但之後發生了什麼則是不透明的。

「我們可以告訴你被引用了多少次，但我們無法告訴你之後發生了什麼，」她說。

買方可能會點擊。買方可能會記下公司名稱，或將其放入一份提交給上級的分析中。這些活動今天都不可見。

同時，那些可見的指標在仍在使用舊計分板的人看來是錯誤的。LeadCoverage的搜尋曝光在測試期間成長了83%。Google點擊下降，因為AI答案在點擊發生之前就解決了買方的問題。直接和品牌流量持續攀升——這是買方透過搜尋以外的管道找到公司時出現的模式。

用2019年的假設來看這個儀表板，讀起來像是失敗。Brown預期這種誤讀將成為產業最昂貴的錯誤。

「我們預期看到最常見的錯誤是，公司以點擊來評估這些計畫，並在它們剛開始見效時就關閉它們，」她說。「點擊量正在全面下降。現在重要的衡量標準是，當買方詢問你的類別時，AI是否引用你。今天被引用的來源明天很難被取代，因為這些系統獎勵新鮮度和重複性。這是一個要在競爭對手佔據之前就先行搶佔的位置。」