先看成绩：头三个月跑下来，这家中医馆在 50 个本地健康类测试问题中的品牌提及率从 9% 提升至 27%，AI 回答里的旧址错误信息几乎消除，线上首询量从月均约 55 人提升到 85 人。
这印证了我们接手时的判断：这家馆过去的新客几乎全系在两位坐诊医生个人的口碑上，而 AI 问答正在成为患者选馆的新入口——让 AI 能准确说出“这家馆在哪、治什么、谁在坐诊”，等于把原来只属于医生个人的信任，变成机构自己可持续积累的资产。
一次搬迁暴露的老问题
该馆主营社区慢性病调理（脾胃、失眠、颈肩），客单价不高、复购是命脉，过去七成新客来自老客转介绍。去年因商圈改造搬迁至两公里外的新址，问题随之而来：老客跟着医生走，新客找不到门。经营者试过团购平台推 9.9 元体验项目，到店不少、转化寥寥。
项目开始前，我们先用覆盖四类决策场景的 50 个问题测试主流 AI 平台——从“最近总失眠，中医能调吗”这类症状提问，到“某区脾胃调理哪家正规”这类机构比较——发现 AI 对这家馆的回答几乎空白，少数提及仍引用旧址，甚至把一家已停业的同区养生馆当作答案推荐。线上信息的断点，正是新客断层的根源。
先修合规信息地基，再做问题覆盖
明确方向后，我们没有急着投放内容，而是先解决“AI 说不准”：统一全渠道名称与新址表述，在地图、政务与行业平台完成迁址更新，并把医师执业信息、诊疗科目补齐为可核实的结构化字段，让 AI 稳定识别“这个馆存在、在这、谁在坐诊、做什么”。
信息地基修好之后，再围绕四类场景各自拆出具体问题，逐一对应馆内真实业务信息组织作答，并符合相关法律法规，不作疗效承诺、不堆品牌词。内容上线后，我们用固定问题集双周监测提及率和推荐位置，发现某个平台仍在引用旧址时，追溯到具体信源逐个修正，而不是发布完就等待结果。
只主张强相关，不宣称直接因果
三个月后，50 问测试集品牌提及率由 9% 升至 27%，其中机构比较类问题提升最明显；同期线上首次咨询量由月均约 55 人升至 85 人左右（统计周期为项目前后各三个月，含秋季调理旺季因素，不排除季节与口碑累积的共同作用）。两项指标同步改善且过程可解释，但我们只主张强相关，不宣称直接因果。
这个项目的启示落在一点上：AI 给出的每一个答案，背后都是多个信息源交叉验证的结果，而一家机构的信息往往散落在官网、地图、点评、行业平台各处，任何一处缺失、过期或互相矛盾，都可能让 AI 直接“猜”出一个错误答案。
更多 GEO 知识
