AI 推荐哪款软件，背后先看信任：Tim Sanders 谈 G2、AEO 与采购代理化

一、嘉宾背景

这期节目来自 Craig S. Smith 主持的 Eye on AI，访谈对象是 G2 的 Tim Sanders。节目标题把问题说得很直接：到底是什么隐藏算法决定 AI 会推荐哪款软件。访谈时长接近一小时，因此它不是一次工具发布访谈，而是一场围绕 B2B 软件发现、评论平台、AI 验证层、AEO、MCP 和未来采购工作流展开的系统讨论。

Sanders 在节目中先交代了自己的双重背景。他说自己在 2024 年秋加入 G2，现在担任 chief innovation officer；此前三年，他是哈佛 AI Institute 的 executive fellow。按他的描述，这个 institute 的任务是让 AI 更容易被商业领导者理解和采用，方式包括案例级研究、出版物和高管 outreach 项目。这让他的视角不只是“卖软件评论数据”，也包括企业为什么信任或不信任 AI。

主持人还提到 Sanders 的书 Love Is the Killer App。Sanders 在节目中把商业语境里的 love 定义为“无私促进他人成长”，并把知识、人脉关系和同理心称为越分享越增长的无形资产。这个看似柔性的开场，后来与 G2 的主题扣在一起：在软件采购中，最有价值的信息不是厂商自己的宣传，而是能帮助他人降低错误选择风险的经验、判断和信任。

G2 本身被描述为软件评论和买方情报平台，最初名为 G2 Crowd。Sanders 说，G2 的创立理念是用 crowd、reviews、community 和 peers 为软件买家提供更高质量的 intelligence，并对抗传统分析师机构的 pay-to-play 模式。到 AI 时代，他把 G2 的新使命概括为“AI 时代的 trust layer”：如果 agents 和 autonomous computing 要在某些场景带来 2x、5x、10x 的业务结果，前提是用户和买家必须信任这些系统。

二、本期主要内容

这一集的主线，是 B2B 软件购买路径正在从搜索引擎结果页迁移到模型对话框。Sanders 称，G2 的研究显示，大约一半 B2B 软件买家已经先询问 AI 模型，而不是先去 Google 输入关键词；一年前这个比例是 29%，他预测下一年可能达到约三分之二。这些数字是 Sanders 在节目中的引用和预测，不能当作独立验证过的市场定律，但它解释了为什么 G2 会把注意力从“人读评论”扩展到“模型在推理时消费评论”。

G2 观察的不是所有聊天场景，而是 commercial-intent prompt：用户明确表达购买、比较、筛选或生成软件 shortlist 的意图。Sanders 举了 CRM 的例子：买家可能要求模型推荐适合中型医院、月付、移动端好用的 CRM；模型返回 shortlist 时，会引用若干来源。G2 追踪的正是这些推荐背后的来源。Sanders 说，G2 当前以明显优势排名第一，第二名会随月份在 Reddit 和 YouTube 之间变化。

节目还讨论了 G2 的规模与商业模式。Sanders 说，G2 有超过 300 万条评论、9000 万年度访客和 2 亿全球软件买家，并在 2026 年 2 月完成对 Gartner Digital Markets 旗下 Captera、Software Advice 和 GetApp 的收购。他把 G2 的收入模式描述为订阅式 marketing services：厂商认领产品 profile，使用 managed review services，获取 buyer intent data，通过 MCP 接入数据智能，并在买家 evaluation stage 投放广告。

这些内容服务于一个核心区分：AI visibility 不等于 winning the answer。Sanders 说，被 AI 引用可以带来流量，但进入最终推荐名单才更可能产生 pipeline。他引用 PromptWatch 的研究称，普通 citation 的平均点击率约为 0.1% 到 0.33%，而与推荐相关的 citation 点击率约为 1% 到 7%；他还说，G2 去年从 OpenAI userbot 获得 100 万 human visitors。所有这些百分比和流量数字，都应按节目中 Sanders 转述的口径理解，而不是本文外部核验后的普遍事实。

节目后半段把话题推进到 AEO、MCP、评论治理和自动化采购。AEO 在 Sanders 的叙述中不只是给网站堆更多关键词，而是让内容更容易被训练、检索、引用和验证。他提到 prompt panel、synthetic prompts、Scrunch、AirOps 和 Profound 等工具路径。MCP 则是 G2 把 verified reviews 和 buyer intent data 接入 agent 工作流的方式：内部用于研究和自动化，对客户用于 headless workflow，也面向 Frontier Labs，让 agents 在 inference 时更容易消费 G2 数据。

三、核心观点：推理、例子与边界

Sanders 的第一层判断是：软件购买推荐不同于一般信息检索。一般问题也许只要求模型从网页内容中识别模式，但 purchase recommendation 会把用户带向真实成本、续约风险和后悔概率。按他的说法，ChatGPT 和 Gemini 处理这类 commercial-intent prompt 时，会在 inference 阶段做 validation-layer work，寻找权威度高、底层数据扎实的 trust signals。这解释了为什么厂商官网即使能被抓取，也未必足以让模型放心推荐。

他引用 First Page Sage 的分析作为例子：在 ChatGPT 软件推荐的验证权重中，41% 来自进入权威榜单及其排名，18% 来自 awards 或 accreditation，16% 来自 online reviews，而且这些都是第三方信号。Sanders 还说，G2 自己的审计显示，其 AI citation 中 60% 来自 Best of Software Awards 和 Best of Category 页面。这里需要保留一个限制：这些权重和比例都来自 Sanders 在节目中引用的研究或 G2 审计，不能写成整个 AI 行业恒定适用的事实；它们更适合作为理解 G2 战略的证据。

第二层判断是：G2 的护城河不只是评论数量，而是评论能否被模型视为可信的人类行为。Sanders 反复强调，G2 评论只能在 G2 平台上撰写，平台会验证评论者身份和软件所有权，并拒绝超过一半的提交内容。节目后半段他又说，G2 会打击 bot 评论、供应商借客户渠道生成的评论、过度激励形成的好评，并可能下架违规评论或暂停供应商。因为模型会给 verified reviews 较高权重，评论完整性就不只是“平台质量问题”，而会变成“AI 推荐分发问题”。

这也带来平台权力的另一面。Sanders 承认，当高权威榜单在 test time 影响很大，而 Gartner、AP、Bloomberg 等一些机构阻止 AI crawl、G2 却不阻止时，厂商可能会把 G2 视为 gatekeeper。再加上他提到 G2 可能拥有约 80% 或更高的软件评论市场份额，这种信任层天然会引发对市场集中度和商业激励的质疑。Sanders 的回应是，G2 不按评论上榜收费，而是对扩大评论量和新鲜度的服务收费；但他也承认，厂商会把今天的 G2 看作一个拥有更多 marketing services 的平台。

第三层判断是：模型可消费性会改变数据源之间的竞争力。Sanders 说，用户以为自己在直接和模型对话，其实是在和 harness 交互；当界面显示 retrieving 时，往往不是模型自己去 Google，而是从供应商提供的抓取数据库取数。MCP 的意义就在这里：它降低实时检索成本，让数据源更容易被 agent 使用。但 Sanders 也提到 tool tax：调用 MCP server 可能暴露所有工具，而 CLI 可以只调用当下需要的工具。因此，MCP 不是魔法通道，而是在通用性、成本、工具暴露和工作流便利之间取舍的接口。

第四层判断是：agentic procurement 会到来，但不会一夜之间完成。Sanders 认为，软件 sellers 现在比 buyers 更积极使用 agents；买方通常仍是让 agent 做事，再由人工评估后购买。他看到的早期信号是 routine renewals：G2 研究中，2026 年超过 10% 的企业已让 agents 建议甚至执行常规续约，包括合同续约、churn consideration escalation 或替代供应商建议。他对三年后 agent 根据业务目标和问题自动写 prompt、找软件，甚至在 guardrails 下完成购买的愿景保持乐观，但也明确说这种状态还没有完全到来。

四、学习与应用

对软件公司来说，这集的第一条应用不是“多写 AI 内容”，而是分开衡量 citation 和 shortlist。AEO dashboard 可以监测可见性，prompt panel 和 synthetic prompts 可以获得方向性判断，但真正接近收入的问题是：在带有购买意图的 prompt 中，产品是否被放进推荐名单，以及旁边引用了哪些可信来源。如果团队只优化普通 citation，可能拿到的是低点击率的解释型流量，而不是进入采购评估的机会。

第二条应用是重新整理机器可读性。Sanders 给出的建议很具体：在网站根目录放 llms.txt，只阻止安全或关键 IP 必须阻止的内容，避免 gating；如果必须 gate，高价值内容在 91 天后应取消 gate；避免难抓取的 PDF，尽量用 HTML 或 Markdown 发布。这个建议的边界也清楚：可读性是基础设施，不是声誉替代品。一个容易被模型读取的网站，仍然需要第三方信任信号支撑，才可能在高风险购买建议中被推荐。

第三条应用是经营可信的第三方证据，而不是试图操纵口碑。Sanders 建议争取权威榜单、奖项和可见的 trust signals，但同时强调好评来自优秀产品，不是单纯索取评论。对产品营销团队来说，这意味着 review program 的目标应是扩大真实客户声音和评论新鲜度，而不是筛选好评。短期声誉技巧可能带来表面可见性，却会损害模型、买家和平台对数据源的长期信任。

第四条应用是把 buyer intent 当作有边界的信号，而不是无限制的个人定向。Sanders 说，G2 可以告诉客户某个公司层面的账号正在研究自家产品或竞品，却不能告诉客户具体部门或个人，也不能代表客户定向发消息。这为销售和增长团队提供了一个可执行边界：这类信号适合触发 account-level follow-up、内容 cadence、CRM 任务或 account manager 提醒，不适合伪装成个人级监控。

第五条应用是预算迁移要渐进。Sanders 说，目前企业每在 AEO 上花 1 美元，就在 SEO tools、services 和 SEM/Google AdWords 上花 60 美元；他认为 2026 年从搜索预算重分配 4% 到 6% 更现实。这个比例仍是 Sanders 的判断，不应机械套用。更稳妥的做法是用小预算建立 AEO 测量、内容可读性修复、第三方信任资产和 shortlist 监控，再根据 pipeline 影响扩大投入。

最后，对产品战略团队来说，节目中的 SaaS-to-harness 判断值得当作方向性假设，而不是确定日程。Sanders 预测软件会从带业务逻辑的 CRUD 数据库，转向由 skills、context、governance、connector tools 组成的 harness，并基于 token consumption 加价收费。这个观点适合用来审视路线图：产品是否能把模型、权限、上下文、连接器和治理组织成可靠工作流；但采用顺序仍要按风险和信任推进，尤其是自动采购、续约、权限变更等高后果场景。

来源

• 原始节目：The Hidden Algorithm That Decides Which Software AI Will Recommend | Tim Sanders, G2