AI 信源池在换血：转述层退场，生产层上位

六个月里，引用池完成了一次换血

2026 年 10 月 12 日，Ahrefs 发布由 Louise Linehan 执笔的研究，样本是 8 月至 9 月间 6660 万条免费登出态 GPT-5.6 Luna 回答，以及背后的约 1500 万条扇出查询。配套的 Brand Radar 美国引用序列把时间窗拉长到 3 月至 9 月，两组数据方向一致：ChatGPT 的引用来源，正在从「转述信息的站点」转向「生产信息的站点」。

具体数字：3 月时约每 5 条回答有 1 条引用 Reddit，到 9 月下旬变成约每 43 条 1 条，降幅约 88%；Wikipedia 从每 7 条 1 条降到每 35 条 1 条；PubMed 在美国被引站点中的排名从第 64 位升到第 4 位，FDA 首次进入第 8 位；WebMD、Healthline、Investopedia 这类转述型门户集体下滑，WebMD 从第 18 位跌到第 79 位。

一对站点的对照最能说明问题

PubMed 与 WebMD 的此消彼长，被多家媒体视为这轮迁移的缩影：一个原始文献库升了 60 位，一个消费级健康摘要门户跌了 61 位。同为健康信息入口，引擎把引用权重给了离证据更近的那一个。Ahrefs 对此的概括只有一句——引擎正在从汇总信息的站点，转向生产信息的站点。Search Engine Journal 当日也以「ChatGPT 的最多被引站点正倾向一手来源」为题报道了这项研究。

断崖发生在两周内，而不是缓慢漂移

只看半年首尾，容易以为这是平滑过渡。把时间放大到 8 月，事情更像一次断崖。OpenAI 在 8 月初上线 GPT-5.6，几天之内多家跟踪工具捕捉到 Reddit 引用骤降：Promptwatch 记录 Reddit 在 ChatGPT 搜索引用中的占比，从 7 月 18 日至 8 月 7 日的 3.83%，降到 8 月 14 日至 17 日的 0.52%，相对降幅 86.4%。另一家工具 Otterly 统计的 16 份品牌报告里，Reddit 日引用从 497 降到 132；同期 ChatGPT 每日引用总量反而上升约 3.5%——不是引用变少了，是引用换了地方。

这个细节值得单独强调： Reddit 占比下降与引用总量上升同时发生，说明引擎并没有收紧引用，而是重新分配了引用。把资源押在「某个站点现在被引多」上的策略，遇到这种再分配时几乎没有缓冲。

需要交代口径边界：Ahrefs 的样本全部是免费登出态会话，付费登录用户可能呈现不同结构；Reddit 序列与扇出样本来自两个数据集，月份范围也不一致，不能拼成一个统一比例。研究者 Stefano Galloni 在转发这项研究时也提醒，信号有用，但数据集边界要分清。另外 Otterly 本身销售 AI 可见度监测服务，阅读其数字时应知道这一立场。

查询词的变化泄露了引擎想要什么

研究还统计了扇出查询里的用词：英文查询中出现「official」的比例从 8 月的 10.1% 升到 9 月的 13.1%，「price」从 6.04% 升到 8.88%。也就是说，引擎替用户改写问题时，越来越多地把「找官方、问价格」编进检索意图里。用户可能只问了「哪家公司做这件事比较好」，引擎实际去检索的查询里，却带着官方与价格两个字眼。这与同期多项观察相互印证：官方与权威来源的权重在上升，「谁在说话」正在变得与「说了什么」一样重要。对普通企业的解读是：官网的实体信息要清晰一致，让引擎能确认页面背后是谁、是否就是用户要找的那家。

另一组常被忽略的数字：6660 万条回答里，只有 14.4% 触发了联网检索，触发时平均只发约 1.6 条查询。大部分回答依赖模型已经记住的内容。这意味着一旦某个信源被模型长期信任，它的受益是复利的；反过来，靠单次抓取临时冲进引用池的机会窗口更小。对企业的直接提示有两条：一是新内容发布后要有耐心，被检索、被记住都需要时间；二是与其追求发布数量，不如让每一篇都可能成为模型愿意长期调用的那个信源。

被夹在中间的转述层最危险

二手转述正在失去引用资格

这轮换血里受冲击最大的，未必是低质采集站，而是那些把别人的研究、新闻、讨论再复述一遍的普通内容页：既没有一手数据，也没有被引擎长期信任的聚合地位。模型自身已经能做概括，纯转述的价值被压到最低。

企业内容恰好常卡在这一层：行业趋势复述、新闻通稿式更新、观点转述稿。它们不缺文采，缺的是只有自己才有的那一部分——执行过程、真实数据、踩坑记录、方法推导。

把内容往生产层挪一挪

往生产层靠，不要求每家公司都发研究报告。可行的路径包括：把服务过程中的统计口径公开写清楚；案例复盘写过程与决策，而不只写结果；把常见问题的回答写成可整段引用的完整句；引用数据要么注明公开出处，要么注明「本站统计」并交代样本与时间窗。这些动作的共同点，是让页面提供别处查不到、又能被核验的信息。做起来慢，但慢正是它的护城河：转述可以一夜批量生成，一手内容只能一家一家长出来。

中文企业的生产层原料在哪里

四类素材大多数公司已经有

做生产层内容，最缺的往往不是新数据，而是把已有材料换一种写法。四类素材值得优先盘点。一是服务过程记录：项目里实际执行的步骤、遇到的问题与处理方式，这类内容天然只有执行者写得出来。二是内部统计：咨询量结构、客户常问问题的分布、报价区间的构成，只要写明「本站统计」并交代样本与时间窗，就构成可核验的一手信息。三是方法推导：把「为什么这样做」讲透，而不是只给结论。四是对公开数据的再加工——注意再加工不是复述，要补上自己的口径、对比维度或适用边界，否则就退回转述层。

写法上让段落可被单独引用

生产层内容还要经得起摘取。一段话只讲一件事，关键结论写成不依赖上下文也能成立的完整句；数字给出处和日期；术语第一次出现时用一句话解释。引擎抽取引用的是段落而不是整页，段落越自足，被整段搬进答案的概率越高。这也是前几期多份研究反复指向的同一件事：引用的最小单位是段落，内容的最小生产单位也应该是段落。

换血速度本身就是一条经营启示

最后值得记住的是时间尺度：一次足以把 Reddit 引用打掉近九成的调整，在公开跟踪里只用了两周，而完整确认用了半年。企业若把某一次「某平台引用多」的当期读数当成长期资产重仓投入，风险不小。更稳的做法是把内容建在生产层——一手信息加可核验口径，这类资产不依赖某个平台的当期偏好，下一次换血时反而可能被抬起来。

自查可以先问三个问题：我们官网上有没有只有我们能写出的内容？这些内容里的关键数字能不能被核验？如果把「转述层退场、生产层上位」当作考题，现在的稿子答得上吗？答不上的时候，优先补的不是排版和数量，而是生产层含量。

监测上也不必天天盯数字。这轮研究里，两个月内的两次快照就能看出方向性变化，企业按月或按季度记录一次「各引擎引用了哪些页面、哪些站点与我们同池」即可，重点看趋势而不是单点读数。数据每次都要记下分母与样本边界，否则上一次和这一次根本不可比。