AI搜索时代,你的品牌被AI推荐了吗? 免费获取AI搜索可见度诊断 →
GEO研究

32 份研究复盘:GEO 的动作清单还没写出来

一份 32 项研究的复盘和两个「没测出结论」的预注册实验,正好说明了 GEO 现在的处境:结果层的证据很硬,动作层几乎是空白。企业该把预算押在承诺上,还是押在能被复算的观测上,答案比想象中清楚。

先看结论:三十二份研究,能用的答案只有一半

2026 年 11 月 18 日,Search Engine Land 刊出 Kevin Indig 的复盘,把 32 项 AI 搜索研究放在一起看。研究来自不同国家、不同人群、不同产品,方法有调查、有浏览数据、也有模拟任务,作者没并成一个统一数字,只做了分层判断。

判断是两句。AI 答案让用户少点外链,证据已经比较硬,甚至出现了随机对照实验;但改什么能让页面更容易被引用,到现在还没有一份经得起复算的清单。

这两句分量不同。前者是企业必须接受的环境变量,后者是所有做 GEO 的人都该承认的空白。

结果层:点击变少这件事,已经有实验撑着

先看站得住的部分。皮尤用 900 名美国成年人的真实浏览行为统计过,出现 AI 摘要时,用户点击传统结果的访问占 8%,没有摘要时 15%,摘要内部链接更低,约 1%。数据 2025 年 7 月发布,只覆盖美国。

更近的证据从观察走到了干预。Agarwal 与 Sen 的随机田野实验发现,AI Overview 出现时站外自然点击下降 39.8%,零点击搜索上升 34.5%。另一个 1,100 人实验里,把用户直接导向 AI Mode,站外点击率比普通搜索低 18.8 个百分点。随机分配意味着这两组数字可以谈因果,不只是相关。

反例也要一起看

Semrush 和 Datos 测了 20 多万关键词,在开始显示 AI Overview 的那批查询里,零点击率反而下降。看着打架,其实是口径问题:零点击率和点击率量的不是同一件事,关键词怎么选也会造出相反曲线。这一层能当环境变量用,不能当预测器用。你的站会掉多少,没有一份复盘能替你算。

动作层:被检索、被采用、被点名,是三件事

第二层才是所有人真正关心的:做什么才有效。这一层证据明显更薄。

AirOps 测了 15,000 个提示词、548,534 个被检索页面,ChatGPT 检索到的页面里 85% 最终没进引用。进候选池和被写进答案之间,还隔着一次筛选。更能说明问题的是:在出现在搜索前 20 名、且最终被引用的页面里,32.9% 是靠回答过程中新生成的附加搜索找到的,用户原始问句根本搜不到它。只盯原始问句做优化,会漏掉三分之一机会。

位置也有关系。Indig 与 AirOps 的联合研究里,第一个被检索到的页面引用率 58%,排在后面只有 14%。

被引用了,也未必被记住

再往下还有一层损耗。Semrush 记录了 3,981 次域名出现在 AI 答案中,61.7% 是有引用但没点品牌名,25.1% 是提品牌但没给引用,两样都有的只有 13.2%。用户读到一段你提供的事实,却不知道是谁提供的,这比想象中常见。

所以引用率最好拆三段:有没有被检索到、有没有被采用、有没有被点名。

两个空结果:这块地为什么这么难测

如果说复盘说明没有清单,那么 11 月 10 日发布在 Zenodo 的两个预注册实验,解释了清单为什么难写。

研究代号 E097、E100,测两个朴素问题:URL 里的描述性词汇影响不影响 AI 引用,正文紧跟 H1 影响不影响 ChatGPT 引用。方案 10 月 21 日预注册,10 月 26 日采集,250 次调用,241 条有效观察。

结果干净也扫兴。ChatGPT 侧 161 条有效观察,两个实验的目标页一次没被引用。Perplexity 侧出现 9 比 0,看着像结论,但研究者采集前就登记了下限:至少 22% 的有效观察要出现引用,折算是 18 条。9 条不够,他们不认这个差。还有个麻烦细节,Google 早把这两个地址当成同一文档的重复版本,页面各自声明 canonical,在搜索引擎眼里却不是两篇独立内容。

看着显著的数字,可能来自三个问句

E100 的插曲更值得抄下来。ChatGPT 一条都没引,但对两个版式的检索呈现次数不同,23 次对 10 次,占 80 条有效观察的 28.75% 和 12.5%,差 16.25 个百分点,区间不跨零。拆到单个问句就露馅:八个问句里三个贡献了全部净差,另外五个还在往回拉。

他们最后公开发表了这份答不上问题的实验,原话大意是,宁愿发一个没能回答问题的测试,也不愿把有趣的数字包装成它撑不住的结论。

企业该怎么用:把动作承诺换成观测承诺

证据状况如此,验收方式就得跟着改。合同里写每月交多少篇、覆盖多少关键词,是用工作量替代效果;写三个月进某平台前三,是承诺一件没有实验支撑的事。能写进去的是观测方式。

验收条款写观测,不写结果

口径要能复算:哪几个平台、哪批问句、每条问几次、观察多久。原始数据要能导出,包括没出现引用的记录,只交好看的截图没意义。检索与引用分开记,两个动作混在一起会掩盖真实进展。还要允许报失败,一个月没变化本身就是信息。

内部做小实验,先定下限

自己测不难,难在别自欺。动手前定下限,比如某个比例的有效观察必须出现引用才解读差异,没到就写样本不足。测两个相似地址前,先确认它们在搜索里是不是同一篇。看结果别看汇总,按问句拆,看是不是两三个问句撑起全部差距。同一问题重复问,次数要够。

需求侧的变化:决策正在挪到点击之前

还有一条线不能漏。AI 推荐会影响谁进入买家候选名单,哪怕这次交互没有点击。Growth Memo 与 Wynter 的调查里,200 名受访者有 145 人在用聊天机器人调研后仍去了厂商官网;本来就有候选名单的人里,62.7% 说机器人给他们介绍了另一家。

更极端的是 Profound 的 224 个 ChatGPT 购物任务,92.8% 结束时没产生一次有意义的开放网页访问。同一家机构用自愿加入的浏览面板观察,品牌被 ChatGPT 提到后七天内,该品牌官网访问比按历史行为推算的预期高 2.07 个百分点。观察性设计,不能当因果读,方向是清楚的。

消费者愿意让 AI 做多少也有边界。Gartner 调查里,31% 的人愿意让 AI 缩小家庭日用品选项,个人电子品类 28%,愿意让它直接下单的明显更少。

这些数字合起来指向一件事:只按引荐流量考核会系统性低估 AI 的影响,把被提到直接算成业绩又会系统性高估。中间那段没法归因的部分,只能靠品牌搜索、直接访问和成交一起看。

现在能承诺什么,不能承诺什么

把材料放在一起,边界就清楚了。

能承诺的是过程:事实写准,口径写清,每次观测的原始记录留下,按季度复盘而不是按月报喜。能承诺的是可复现,别人拿同样的问句集跑一遍能得出大致相同的数。这在 2026 年已经算相当硬的交付。

不能承诺的是某个具体改动必然带来引用。URL 写法、正文位置、结构化数据、更新频率,在相关性研究里都出现过一些小斜率,一进预注册的对照实验,要么低于下限,要么被两三个问句左右。当顺手做对的习惯没问题,当付费买的效果就危险。

这份复盘最有用的地方,或许是它承认自己给不出答案。对一家做 GEO 的公司来说也是提醒:客户买的不是保证,是一套能自己验证的观测。等动作层的对照实验攒够了,清单自然会有人写出来。

免费获取 AI 搜索可见度诊断

看看你的品牌在 DeepSeek、豆包、Kimi、文心一言、通义千问、腾讯元宝等平台中是否被提及、被引用、被推荐。

免费获取诊断报告 直接联系顾问

常见问题

这份 32 项研究的复盘到底说了什么?

两句话。AI 答案确实减少了站外点击,这一层有随机对照实验支持;但哪种内容改动能稳定提升 AI 引用,研究还没形成共识。复盘没有把 32 项研究合并成统一数字,因为样本、国家和产品口径差异太大。

为什么那两个预注册实验没能得出结论?

引用次数没到采集前登记的下限。E097 里 Perplexity 给出 9 比 0 的差距,不足预先定下的 18 条;ChatGPT 侧 161 条有效观察一次都没引用目标页。另外 Google 已经把两个相似地址识别为同一文档的重复版本,它们从一开始就不算独立对照。

被 AI 检索到和被引用,差别有多大?

差别很大。AirOps 测的 548,534 个检索页面里,85% 没有进入最终引用。检索是进入候选池,引用是被答案采用,两者之间还有一次筛选,指标要分开记。

那企业现在还要不要投入 GEO?

要,但按观测验收。合同里写清平台、问句集、提问次数和观察周期,要求原始数据可导出,检索与引用分开统计,并允许如实报告没有变化的月份。这些都能验证,比承诺排名可靠。

看到「某方法让引用率提升 40%」这类说法,怎么判断?

先问四件事:分母是什么、样本多少、有没有随机或同站配对对照、文档是模型直接喂进去的还是引擎自己检索到的。喂进去的测试只能解释给了文档之后怎么选,不能证明改动能被搜到。

免责声明

本文为深圳八方网络原创内容,观点基于公开信息与项目实践整理,仅作行业观察与方法分享,不构成对任何具体项目优化结果的承诺,也不构成法律、财务或投资建议。

文中涉及的搜索引擎与 AI 平台规则、算法与展示形式可能随时调整,请以各平台官方公告为准;文中提及的第三方品牌与商标归其权利人所有,仅用于说明与比对。

转载请注明来源并保留原文链接(https://www.szbfw.cn/insights/geo-evidence-hierarchy-32-studies.html),不得删改标题与结论后二次发布。