AI 引用的入口正在换：视频凭什么被翻到

视频成了 B2B 品类里最常被引用的来源

2026 年 5 月，Meltwater 发布一份覆盖六大模型、950 万条 AI 引用的分析，结论直接写在新闻稿标题里：在 B2B 品类中，YouTube 是被引用最多的来源，LinkedIn 排第二。几乎同一个时间段，Ahrefs 对 140 万个 ChatGPT 问题的统计给出了另一种画面：YouTube 作为引用被展示出来的比例只有 0.51%。第一名和千分之五，看起来是两个世界。

两个数字并不冲突，它们的分母不同。Meltwater 数的是「所有出现在答案里的来源」，把视频、社交平台、媒体放在同一个池子里比份额；Ahrefs 数的是「某个具体问题下，某条结果被展示为引用的概率」。前者回答谁占的坑多，后者回答某个坑有多难进。做内容决策时看错分母，往往会得出完全相反的行动建议。

同一条视频，在不同引擎里是两种命运

形态偏好本来就是分引擎的。Semrush 统计 2026 年上半年美国市场数据，Google AI 模式里 YouTube 的引用份额约 21.1%，Facebook 约 17%，影音与社交内容占比明显靠前；换成 ChatGPT，主流来源又回到文字社区与百科。Foglift 在 11 月 3 日更新的样本里，被引最多的域名 youtube.com 也只占全部引用的 1.8%——没有哪个平台能垄断引用位。

这解释了为什么「做视频」的经验常常对一半、错一半：在 AI 概览和 AI 模式里有效的做法，搬到 ChatGPT 里可能连展示机会都没有。判断标准不该是「视频到底有没有用」，而是「我的客户在哪个引擎里问这个问题，那个引擎读不读视频」。

更具体地说，同一个采购问题在不同入口会走向不同的答案池。用户在企业微信里问同事、在搜索框里打字、在对话框里追问，触发的检索路径不同，被翻到的内容形态也不同。把「内容形态」当成渠道选择问题而不是素材问题，是这一轮 GEO 里比较少被讲清的一层。

视频被引用，靠的是被转写出来的那部分

引擎并不真的「看」画面。它读的是标题、描述、字幕、章节、转写稿，以及视频所在页面上那段文字说明。画面里的信息如果没有变成句子，在检索层就等于不存在。所以视频被引用的机制，本质上仍然是文本机制：先被切成可以被检索的段落，再被摘成可以独立成立的结论。

一条视频在检索里能留下什么

留下的通常只有几样：一个对准问句的标题、若干带时间戳的章节、一段能被切成两三句的说明文字、以及页面上与视频同义的正文。这四样东西缺一样，视频就只是一个文件，不是一条可被引用的证据。很多企业把片子传上去就结束了，剩下的文字部分没人写，引擎也就无从引用。

画面不能替代句子

这也是「视频比文字更容易被引用」这种说法常被误读的原因。视频的优势在于它天然按「问题—解释—结论」组织，容易长成问答对；但它必须先把这套结构落成文字，才能进入候选池。换句话说，视频不是绕过文字层的捷径，而是给文字层多准备了一份原料。原料再好，没有加工环节，仍然进不了引用池。

90 天只发视频、官网不动的那次实验

2026 年 9 月的 brightonSEO 大会上，Uberall 分享了一个 90 天实验：第一阶段刻意不修改官网，只围绕用户在 AI 里会问的具体问题制作视频，标题直接对准问句。结果品牌在 AI 回答中被提及的比例从 20% 升到 40%，回答附带品牌来源的比例从 4% 升到 8%，YouTube 来源的排名从第 30 位升到最高第 2 位。

实验做了什么，没做什么

需要交代边界：这是单一公司在一次行业会议上的分享，样本规模未公开，数字来自多家 GEO 博客的二次转述，没有对照组的完整说明，也没有排除同期平台自身调整的影响。把它当成「做视频就能翻倍」的证据并不严谨。但它的做法值得借鉴——先定问题，再拍内容，标题就是用户的原话。

能借鉴的是结构，不是倍数

这个结构之所以有效，是因为它同时满足了三件事：标题本身是一个查询，视频正文是一个完整答案，页面上还有一段同义文字。三处指向同一个结论，引擎在做交叉验证时更容易判定这条内容「确实在讲这件事」。倍数不必照抄，结构可以直接搬。

中文侧的数字更乱，先别急着定预算

国内关于「豆包引用抖音占比」的公开数字至少有四个版本：42%、55.3%、28.62%、11.85%。差距不是有人造假，而是分母不同——端不同、问法不同、取数接口也不同。有监测显示豆包 App 端引用抖音内容约 28.62%，切到网页端掉到 11.85%；领域知识类问题的内容社区占比，明显高于社会热点类问题。

四个数都对，也都不能直接用

这些数字多来自第三方监测或媒体转述，监测方、样本量、时间窗往往没有完整披露。用其中一个去反推「该投多少预算在短视频上」，风险很大。更稳妥的用法是看方向：中文引擎的信源结构里，同生态内容确实占优，视频类内容的份额在上升，这一点多个来源相互印证。

稳的是结构，不是比例

跨机构、跨样本反复出现的规律只有三条：信源集中度高，前几个来源吃掉近一半引用；生态优先，自家平台先被翻；冲突时高层级来源胜出。这三条不随月份变化，可以作为长期判断的依据。具体百分比会变，结构不会。预算该按结构分配，而不是按某个月的百分比分配。

把视频资产变成可引用资产，先做五件事

第一件是把标题写成问句。用户的原话比企业内部的命名更接近检索词，「车间除尘改造大概要多少钱」比「除尘系统解决方案介绍」更容易被匹配。第二件是给视频加章节和字幕，让内容有可定位的时间戳，引擎切片时才知道哪一段在回答什么。第三件是在视频所在页面写正文，不能只有一个播放器加一行标题。

第四件是把视频里说过的关键事实，在同一页面上用文字重复一遍，包括数值、口径和时间。第五件是跨模态一致：视频里说实测 0.02，页面就别写「低甲醛」，否则引擎在做交叉验证时会判定这组信息不可靠，采信度反而下降。这五件事都不需要重新拍摄，只需要补文字层。

先补文字层，再谈拍摄

顺序很重要。已经有一批视频的企业，先做可读化改造，成本低、见效路径清楚；还没有视频的企业，先用文字把问题覆盖好，再挑转化最关键的几个问题去拍。反过来做，很容易拍了一堆片子，检索层什么也没留下，团队还会误判成「视频没用」。

一致性比精良度更影响采信

引擎不评价画面好不好看，它判断的是这组信息能不能互相印证。同一件事在官网、视频、文字稿里说法一致，比画面精致但说法各异的素材更有用。对多数企业来说，这是投入产出比最高的一步，也是最容易被忽略的一步。

哪些企业现在就该动

判断标准很简单：客户在做决定之前，需不需要「看见」。设备怎么运转、工艺怎么走、施工现场是什么条件、检测报告怎么读——这类问题用一段视频解释，成本远低于写三千字。反过来，纯标准品、纯价格竞争的业务，文字层的信息密度更重要，视频可以缓一步。

还有一层容易被忽略：视频带来的引用，未必都指向你的官网，很可能指向平台上的那条视频。品牌被提到了，流量却留在了平台。所以在做视频的同时，官网那一页的文字摘要不能省——它是把引用导回自有阵地的唯一接口。内容形态在变，被引用的仍然是可以被切开的句子；先把句子准备好，形式才有意义。