作者用 5 万条编造统计数据测试 ChatGPT 引用机制

我编造了5万条被ChatGPT引用的统计数据后，关于AI搜索我学到了什么……

大约7个月前，我上线了一个包含5万条统计数据的网站。每一条都是假的。

Google已经忘了这个网站的存在，并将页面取消索引，但ChatGPT没有。自网站7个月前上线以来，它已为其带来了超过1万次AI会话。如今，包括Shopify、Bluehost和DHL在内的330多个引用域名链接到该网站。它编造的数字还出现在了一篇学术论文和一家银行的投资研究中。

在Peec AI以及整个行业，我们每天都在谈论GEO和SEO，并不断寻找新策略。我在这个统计页面项目上已经投入了很长时间，期间也公开分享过部分内容。当然，这是实验性的，但结果很难被忽视。 

发布虚假统计数据的想法从何而来

用统计数据填充网站的想法，源于我长期以来对LLM、相关性工程和接地（grounding）的研究（感谢iPullRank团队、Dan Petrovic和Wil Reynolds）。

在工作中，我注意到一个模式：随着越来越多的团队用LLM撰写时效性强和突发内容，这些LLM在研究中必须寻找（看似）可靠的数据来填补知识空白。统计数据往往正是它们要找的东西。

大多数GEO建议都聚焦于一个时刻：让你的品牌进入AI答案。这个实验关注的是答案之后会发生什么——当人们获取该输出并使用它，将其放入演示文稿、加入购物清单，没错，还发布到自己的网站上。

这个实验的想法并非我一人想出。向Seer Interactive致敬，他们已在2025年8月发表了一项令人大开眼界的研究，让我脑中萌生了一些想法。几个月后，这些想法汇聚起来，终于排到了我待办事项的最前面。2026年3月，我开始着手搭建这个能让我验证想法的网站。

设置：一天内建成的网站和5万条编造统计数据

为那些没有实时关注我进行这个实验的人提供快速背景：

我买了一个全新的域名stateglobe.com，并用GPT-4.1在一天内生成了5万个统计页面。该网站声称提供来自200个国家的SEO、内容营销、社交媒体、电子商务和网络技术统计数据。只不过每个数字都是完全虚构的。我一个都没有核实过。我用一个基础的AI网页设计模板将它们推送到网站上。这花了我大约30美元。后来，我又在统计数据之上添加了1.5万篇列表文章。这又花了大约20美元，所以总的来说，这是一个成本极低、约50美元的实验。

我第一次分享它时的反应非常热烈。当我的朋友Kevin在Growth Memo中推荐它后，它触达了更广泛的受众。我认为人们对这项工作反应如此热烈，是因为它展示了出色的结果，同时也触及了人们对AI搜索结果中最终会出现什么的担忧。

发生了什么

1. Google几乎立刻埋没了这个网站

网站上线时，流量、索引和互动最初都进展得非常顺利。使用索引工具，我让几乎整个网站在一周内被索引，并开始出现在Google搜索结果中。

随后，Google在网站上线后紧接着发布了两次更新，我的Google可见度随之崩溃。

我在 Google 上已经隐身好几个月了。索引页面的展示次数在 5 到 20 之间波动。有一次我很好奇，创建了一个子域名，想看看能不能提高展示次数，但并没有什么用。

除此之外，我没有动过这个网站。有些页面现在可能偶尔还会加载失败。我也不清楚。

但当我坐下来写这篇文章时，我查看了 Cloudflare 里 7 个月后的抓取数据。

仅在过去 30 天里，这个网站就收到了超过 60 万次来自机器人的请求。其中大约 7.2 万次来自 ChatGPT-User。这是 ChatGPT 在回答用户问题时实时打开页面所使用的代理。所以这些不是训练抓取。每一次都是 ChatGPT 在抓取一个虚构的统计页面来回答一个真实的问题。

1. 与 Google 不同，ChatGPT 从未停止过抓取这个网站

当我说“从未停止”时，我的意思是 ChatGPT 真的从未停止过。

7 个月后，该网站现在拥有 330+ 个引用域名

根据 Ahrefs 和 Semrush 的数据，该网站有来自 330+ 个其他网站的链接。其中包括 Shopify、DHL 和 Bluehost 等知名品牌。如果 Google 表现强劲，这些数字可能会更好。

ChatGPT 至今仍在引用它

Google 可能已经忘记了这个网站，但 ChatGPT 显然没有。该网站上线 7 个多月后仍在获得引用和流量。

如果你读过 Tomek 的 ChatGPT Index 研究，那你很幸运，因为它是了解 ChatGPT 搜索工作原理的绝佳入门。如果你还没读过，现在就把它加入你的阅读清单，因为它有助于解释为什么我的网站能如此长久地存在于 ChatGPT/OpenAI Index 中。 

一个完全虚构的网站仍然表现如此出色，令人震惊。自 3 月以来，GA4 显示仅来自 ChatGPT 的会话就有 10,000+ 次，而 Cloudflare 显示该网站在检索方面得分很高。

我没有把直接会话计入总访问量，因为它看起来主要像机器人流量。还记得死互联网理论吗！

在我于 2026 年 6 月加入 Peec 之后，我还在我们的工具中设置了一个可见性仪表盘来跟踪一些提示词。它们的表现依然强劲。10 月 7 日，stateglobe.com 在这些提示词的可见性排名中位列第二，仅次于数据巨头 Statista。

检索不等于排名

持续的检索是第一个重要教训：在 Google 上排名和被 LLM 检索是两个不同的问题。

当 ChatGPT 搜索时，它不只是复制 Google 的前 10 名。它会把你的提示词改写成自己的子查询（称为 fanout 查询），从其搜索来源和自有缓存中拉取候选内容，重新排序，然后打开少量页面来为答案提供依据。一个页面可以在 Google 上不可见，却仍然在 LLM 的每一个步骤中表现良好。

StateGlobe 就是一个很好的例子。虽然 Google 放弃了它，但 AI 检索机器人却不断回来。

对于 GEO 而言，这意味着 Google 排名只是一个信号，而不是全貌。如果你只跟踪 Google，你就会错过一个即使在 Google 说“不”时也能发挥作用的渠道。

1. 虚假数据变成了真实引用

你可能会以为，如果一个网站在信息检索工具中表现良好，它的信息就会开始出现在外面。你是对的。 

StateGlobe 完全建立在虚假数据之上，使用的是最便宜的模型，提示词不过是一份国家和主题的列表加上两句话。尽管如此，输出结果却……

……被一篇学术论文引用了……

……被卡塔尔最大的金融集团用于投资研究……

……被印度的一家经济类出版物引用……

……并被加拿大一个网红社区的研究报告用作来源。

请注意，这些只是链接回 StateGlobe 网站的引用。想必还有更多使用这些数据但没有附链接的情况。

令人不安的隐含意味：引用洗白

第一天，StateGlobe 上的一个假数字毫无权威性。它只是一个全新域名上的随机统计数据。

然后一篇学术论文引用了它。接着是一家银行。现在，下一个找到这个数字的人，或者下一个模型，看到的是一个带有来源的统计数据。而这个来源被严肃机构引用。

假数据当然没有变成真的，但每一次引用都让它看起来更可信。

情况有可能变得更糟：经过如此多的检索和引用，这些页面最终会进入网络爬虫，而网络爬虫最终会进入训练数据（我希望这还没有发生！）。一个最初只是 GPT-4.1 猜测的数字，可能变成下一个模型“知道”的东西。

这指向了这个实验所暗示的更大风险，这也是我把它作为研究分享、而不是作为虚假内容操作手册的原因。核实来源应当成为写作者和研究人员工作流程中不可或缺的一部分。

1. 最后，我们尝试用真实数据运行我们的实验

开始在 Peec 工作后，我决定再试一次这个测试的另一个版本。作为 GEO 研究团队，我们讨论了截至当时的结果，并很快上线了一个简单的新页面。这一次，没有编造的数字，我们核实了每一项统计数据并正确标注了来源。你可以在这里查看：peec.ai/ai-search-geo-statistics。

几乎立刻，我们怀疑使用 AI 撰写内容的网站开始链接到我们。第二次，使用第二个网站，通过发布统计内容来获得链接，证明了一个理论上强有力的策略在现实中确实有效。

经验教训

为什么发布统计数据会带来 LLM 引用

这两次测试表明，LLM 在被要求撰写文章时，强烈偏好寻找统计数据。机制很简单：

1. 越来越多的内容是用 LLM 写的。

2. 当 LLM 写作时，它会研究合适的主题。

3. 当 LLM 遇到空白时，它会寻找一个数字来填补。

这个过程背后的原因同样清楚。

研究意味着发出请求统计数据的扇出查询

当提示词需要研究时，模型会将其拆分为子查询，并添加“统计数据”“数据”“报告”或当前年份（如果提示词文本中也要求了）等修饰词。如果有人要求模型撰写一篇关于远程工作的博客文章，模型会搜索“remote work statistics 2026”。针对模型搜索的内容而非人类输入的内容进行优化的页面，会更频繁地出现在 LLM 结果中。

数字看起来像是可以填补知识空白的证据

当模型被要求起草一篇文章时，引用一个写着“远程工作正在增长”的页面几乎不增加权威性，而且仍然含糊。如果那个页面改为写着“X% 的员工每周至少远程工作一次”，突然就有了具体、可引用、有增量的东西。当模型为答案提供依据时，一个具体的数字是它能找到的最有用的东西。这些数字看起来像证据，尽管正如这个实验所证明的，有时它们并不是。

模型不会核实数字

一篇基于搜索、由 LLM 撰写的内容，在延迟和成本上的预算都很紧张。系统会抓取几个页面，提取相关段落，然后开始写作。整个过程中没有任何环节进行事实核查。

核实一个统计数据就意味着要找到独立来源、进行比对并解决冲突。面对数百万用户发出的数十亿条提示词，时间和金钱成本会不断累积，使得核查在实际上变得过于缓慢和昂贵。

为了绕开这一点，LLM 使用重排序器来给相关性打分，而不是给真实性打分。这意味着，如果某个段落与查询匹配且看起来权威，它就会被采用。

统计数据自带一种时效性，像

我之前写过 ChatGPT 的近期偏好，即它在给来源打分时的倾向。统计页面会在标题、各级标题和 URL 中包含年份。这是三个内置信号，告诉模型页面上的内容是新鲜的。

如何正确地构建统计页面

我做的两项测试表明，统计页面是让内容被 LLM 引用的非常有效的方式。虽然我绝对不建议编造虚假数据，但你可以利用我们这个小测试的经验，用真实数据创建自己的页面。以下是在 Peec 行之有效的做法，以及如果我再做一次统计页面会怎么做。

• 每句话只陈述一个论断。 每个统计数据都应该脱离上下文也能独立成立。检索不是按页面进行的，而是按段落进行的。如果一个数字需要上一段才能理解，它很可能不会被提取。

• 在每个数字旁边标注来源和年份。“根据[来源]（2026 年），X%……”这有助于模型、人工编辑以及你的可信度。这是一条小小的信息卫生习惯，却有益于更广泛的信息环境。

• 让标题匹配发散查询。 你页面上的标题应该匹配 LLM 搜索互联网的方式：“[主题] 统计数据”“[主题] 市场规模”“[主题] 各国采用率”。要按模型运行的查询来思考，而不只是人们输入的关键词。

• 显示更新日期（并真正更新它）。 时效性是模型会考虑的真实信号。过时的统计页面会输给更新的页面。

• 让统计数据易于抓取。 使用服务端渲染的 HTML，而不是把数据藏在 JavaScript、标签页或图片后面。另外，务必检查你的 robots.txt 以及 CDN 或 WAF 规则。你的网站可能在不知不觉中屏蔽了 AI 检索机器人。

• 保持简单。 我们的 Peec AI GEO 统计页面 基本上就是一个列表。你的页面也不需要比这更复杂。把设计资源留给真正能从中受益的网站和资产。

• 尽可能添加原创数据。 聚合的统计数据或许能为你带来一些引用，但当你说出别人没说过的东西时，你就能成为主要来源。

如何追踪你的页面是否被收录

Google Search Console 不会显示你网站上 AI 机器人的情况。以下是我改为追踪的内容：

• AI 机器人活动，在服务器日志或 Cloudflare 中查看。要寻找 ChatGPT-User、OAI-SearchBot 和 PerplexityBot 等检索机器人，而不只是训练爬虫。我们有这个功能！

• AI 引荐会话，在 GA4 中来自 chatgpt.com、perplexity.ai 及类似来源。

• 引用与可见度追踪覆盖一组提示词。在 Peec，我们显然使用自己的工具来做这件事。

• Ahrefs 或 Semrush 中的新增引荐域名。

• 未链接提及。用引号搜索你的确切数字。你会发现有人在使用你的数据却没有链接到你。

关于伦理的一点说明

不言而喻，你绝不应发布虚假内容。虽然我的实验依赖了数万条未经核实的统计数据，但我进行这项实验是为了向公众分享结果，而且该网站虽然仍在运行，现在已附有免责声明。当我们发布希望被 LLM 采纳的内容时，我们的职责始终应是发布准确、易于获取的信息。

再补充一个提醒：无法保证这一策略会持续有效。我们测试了它，这些就是结果，但既然结果已经公布，LLM 可能会堵上这个缺口。目前它有效，但未来可能不再有效，当然它也绝不应被滥用。

最后一点：这是一种策略，既不能也不应成为你组织整个 GEO 战略的基础。我在 StateGlobe 上得到的结果很极端，但最有可能从使用这一技术中受益的品牌，是那些人们已经信任的品牌。

Peec 的 GEO 研究接下来会做什么

在 Peec，我们的研究团队正在开展近 40 项类似这样的实验。有些仍在进行中，另一些已经显示出结果。为你的品牌构建长期战略意味着测试、衡量，并分享我们一路上的所学。

更多内容即将发布！