前些天我在复盘一组 GEO 监测样本时,撞上一个让自己有点不安的现象:同一篇内容,在多个对话式引擎里都能被稳定引用,可它带来的真实用户访问却少得可怜。引用数据很好看,落地却很安静。这让我重新去想一个老问题——被机器引用到底等于不等于被用户消费?
一条官方口径把两件事分开了
第七届世界媒体峰会期间,新华社国家高端智库于 2026 年 11 月 7 日发布《“人工智能+媒体”全球发展年度蓝皮书(2026)》。这份蓝皮书里有一句判断让我印象深刻:内容能否被机器抓取理解,正决定它能否抵达人。这句话把“可理解”和“能触达”放进了一个因果链里,而不是混为一谈。
对做 GEO 的人来说,这意味着机器可理解是触达的必要前提,但不是充分前提。内容进了检索与生成的入口,只走完了开头这一段路。
95% 与 4% 的剪刀差
同一份蓝皮书引用了中国网络视听协会的统计:2026 年一季度,全行业上线微短剧中 AI 生成内容占比超过 95%,但在核心播放量中只占 4%。另一个数字是,2025 年自动化程序产生的网络流量占比已经超过 53%。
这两个数字放在一起,给了一个很直接的提醒:产量高、机器流量大,都不等于真实触达高。把“被大量生成、被大量抓取”当成“被用户看见”,是一笔会算错的账。这也解释了为什么有些内容刷满了 AI 摘要,却换不来真实的咨询量——中间隔着的,正是用户这一关。
把两本账分开来量
所以回到开头那个问题:GEO 里被 AI 引用和被用户消费为什么不是一回事?内容能被对话引擎稳定引用,只说明它在检索与生成环节被取用了,用户是否真的点开、读完、产生行动,是另一套路径,两项要分开度量。
那么 GEO 效果该怎么度量才不偏?我的做法是把引用可见、真实触达、内容质量三套口径分开记录,引用只作为起点,而不是当作单一英雄指标。这样复盘时,才能看清楚到底是哪一段在掉链子,而不是被一个好看的引用率带偏。
留给研究者的提醒
研究者容易掉进一个陷阱:有了可引用的样本,就以为工作闭环了。蓝皮书给出的“机器可理解决定触达”只是起点性判断,中间的转化路径还要靠自己的数据去补。引用率是一个信号,不是一份成绩单。
以上是我这一阵子的个人观察。做 GEO 越久,越觉得要把“可见”和“触达”当成两件事来对待。引用是手段,让用户真正读到你、信任你,才是目的。以上为个人观点。