一、AI 搜索正在重写流量分配规则
最先要纠正一个误判:AI 冲击的不是某个行业,而是某类查询。First Page Sage 在 2026 年对 12 个行业客户面板的统计显示,媒体出版业自然流量一年下跌 47.3%,教育跌 41.8%,医疗跌 38.2%;而本地服务业只跌 6.8%,电商跌 11.6%。
差异来自查询意图。同一个研究把查询分成四类:信息型("是什么 / 怎么做")自然流量下跌 43.9%,零点击率高达 91.7%;而交易型("价格 / 预约 / 购买")只跌 5.7%,零点击率 37.2%。一个行业的"含 AI 概览查询占比"几乎可以单独预测它的流量跌幅(相关性 0.89)。
结论很直接:你的站要不要大改,取决于你的流量里信息型查询占多少。如果你的访客主要来自"XX 是什么""XX 怎么选",你的站必须重构;如果主要来自"XX 价格""XX 附近""XX 预约",你的站只需要补齐结构化信息。
二、AI 到底怎么"读"一个网站
理解这条链路,所有 GEO 动作才不会碰运气。模型有两条通道:训练期(预训练时吞下全网语料,形成"哪些品牌存在、做什么"的印象)和检索期(用户提问 → 实时搜网 → 取约 30 个候选源 → 切块 300–500 词 → 抽取 → 合成答案并附引用)。绝大多数 GEO 工作作用于第二条通道。
一条内容要进答案,得过五关:被爬虫抓到;通过可信度筛查(营销味重、信息单薄直接被过滤);被切块并能独立成立;与其他信源交叉验证(口径冲突就降权);最终被合成引用(可能只链接不提及品牌)。
几个被实证的关键因子:72% 被 ChatGPT 引用的页面,段首有 1–2 句可直接引用的"答案胶囊"(40–80 词);表格的被引率约 81%,而散文段落只有 23%;给内容加上统计与出处,可见度可提升 25%–40%(普林斯顿等 KDD 2024 研究)。反过来,关键词堆砌在对照实验中"不如不做",文章篇幅与引用率几乎无关(相关性约 0.04),而流传很广的 llms.txt 目前没有实证支持——Google 已明确表示不支持。
一句话:官网的角色变了,从"承接点击的落地页"变成"向大模型供应事实与证据的数据库"。
三、十二个行业,被冲击的程度差七倍
| 行业 | 自然流量年变化 | 含 AI 概览查询占比 | 建站定位 |
|---|---|---|---|
| 媒体出版 | −47.3% | 79.4% | A 内容型 · 重构 |
| 教育 | −41.8% | 84.1% | A 内容型 · 重构 |
| 医疗健康 | −38.2% | 86.7% | A 内容型 · 重构 |
| 旅游酒店 | −34.6% | 71.2% | A 内容型 · 重构 |
| B2B SaaS | −29.4% | 81.3% | B 决策型 · 升级 |
| 专业服务 | −27.8% | 68.9% | B 决策型 · 升级 |
| 金融服务 | −26.1% | 74.6% | B 决策型 · 升级 |
| 法律服务 | −22.7% | 66.3% | B 决策型 · 升级 |
| 制造业 | −18.3% | 58.4% | B 决策型 · 升级 |
| 电商零售 | −11.6% | 22.7% | C 交易型 · 补强 |
| 房产 | −9.2% | 18.3% | C 交易型 · 补强 |
| 本地服务 | −6.8% | 14.6% | C 交易型 · 补强 |
由此可以归为三类定位:A 类内容型(媒体、教育、医疗、旅游)——PV 模式失效,站要从"内容仓库"转为"品牌信任 + 线索承接";B 类决策型(B2B、SaaS、法律、金融、制造)——流量跌但转化留存,站要从"宣传册"转为"证据库";C 类交易型(电商、房产、本地)——相对安全,站要从"独立入口"转为"实体信息中枢"。
四、分行业建站:一套底座,三种形态
先把底座做对,再按行业叠加内容层。十二个行业的共用底座是这 22 项:核心页面 SSR 渲染、开放 AI 爬虫、XML 站点地图真实更新、语义化 H1–H3、段首答案胶囊、参数与对比用表格、全套 JSON-LD(Organization / 行业主类型 / FAQPage / BreadcrumbList)、全渠道实体一致、可见的更新日期、移动端与性能达标。底座做对,才谈得上被引用。
重点行业的叠加内容层:
- 制造业 / 工业品:把技术参数从 PDF 里"搬"到页面,一个型号一个独立页(摘要 → 参数表 → 适用工况 → 差异对比 → FAQ);资质形成证据链(证书编号、有效期、认证范围写实);案例写"场景"不写"故事",不编造成交金额;红线是不做绝对化性能承诺。
- SaaS / 软件:定价页必须给真实数字("联系销售"式定价在 AI 答案里等于不存在);主动写"替代方案对比页";集成与安全页列清 SSO、合规、数据驻留;技术文档独立成站,是 DeepSeek、Kimi 类平台的高权重信源。
- 本地连锁 / 门店:城市 → 区县 → 商圈三级地域结构;门店页包含地址、营业时间、电话、价目、实拍、服务半径七件套;高德、百度、腾讯地图与官网 NAP(名称 / 地址 / 电话)逐字一致;把"XX 区能做 20 人聚餐的餐厅"这类口语问法写成 FAQ。
- 医疗健康:只写科普与就医指引,不承诺疗效、不用绝对化表述;每段涉医内容标注出处、审核人职称、更新日期;医生页比机构宣传页更容易被引用。
- 法律服务:法条复述没有价值,判例解读才有;给费用结构与时间成本,不给结果承诺;按"领域 × 地域"建页,匹配同城检索。
- 电商 / 零售品牌:参数表压倒详情图(材质、尺寸、适配场景全部文本化);品类对比页;售后政策可引用;评价要真实、有细节,AI 能识别虚假评价。
五、国内现实:官网常常只是 T2 信源
这是国内外最大的差异。海外 GEO 里官网权重尚可,国内 AI 的信源高度平台化。以豆包为例,其信源分层是:T0(央媒、政府官网、行业协会)事实性问答优先采信,T1(字节生态:今日头条、抖音蓝 V、快懂百科)通过 API 直连、4–12 分钟收录,T0+T1 合计约占 87% 的引用来源;企业官网在多数情况下只是 T2。
这意味着:只改官网、不做第三方,投入产出比很低。正确做法是三层内容矩阵——官网打底(承担"事实源",参数、资质、价格区间、流程、FAQ),第三方补信源(行业媒体、垂直平台、百科、点评承担"中立背书"),问答平台做锚点(知乎、小红书匹配真实口语问法)。同一份内容,在 DeepSeek 可能因"技术文档属性"被大量引用,在元宝可能因"缺乏社交讨论特征"被忽略,不存在"一篇通吃"。
六、三个最常见误区
- 把 GEO 当发稿量竞赛:通稿发全网、内容互相复制、口径不一,恰好触发 AI 的"低质与冲突"双降权。有效的不是 500 篇软文,而是少量高密度、口径统一、带可核验数据的深度页。
- 以为 Schema 是万能钥匙:Schema 解决"读懂",不解决"想引用"。有分析显示,自然搜索流量只能解释约 5% 的 AI 引用。结构混乱、全是形容词的页面,加满 JSON-LD 也不会被引用。
- 只改官网、不做第三方:国内平台的 T0/T1 占了引用大头,官网多为 T2;而"品牌被第三方提及"是与 AI 可见度相关性最强的变量。官网是事实源,第三方是背书源,缺一个都不成立。
结语
GEO 不是一次性项目,而是一项持续运营——AI 引用的域名每月有 40%–60% 发生更替。但它也给了中小站点一个罕见的窗口期:当"可读、可抽取、可验证"的重要性第一次超过"权重",认真做内容结构的网站,反而更容易被 AI 看见。建站这件事,正在从"写给算法看"回到"把企业的真实能力写成机器能理解的知识单元"。