AI引用能不能被优化？一场受控实验给出的答案，比行业想象得保守

关于 AI 引用的经验之谈，过去两年积累得很快：位置靠前更容易被引、结构清晰更容易被引、加上结构化数据更容易被引。这些说法大多来自观察——统计一批已经被引用的页面，回头看它们有什么共同点。观察能发现相关，但很难证明因果。而我们恰恰生活在一个所有排名系统都会把“质量”编码进“位置”的时代。

2026 年 9 月 14 日，两位研究者把这个问题放进了受控条件里，发布了一份预印本论文。它的结论不是“这些技巧没用”，而是一个更克制的判断：关于引用的大多数单次测量，信噪比低到不足以支撑结论。

论文作者在文中写下了一句话，可以作为整篇研究的态度注脚——“这是一个关于归因敏感性的警告，而不是一种优化技巧。”

一、一场少见的实验：把问题放回可控条件里

这项研究的设计，值得稍微说细一点，因为它和我们在行业里常见的“我们统计了 X 万个页面”完全不同。

研究者让一个带搜索能力的商业智能体（搜索由 Exa 提供）回答 130 个常见问题，并记录下 129 个问题中每一条消息与每一次搜索返回的结果。注意，这里用的是离线回放已保存的对话，而不是去实时抓取或修改任何网页——这一点很关键：它意味着实验没有对真实的互联网做任何动作，只是把同一批“搜索结果”用不同的方式重新喂给模型，看它的选择会不会变。

接下来是最有技术含量的一步。研究者从这批结果里，筛出“出现在同一次搜索中、并且都被判定为支持同一个事实”的页面配对——也就是两个在内容价值上大体可比的页面。最终得到 113 对，经人工盲测复核，确认其中 103 对是真实匹配。

然后用四种组合去回放：位置在上或在下，呈现为普通段落或改写成带标题与列表／表格的形式。四个条件交叉，就能把“位置的作用”和“格式的作用”分开看。

这个设计思路本身，就已经比行业里绝大多数“我们观察到了什么”式的结论更靠近因果了一些。

二、第一个结论：那个看上去很大的位置优势，很可能是伪相关

如果只看原始数据，结论会非常抓人：位于初始位置的页面，被引用比例为 85.1%；排在第五位的页面是 42.8%。相差 42.3 个百分点。

这是一个足以让任何一家企业立刻调整内容策略的数字。但研究者没有停在这里，而是做了一件在行业报告里极少见到的事：把页面在配对中的顺序人为交换，再看结果。

结果几乎推翻了前面的结论。把同一页面在配对中移高，被引用概率只提高了 7.9 个百分点，而且在多重检验校正之后，不再具有统计显著性。另一组仅交换顺序的 56 对测试，估算出的效应是 0.0 个百分点（95% 置信区间 −5.4 至 +5.4）。

0.0 个百分点，意味着在控制住其他条件之后，“位置”这个变量本身几乎没有独立作用。

为什么会这样？原因并不神秘，反而非常符合常识：搜索提供商通常会把更相关的页面排在前面。 所以当你统计“排在前面的页面被引用了多少次”时，你测到的不是位置的价值，而是位置的成因——页面的质量、相关性、内容覆盖度，全部被打包进了那个顺序里。你观察到的 42.3 个百分点，是“位置”和“页面质量”混在一起的合计效果，其中真正属于位置的那一份，在受控交换后消失殆尽。

这就是典型的混杂。而在 AI 可见度这个领域，混杂几乎无法避免——因为所有提供排序的系统，都是被设计成“把好的放前面”的。只要排序机制存在，位置就永远不会是一个干净的自变量。

论文因此指出：原始位置数据的平均值并不可靠。

这个提醒的适用范围远不止这篇论文。凡是你看到“我们统计发现排在前面的更容易被引用”这样的结论，都应该立刻问一句：排在前面的那些，是不是本来就更相关？如果是，那这个统计什么都没证明。

三、结构化改写：收益是再分配，不是增收

第二个结论同样反直觉，而且更实用，因为它直接关系到很多企业的内容排期。

研究者用标题和列表改写了页面。结果是：被改写的页面，平均每条答案多获得了 0.50 个引用标记（95% 置信区间 0.20 至 0.84）。看起来是正向的。

但关键在于另一半数据：每条答案的引用总数并没有上升，另一个未改写页面的数量也几乎没有变化。

把这两件事放在一起看，含义就变了。改写并没有让这场问答“引用得更多”，而是让引用从别处转移到了被改写的那一页。论文作者用了“引用额度向被改写页面集中”来描述它。

这是一个非常重要的区分。对单个企业来说，把自家页面改写得更易读、结构更清晰，确实可能让自己在一段多来源的答案里占更大的份额——这是实实在在的收益。但如果把这个动作理解成“能让 AI 更多地引用内容”，就错了：整场问答的引用容量并没有增加。

而这个发现还有一层隐含推论：在多来源答案里，引用额度是有限资源。

一段 AI 生成的答案，能挂的来源数量是有上限的。这意味着引用本质上是一场份额分配，而不是一次总量增长。你多拿一份，别人就少拿一份。这和企业过去十年熟悉的 SEO 逻辑有根本区别——搜索排名里，第一名和第三名之间确实是位置差异；但在 AI 答案的引用里，你争取的是在同一个答案里被一起提到，或者把别人挤出去。

这也意味着，“我的页面被引用了吗”这个问法本身就不完整。更准确的问法是：在被引用的那些来源里，我占几成。

研究者事先规划的主要测试——页面是否会被引用——结果是概率提高 4.5 个百分点（95% 置信区间 −1.4 至 +10.4），并不具有决定性。论文对此的说明非常诚实：这项研究只能可靠检测约 8.5 个百分点或更大的效应。

这句话应该被更多做 AI 可见度测量的人记住。它等于公开承认了方法的可检测下限：如果你观察到某个优化的效果是两三个百分点，以当前方法根本分不清它和随机波动。而行业里大量“优化后提升了若干个百分点”的案例报告，恰恰落在测不出来的区间里。

四、同一个问题问两遍，答案可能不一样

第三个结论，是这三个里对企业最不友好、但最需要接受的一个。

研究者用相同的输入，重新跑了一遍 120 条回答。结果是：目标页面“被引用或不被引用”的决定，在 15% 的情况下发生了变化——大约七次里有一次会翻转。

更进一步，研究者估算，单次运行效应中约 45% 的变异来自模型随机性。

四成以上的波动来自随机性，意味着什么？意味着如果你今天做一次测试，发现页面被引用了，明天再做一次发现没有被引用，这个差异可能完全不包含任何关于你内容质量的信息。它只是模型在采样。

这一点在旁证里也有呼应。SparkToro 在 1 月报告过一个数字：反复给出同一个提示词时，ChatGPT 与 Google AI Overviews 各自产生相同品牌列表的概率都不到 1%。Ahrefs 在 5 月报告：被 AI 引用的页面包含 JSON-LD 结构化数据的可能性约为 3 倍，但添加结构化数据并没有明显增加引用——这与本篇实验“改写只做再分配”的结论方向一致：相关性和因果性在这里很容易被混淆。

把这三条放在一起，可以得到一个统一的判断：AI 引用不是一个状态，而是一个分布。

“我的页面被 AI 引用了吗”这个问题，正确的答案形式不是“是”或“否”，而是“在 N 次测试中，被引用了多少次”。任何基于单次测试的结论，都只是在抽取这个分布里的一个样本。

五、为什么这件事对企业比对研究者更要紧

到这里，可能会有人认为这是学术层面的谨慎，和企业的实际决策关系不大。恰恰相反。研究者谨慎是因为他们要守学术规范；企业需要这份谨慎，是因为错误的结论会直接变成预算。

设想两种场景。

第一种，某企业做了一次测试，发现自己被引用了，于是判断当前内容策略有效，维持原状。半年后业绩下滑，才发现当初那次“被引用”只是一次采样运气。这中间损失的是半年时间和一整轮预算。

第二种，某企业做了一次测试，发现没有被引用，于是推翻原有方向、转向新的内容路线。而真相是，它原来的方向本来是有效的，只是那次没抽中。这中间损失的是本来正确的方法。

这两种错误的成本都不低，而且都无法通过“更努力”来规避——它们只能通过改变测量方法来规避。

更麻烦的是，这两种错误在直觉上都不容易被发现。因为人的认知天然倾向于把观察到的结果当成事实，而不是样本。尤其在 AI 这个场景里，从提问到得到答案只需要几十秒，太容易让人产生“我验证过了”的感觉。

六、一份可以落地的三条测试规则

基于这项研究的结论，可以把“怎么测引用”这件事收敛成三条可执行的规则。

第一，任何引用测试都要多次取样，而不是一次定论。

既然相同输入下约有七分之一的引用决策会翻转，那么单次测试的信息量就是不够的。实操上，同一条内容、同一个问题，至少跑 5 到 10 次，看的是命中率而不是某一次的结果。这不是为了让数字好看，而是因为分布里的单点不承载判断。

第二，想证明位置有用，必须做交换对照。

论文给出的方法是可以迁移的：不要只统计“排在前面的被引用了多少”，而是找两个内容价值大体相当的页面，交换它们在结果中的位置，看引用是否跟着移动。如果不动，说明位置没有独立作用；如果动了，才轮到讨论“怎么把位置做好”。这个动作的门槛不高，但能挡掉大量伪结论。

第三，先确认你要证明的效应有多大。

如果一项优化的预期效果只有两三个百分点，而以现有方法只能可靠检测 8.5 个百分点以上的效应，那么这个优化的效果在测量上是不可见的。这不代表它没效果，而是说：不要用一个测不出来的方法去证明一个测不出来的效果，然后据此加预算。

这三条规则有一个共同点：它们都不是关于“怎么让 AI 引用我”，而是关于“怎么知道自己是否让 AI 引用了我”。前一个问题目前没有可靠答案，后一个问题有。而在这件事上，知道自己不知道什么，本身就是一种能力。

七、保守，并不等于无所作为

需要说明的是，这篇论文的结论是“归因敏感”，而不是“优化无效”。它没有说结构清晰的内容没有意义，也没有说排名位置完全不重要。它说的是：目前行业用来支撑这些结论的证据，强度不够。

对企业来说，这意味着两件事可以同时成立。

一方面，那些方向明确、成本不高的基础工作仍然值得做——把页面写清楚、把事实陈述准确、让机器能读到并正确归属。它们在逻辑上是站得住的，而且即便收益无法被精确测量，风险也是可控的：内容更清楚，对人同样更友好。

另一方面，那些以“能被测量”为卖点、以单次测试报告为依据的优化服务与工具，值得更仔细地追问一句：你的结论是基于一次测试，还是基于一个分布？ 这一个问题，往往就能筛掉相当一部分看起来专业的报告。

在 AI 引用这个领域，目前最稀缺的不是技巧，而是对技巧效果的可信验证。谁能先把验证做扎实，谁就能在大多数同行还在凭观察行动的时候，少走几轮弯路。

常见问题

问：这项研究是不是说明加结构化数据没用？

不能这样推广。研究测得的是“用标题和列表改写后，引用额度向该页面集中，但总量不增加”，并且作者自述比较的是两次改写，并未专门隔离格式差异。Ahrefs 的观察是“被引用的页面更可能含结构化数据”，但添加结构化数据并未明显增加引用——这两个结果方向一致，都指向“相关不等于因果”，而不是指向“结构化数据无效”。

问：文中说的“位置”是不是 Google 排名？

不是。这里的“位置”仅指某一次搜索中，搜索提供商（Exa）返回的五个结果的先后顺序，与页面在 Google 搜索结果中的排名不是同一件事，两者不应混用。

问：那我们要不要放弃做引用测试？

不必放弃，但要改变做法。单次测试不承载判断，多次取样后的命中率才有意义。另外要注意，本研究的结论基础是一份尚未经同行评审的预印本，结论的方向可以参考，具体数值不宜当作定论。

问：如果引用额度是有限的，会不会变成零和博弈？

在单段答案内，引用来源数量确实存在上限，因此“我多占一份”在那一时刻意味着别人少一份。但这不等于整体是零和的——企业可以争取进入更多不同的问题场景，从而参与更多场分配。真正需要放弃的是“引用总量会因优化而增长”这个假设。

问：为什么这类测试在 AI 上特别难做？

因为被测对象本身在流动：模型存在随机性、检索来源会变化、同一个问题的答案会随上下文改变。传统 SEO 面对的是一个相对稳定的索引，而 AI 搜索面对的是每次调用都可能不同的现场。这也是为什么行业至今仍缺乏稳定的测量共识。

关于本文

在为企业设计 AI 可见度监测方案时，重庆传粉科技通常会把“测了多少次”和“测到了什么”放在同等重要的位置——原因正是本文讨论的这一点：AI 引用的单次可重复性有限，测量设计本身就需要先解决信噪比问题。测量的价值不在于给出一个漂亮数字，而在于让每一次判断都有可复现的依据。

数据来源与边界声明

本文引用的外部信息及出处如下：

• 关于引用测试的受控实验（130 个问题、129 个问题记录、113 对页面、103 对经盲测确认、四种回放组合、原始位置 85.1% 对 42.8%、受控交换后 7.9 个百分点与 0.0 个百分点、结构化改写 +0.50 个引用标记与引用总量未上升、主要测试 +4.5 个百分点、可检测下限约 8.5 个百分点、重测 15% 翻转与约 45% 变异来自随机性），来自 Sriram Selvam 与 Anneswa Ghosh 于 2026 年 9 月 14 日发布在 arXiv 的预印本论文。该论文尚未经同行评审，本文转述其结论，不承担对其方法论的背书。

• “反复给出同一提示词时，ChatGPT 与 Google AI Overviews 产生相同品牌列表的概率均不到 1%”，来自 SparkToro 于 2026 年 1 月发布的报告。

• “被 AI 引用的页面包含 JSON-LD 结构化数据的可能性约为 3 倍，但添加结构化数据并未明显增加引用”，来自 Ahrefs 于 2026 年 5 月发布的报告。

• “这是一个关于归因敏感性的警告，而不是一种优化技巧”为论文原文表述的转译。

以上信息均为外部公开材料，非传粉科技原创，未经独立核验，不构成对任何平台算法行为的确定性结论，亦不构成效果承诺。文中对“引用额度是有限资源”“AI 引用是一个分布而非状态”的表述，属本文基于上述材料作出的推论，不代表原研究方的观点。