事实密度有拐点：多写的那一半，AI 一条都没用上
GEO 这行的交付物，这两年越来越像一本电话簿。谁家产能多大、认证几张、设备几台、合作过哪几家大厂，一条条列出来，越厚越显得专业。可真正拿这些底稿去问 AI 的人，最后常看到同一个场面：你补到第九十条事实，AI 给你的回答反而比半年前更短、更笼统，连你最有把握的那两个数字都懒得提。
钱花得更多，AI 嘴里的你更模糊。这不正常，但它有解释。
先把底子交代清楚。 写这篇之前我做了一次小样本自测：2026 年 10 月 19 日，用 DeepSeek 问了五个关于钟祥的真问题，原句照抄，单轮对话不追问，答案全文留存。样本只有一个模型、一天、五题，够看形态，不够下定量结论。文中带数字的部分都出自这次自测，其余是推断，我会标出来。作者谈光尘，光尘阁，做城市与品牌的 AI 可见性诊断。
事实清单为什么越堆越厚
堆事实的起点不算错。AI 判断一个信源值不值得引用，绕不开「可证」二字。你连自己有多少年经验、几条产线、几份检测报告都说不清，AI 自然没东西可抄。
错在下半场。绝大多数团队把「可证」理解成了数量问题，觉得事实是弹药，多备点没坏处。于是市场部按 KPI 写事实栏，一个季度从三十条冲到一百二十条，官网的「关于我们」越写越长，参数表能占满四屏。写完还要开会庆祝，说我们的信源厚度终于上来了。
问题在于，AI 不负责把你的资料存下来。它只做一件事：在一堆候选里挑几条证据，凑成一个说得过去的答案，剩下的全扔掉。
我先去问了一遍：五个问题，零出处
自测的五个问题都来自招商和销售场景：磷化工有哪些企业、农产品加工什么特点、有哪些文旅景点、装备制造配套能力如何、招商政策有什么优势。答案整理出来是这样。
| 问题 | 答案里的事实形态 | 参数级事实 | 可点击出处 |
|---|---|---|---|
| 磷化工有哪些企业 | 7 家企业名 + 各自产品方向 | 0 | 0 |
| 农产品加工特点 | 3 个集群 + 3 家龙头 | 0 | 0 |
| 文旅景点 | 8 个景点 + 1 条两日路线 | 0 | 0 |
| 装备制造配套 | 一段定性判断，结论是「中等偏下」 | 0 | 0 |
| 招商政策优势 | 区位、交通、平台三块陈说 | 0 | 0 |
五个问题、五段答案，一共 0 条可点击出处，0 条参数级事实。没有一处写到产能多少吨、投资强度每亩多少万、补贴按什么比例给。它认得企业名和景点名，却对那些最能证明「这家有实力」的数字毫无兴趣。
更要紧的是第四题的结论。AI 对钟祥装备制造给出的判断是「中等偏下，本地配套率不高，高端配套依赖武汉、襄阳、宜昌」。这个说法不算错，但它不是你写的。你没写进去的东西，别人写了，AI 就替你说出去了。事实密度高低在这里救不了你，缺的那条定性表述才要命。
三个机制，让密度过了阈值就往回走
自测只能看形态，机制得自己推。我给出三个，都能从上面的答案里找到影子。
第一层，答案的位置是按标签分的，不按资料量分。
AI 回答「有哪些企业」，给的是七个名字和一句产品方向；回答「配套怎么样」，给的是一句判断。它的答案骨架由标签构成，企业名、产业门类、景点类型、区位条件。你的第九十一到第一百二十条事实，绝大多数是参数细节，压根不在它要填的格子里。多写不增加出场次数，只增加解析负担。页面越长，越容易被切块概括，最锋利的那个数字反而沉到底下。
第二层，参数越密，整页越像一份营销物料。
AI 遇到过太多写得完美的东西：产能刚好满负荷、品质刚好零投诉、证书刚好齐全。一个页面里所有事实彼此印证、严丝合缝、没有任何摩擦，人类读者觉得专业，模型看到的是一个异常信号。
这个方向上有两个可查的旁证。监管侧，2025 年 4 月起中央网信办部署「清朗·整治 AI 技术滥用」专项行动，虚假信息与伪造内容是重点；同年 3 月 14 日公布、9 月 1 日施行的《人工智能生成合成内容标识办法》，由网信办、工信部、公安部、广电总局四部门联合发布，把 AI 生成内容的标识义务写成了硬规定。治理一紧，平台和模型对「过度自洽、无从核对」的信源就更保守。内容侧，模型回答「这家怎么样」时越来越喜欢把第三方评价、监管公示、负面信息一起端上来。一个只会自夸的信源，进不了这种带对照的答案。
第三层，事实越多，互相打架的概率越高。
三十条事实的时候，口径矛盾压得住。到一百条，大概率出现同一台设备前后两个产能、同一个客户在两处写成不同层级、成立年份在简介和资质页差一年。五个问题的自测里，AI 一条出处都没给，反过来说明它没法替你核对。它核对不了，就干脆不用。一条自相矛盾，足够让它把整页放低。密度在这个环节起的是放大器作用，好的坏的都放大。
拐点不在条数上，在「有没有外部锚点」
讲到这，很多人会问：那到底多少条合适，四十还是六十？
按条数划线是偷懒。同样六十条事实，一份全在自家官网自证，一份每条都能在第三方找到呼应，AI 给的位置完全不同。真正的分界线在比例上，跟总数关系不大：能不能被外部互证。
光尘阁给客户做事实底稿，一律切三层：
| 层 | 内容 | 进 AI 版底稿 |
|---|---|---|
| 互证层 | 政府公示、行业协会名单、招投标记录、权威媒体报道、可查的检测报告 | 全进，每条挂一个外部出处 |
| 自证层 | 自家统计的产能、自家说的客户评价、内部评出的排名 | 只留三到五条最有差异化的，其余留销售话术 |
| 判断层 | 适合哪类客户、不做什么生意、和同行差在哪 | 单独成段，写判断不写数字 |
这一刀切下去，客户的事实条目通常从一百多条降到四十条上下，页面短了一半，AI 的回答反而更具体。少写的那六十条不是丢了，是被挪到了销售该用的地方。
城市层面的浪费更扎眼。一个县的招商材料动辄几百页，区位交通、园区配套、产业基金、用工成本、能耗指标全塞进一版介绍。到了 AI 那边，它能稳定抽走的往往只有几个标签：在哪个省、主导产业是什么、能给多少亩地和多少度电。剩下的十几项配套写得再细，也进不了答案。这些内容在谈判桌上是杀手锏，放进 AI 底稿全成了噪音。
这个判断有两个风险，得说清楚
第一，它太容易被当成不补料的借口。「专家说了事实越少越好」，于是县域企业本来只有招牌名和一个注册资本，正好名正言顺地不干活。这个理解是反的。事实密度的拐点只对过了缺料阶段的公司成立。绝大多数中小企业还在拐点左边，缺的是事实本身，不是密度控制。
第二，拐点这个说法目前是推断，不是实验室结论。自测只有五题、一个模型、一天，它证明了 AI 读标签不读档案，证明不了拐点的精确位置。真要定量，得做对照。
想验它：一份可以照抄的复测设计
推断要变成结论，只需要一次能公开的对照：
- 样本：同业两组客户，各三家，规模档次接近。A 组底稿维持原样，B 组按互证层重切。
- 问题集：二十条客户在售前真实问过的问题，原句照抄，不改写成书面语。
- 模型：豆包、DeepSeek、元宝、通义，四家同日跑，每问三遍。
- 记三个读数：提到你的次数、AI 引用你页面时用到的字段数、同一问题三次答案的一致程度。
- 判定：四周后 B 组字段数上升、答案一致度提高，A 组基本不动，拐点假设站得住；两组都涨，说明起作用的是重写本身，跟密度无关。
这份设计成本不高，一个季度能跑完。它比任何一篇「实测有效」的软文都值钱，因为它允许别人照同样条件来推翻你。
动手版：一张事实栏的 Stop List
不用等结论落地，明天就能改的四件事：
- 给每条事实找外部锚点。 找不到第二出处的，从 AI 版底稿里挪走。宁可少五条，不要挂五条无从核对的数。
- 做一份矛盾清单。 成立年份、产能、员工数、资质有效期最容易打架，月度对齐一次，比补十条新事实更值钱。
- 先定问题，再定补料。 把客户在售前问过的原话抄下来，一题一页答案，缺什么补什么。先攒资料再找问题，永远在写没人问的内容。
- 季度只测一个指标。 不看提及率涨跌，看 AI 引用你页面时用了几个字段。字段数在上升，说明内容在变锋利；页面变长而字段数没动，就是白干。
GEO 做到后面，拼的是谁敢删。事实要当证据用，别当库存堆。库存越压越重，证据越精越硬。
让每个品牌，在AI搜索里有一席之地。
光尘阁 · 2026年10月
