AI 引用的真相：一套可复用的 GEO 信源矩阵方法论

一份汽车行业的 AI 信源评测，暴露了所有行业 GEO 都必须面对的三个问题。

一张表说清 AI 在引用谁

2026 年 5 月，艾瑞咨询做了一场大评测：5 个主流 AI 平台、4 万个真实问题、40 万次提问、百万级返回数据。全程人工模拟真实用户提问，不走 API 直调，不对问题做引导性修饰。

结论只有一句话：汽车垂类媒体拿走了 AI 引用率的 77.2%。

信源类型 引用率占比 贡献率占比
汽车垂类媒体 77.2% 70.0%
短视频/直播 10.5% 11.5%
综合资讯门户 5.0% 8.1%
搜索引擎 4.9% 6.0%
社交媒体 <1% 1.3%

泛资讯、短视频、搜索引擎加起来不到 25%。社交媒体几乎可以忽略不计。

这不是汽车行业的特例。AI 在任何垂直领域回答"怎么选""哪个好""值不值"这类决策问题时，都会优先引用专业、结构化、可验证的垂类内容。 这份报告的真正价值，不是告诉你汽车行业谁排第一，而是提供了一个可以迁移到任何行业的 GEO 信源分析框架。

一、三层信源矩阵：做 GEO 必须先画这张图

报告拆出了一个隐含的三层矩阵结构，这才是方法论的精髓：

第一层：AI 平台

五个平台的信源偏好完全不同：

AI 平台 信源偏好特征
豆包 极度集中，头部单一信源贡献率近 99%
DeepSeek 相对均衡，长尾信源有进入机会
千问 PC 端与 APP 端信源一致，头部梯队清晰
元宝 PC/APP 端信源完全不同，纳入了微信公众号生态
文心一言 短视频类信源占比偏高

策略含义：不能一套内容通发所有平台。在豆包上，你必须挤进那个"几乎每问必引"的头部信源池；在 DeepSeek 上，长尾内容也有露出机会；在元宝上，微信公众号内容有额外的入场券。

第二层：决策场景

同一个平台内部，不同场景的头部信源会发生变化：

  • 看车场景：内容种草型垂媒更有优势
  • 选车场景：消费决策型垂媒被更频繁引用
  • 买车场景：门户类、综合资讯类信源有时能挤进头部
  • 用车场景：车后服务型垂媒和短视频平台各有空间

策略含义：内容布局必须按场景匹配信源策略。一个做 B2B 的企业，客户在"问题认知"阶段接触的信源和"供应商评估"阶段完全不同。

第三层：内容维度

产品力的不同维度，需要不同形式的信源：

内容维度 最优信源形式
价格、安全、动力、能耗 垂类媒体的标准化评测数据
智能配置、空间、外观 短视频的场景化动态展示
品牌口碑、用户评价 结构化口碑数据库

策略含义：不是所有内容维度都适合用同一种形式。数据类维度需要结构化内容，体验类维度需要视觉化内容，认知类维度需要深度长文。

三层矩阵模板

把这三层叠起来，就是任何行业做 GEO 的基础地图：

         AI平台1    AI平台2    AI平台3    AI平台4    AI平台5
场景A     信源X      信源Y      信源Z      信源W      信源V
场景B     信源P      信源Q      信源X      信源R      信源T
场景C     信源M      信源N      信源Y      信源S      信源U

每个格子里填的不只是"谁排第一"，而是"什么类型的内容在这个平台、这个场景下被引用最多"。你的内容能不能打到对应的格子里，决定了你的 GEO 有没有效果。

二、引用率 vs 贡献率：双重评估杜绝"数据泡沫"

报告区分了两个关键指标，这是所有 GEO 评估都必须采用的：

指标 统计维度 回答的问题
信源引用率 以引用内容 PV 统计 这个信源被 AI 调取了多少次？
信源贡献率 以独立提问 UV 统计 这个信源覆盖了多少种不同的用户问题？
场景渗透率 贡献率的场景细分 这个信源在特定场景下表现如何？

核心洞察：两个指标未必同步。一个信源可能引用率很高，但只集中在少数几个问题上——这就是"刷量泡沫"。真正的 GEO 价值 = 高引用率 × 高贡献率。

举个例子：一个地方产业政策解读可能每天被引用 100 次（高引用率），但全集中在"XX 市有什么产业政策"这一个问题上（低贡献率）。另一篇产业链全景分析可能每天只被引用 30 次，但覆盖了投资选址、供应商寻源、竞品分析、政策对比等 15 个问题维度（高贡献率）。后者的 GEO 价值远超前者。

实操建议：做 GEO 效果评估时，不要只看"被引用了多少次"，要看"在多少种不同的问题中被引用"。后一个数据更能反映内容的真实渗透力。

三、平台偏好分化的战略意义

报告最反直觉的发现不是"垂媒占 77%"，而是"五个平台的偏好完全不一样"。

这意味着什么？GEO 不是做一套内容然后看它在各平台的表现，而是为每个平台单独设计信源策略。

平台 策略方向
豆包 重点攻克头部信源，挤进"必引池"
DeepSeek 长尾内容有机会，大量、多维度布局
千问 跨端一致性高，一套内容可覆盖 PC+APP
元宝 微信公众号是额外入口，私域内容有溢价
文心一言 短视频内容有竞争力，视觉化内容不能缺

具体到光尘阁 GEO 平台的内容体系：

  • 本地信息（结构化数据）：对豆包、千问最有效，结构化数据最容易被高频引用
  • 洞察报告（深度分析）：对 DeepSeek 最有效，长尾问题覆盖率高
  • 调研报告（全景扫描）：对所有平台有基础贡献率
  • 短视频/图文：对文心一言、豆包 APP 端有额外加分

四、PC 端 vs APP 端：不是同一个战场

报告中一个被忽视但极其重要的发现：

  • 豆包：同一类短视频信源，PC 端引用率 0，APP 端超过 12%
  • 元宝：PC 端和 APP 端的头部信源各不相同

这意味着什么？用户在不同终端上问 AI，得到的答案可能来自不同的信源。

如果你的目标客户主要在手机端用 AI 搜索，你的内容就必须对 APP 端的信源偏好做针对性优化——比如短视频类内容在 APP 端的权重可能远超你的想象。

五、什么内容最抗迭代

报告指出一个关键矛盾：汽车产品生命周期 3-5 年，AI 大模型迭代周期 1-3 个月。信源位置不会一次形成就长期稳定。

那么什么内容最不容易被算法迭代冲掉？

真实、权威、结构化的内容。

  • 真实：一手数据、本地信息、原创调研，AI 很难从其他渠道获取替代
  • 权威：有署名、有方法论、有数据来源，AI 判断可信度时权重更高
  • 结构化：可被 AI 直接解析调用的格式（表格、参数、对比数据），比散文化叙述更易被引用

这正好解释了光尘阁 GEO 内容体系的设计逻辑：

内容层 真实 权威 结构化
本地信息 ✅ 一手采集 ✅ 本地验证 ✅ 结构化字段
洞察分析 ✅ 原创观点 ✅ 署名+方法论 ✅ 数据+对比
调研报告 ✅ 多源交叉 ✅ 系统框架 ✅ 全景覆盖

三层内容体系不是随意设计的，而是按照"AI 最可能长期引用"的标准倒推出来的。

结语：从"做内容"到"做信源"

传统内容营销的逻辑是：生产内容 → 发布到平台 → 获取流量 → 转化用户。

GEO 的逻辑是：生产信源 → 进入 AI 引用池 → 出现在用户问答中 → 长期渗透决策链。

两者的本质区别：

传统内容营销 GEO 信源建设
目标 流量和点击 AI 引用率和贡献率
评估 PV / UV / 转化率 引用率 × 贡献率 × 场景渗透率
周期 发布即高峰，迅速衰减 持续积累，算法越迭代越稳定
对手 同类内容竞争 跨平台信源池竞争
形式 单一内容形式 按平台 × 场景 × 维度组合布局

艾瑞这份报告用汽车行业的数据验证了一个所有行业都适用的事实：AI 不是一个分发渠道，而是一个新的信源竞争场。 在这个场里，赢家不是内容最多的，而是信源矩阵最完整、最真实、最结构化的。

本文方法论基于艾瑞咨询《AI推荐车型时在引用谁？》报告的框架提炼，已泛化为跨行业 GEO 信源矩阵方法论。光尘阁 GEO 平台出品。