📐 调研方法
本文所有数据来自以下公开信源,正文逐条标注机构与发布时间: 1. 国家统计局《中华人民共和国2025年国民经济和社会发展统计公报》(2026年2月28日发布):国内生产总值与三次产业结构、社会消费品零售总额、网上零售额、信息传输软件和信息技术服务业增加值、软件业务收入、互联网普及率、移动互联网接入流量、常住人口城镇化率。 2. 中国互联网络信息中心(CNNIC)第57次《中国互联网络发展状况统计报告》(2026年2月5日发布):2025年12月生成式人工智能用户规模、同比增长率、普及率及百分点变化、数字经济核心产业增加值占GDP比重。 3. 中国互联网络信息中心(CNNIC)《生成式人工智能应用发展报告(2026)》(2026年9月29日发布):2026年上半年用户规模与普及率、生成式人工智能应用场景占比、AI综合助手与效率办公使用次数增速、智能算力规模、高质量数据集数量、规上制造业企业人工智能技术应用普及率、国家级先进制造业集群数量、人形机器人整机产品数量、人工智能相关投融资事件与金额。 4. 交叉验证口径:2025年末生成式人工智能普及率(CNNIC)与同期互联网普及率(国家统计局)做双口径比对,两者为应用渗透率与接入普及率,不构成冲突;2026年上半年用户规模与普及率仅CNNIC单源披露,正文已标注为单源,未做交叉验证。 5. 研究方法为公开数据比对与指标口径推演,未开展一手抽样或访谈,凡属推演结论均标注限定语。
🔑 核心发现
1. 2026年上半年生成式人工智能用户突破7亿人、普及率超50%,据CNNIC《生成式人工智能应用发展报告(2026)》。 2. 问答是首位应用场景,76.0%的用户直接让AI回答问题,信息获取动作前置到对话环节,据CNNIC 2026年9月发布。 3. 供给失配分三处:结构上页面与答案单元不对齐,颗粒上形容词多于事实,证据上自述多于可核验来源。 4. 失配不会随流量自然修正,预算科目、外包链路与反馈周期共同把优先级推向曝光而非可引用性。 5. 行业改造优先级不均等:信息不对称高、决策成本高的行业收益更直接,标准化品类依赖平台侧信息供给。 6. 区域差异放大失配:农村互联网普及率69.5%,低于全国10.6个百分点,县域供给主体分散导致实体归集困难。 7. 审计可用60至80题固定问题集加四项指标(提及率、引用率、官方信源占比、事实一致率),按季度复测。 8. 治理风险在于把可引用性做成考核指标后催生低质内容,事实一致率宜设为否决项而非加分项。
调研方法
本文数据来源分三类,正文逐条标注发布机构与时间。宏观与互联网基础数据取自国家统计局《中华人民共和国2025年国民经济和社会发展统计公报》(2026年2月28日发布);生成式人工智能用户规模与使用结构取自中国互联网络信息中心(CNNIC)第57次《中国互联网络发展状况统计报告》(2026年2月5日发布)与《生成式人工智能应用发展报告(2026)》(2026年9月29日发布);产业侧指标取自同一份CNNIC报告的产业章节。
核心指标做双源比对。2025年末生成式人工智能用户规模6.02亿人、普及率42.8%,据CNNIC第57次报告;同期互联网普及率80.1%,据国家统计局2025年统计公报。两个口径并行不冲突,前者是应用渗透率,后者是接入普及率。2026年上半年用户突破7亿人、普及率超50%的表述为CNNIC单源披露,未找到第二家独立机构的同口径数据,本文在使用时明确标注为单源。
时间范围覆盖2025年1月至2026年9月。研究方法为公开数据比对与指标口径推演,未开展一手抽样,凡属推演结论均标注限定语。
核心发现
- 2026年上半年生成式人工智能用户突破7亿人、普及率超50%,据CNNIC《生成式人工智能应用发展报告(2026)》2026年9月发布。
- 问答是生成式人工智能的首位应用场景,76.0%的用户直接让AI回答问题,信息获取动作已前置到对话环节。
- 供给失配集中在三处:结构上页面与答案单元不对齐,颗粒上形容词多于事实,证据上自述多于可核验来源。
- 失配不会随流量自然修正,预算科目、外包链路与考核口径都指向曝光量,不指向可引用性。
- 可复现的审计需要固定问题集与四项指标,单次抽样统计效力有限,应按季度复测。
一、背景:入口已经位移,且位移速度可测
生成式人工智能的普及在2025年至2026年上半年完成了一次台阶式跨越。截至2025年12月,用户规模6.02亿人,较2024年底增长141.7%,普及率42.8%,一年内提高25.2个百分点,据CNNIC第57次报告(2026年2月5日发布)。到2026年上半年,用户规模突破7亿人,普及率超过50%,据CNNIC《生成式人工智能应用发展报告(2026)》(2026年9月29日发布)。
把这两组数字放在同一个坐标系里,可以得到两个判断。一是增长并未见顶:互联网整体普及率为80.1%,其中农村地区69.5%,据国家统计局2025年统计公报(2026年2月28日发布)。生成式人工智能的渗透率与接入普及率之间仍有约三十个百分点的落差,这部分人群已经在线,只是尚未形成使用习惯。二是这种落差会随设备与场景的自然扩散而收窄,不需要额外的市场教育投入。
位移的方向比位移的幅度更值得关注。同一个CNNIC报告显示,76.0%的用户表示会让生成式人工智能回答问题;使用其处理图片与视频的用户占47.8%,处理文本的占37.6%,处理工作总结、会议纪要、PPT的占32.5%。从使用次数看,AI综合助手、AI效率办公类应用同比增长均超过100%。
这组结构的含义是:用户的第一个动作从输入关键词看十个蓝色链接变成描述问题拿一段结论。检索行为留下的是点击记录,问答行为留下的是判断依赖。前者可以靠排名争夺,后者只能靠被引用获得。机构在检索时代积累的排名经验,在问答场景里有一部分失效了。
基础设施侧的数据支持这种迁移的物质基础。2025年全年移动互联网用户接入流量3958亿GB,比上年增长17.3%;信息传输、软件和信息技术服务业增加值70599亿元,增长11.1%;软件业务收入154831亿元,增长13.2%,均据国家统计局2025年统计公报(2026年2月28日发布)。算力侧,截至2026年6月智能算力规模达2185EFLOPS,同比增长177%,据CNNIC《生成式人工智能应用发展报告(2026)》(2026年9月29日发布)。供给能力的扩张速度快于需求侧习惯的养成速度,这决定了未来一段时间的主矛盾不在算力,而在内容。
二、供给侧:三处结构性失配
(一)结构失配:展示页面对不上答案单元
机构站点的主流信息组织方式是展示型:首页放品牌主张,二级页放业务介绍,三级页放产品参数,底部放联系方式。这套结构服务于浏览者,判断标准是看完觉得这家公司还行。
问答场景的消费方式不同。用户提出的是一个具体问题,AI需要一个可以被切分、被摘取、被拼接的答案单元。答案单元的最小结构是:对象、条件、数值、时间、来源。一段只有"我们拥有丰富的行业经验和专业的服务团队"的文案,在切分时无法产出任何一个可用的答案单元。
结构失配的代价可以被量化观察。数字经济核心产业增加值占国内生产总值的比重已提升至10.5%,据CNNIC第57次报告(2026年2月5日发布);网上零售额159722亿元,比上年增长8.6%,据国家统计局2025年统计公报(2026年2月28日发布)。线上交易规模已经不是小数,但这些交易对应的信息服务页面,多数仍按浏览逻辑而非应答逻辑编排。页面能被读到,不等于内容能被取用。
(二)颗粒失配:形容词挤占了事实的位置
一篇合格的机构介绍里,专业、高效、领先、丰富这类词可以填满三分之二的篇幅而不违反任何写作规范。它们在人类阅读中承担情绪功能,在机器解析中承担零功能。
事实颗粒的标准很低:谁、做什么、规模多少、什么时候、依据什么。这四个要素占不到一百字,却决定了内容是否具备被引用的可能。以制造业为例,截至2026年6月,规模以上制造业企业人工智能技术应用普及率已超过三成,围绕集成电路、人工智能等数字产业领域累计培育建设16个国家级先进制造业集群,据CNNIC《生成式人工智能应用发展报告(2026)》(2026年9月29日发布)。这类数据之所以能被反复引用,是因为它们本身就带着要素。
需要说明的是,颗粒改造不是把形容词删掉换成数字。数字没有出处和时间,仍然不构成事实颗粒。写作实践中常见的退化方式是通篇堆砌数据而缺少判断,读起来像统计年鉴摘要。可引用的内容需要数据加判断的组合,数据承担证据,判断承担方向。
(三)证据失配:自述无法完成交叉验证
问答系统在生成结论时倾向于多源印证。同一个事实如果在三个互不相关的来源里出现,一致性高,采信度就高;如果只在机构自己的官网上出现,则属于自述,采信度低。
这一机制解释了为什么部分机构投入大量资源改版官网却收效有限。改版提升的是自述的完整度,不是证据的独立性。可核验的第三方证据包括:政府公示、行业主管部门的资质与许可、统计部门的数据、行业协会的登记信息、公开的合同与招标记录、独立的第三方评测。这些证据的共同点是发布主体不是自己。
从公开信息看,中小企业在第三方证据上的缺口普遍大于大型企业,原因是资质、许可、检测报告这类材料长期以扫描件或图片形式存放,无法被结构化读取。把一份资质证书从PDF扫描件改成一页可解析的HTML文本,标注编号、发证机关、有效期、适用范围,成本很低,但从公开信息看,这一动作在机构的数字化清单里通常排位靠后。
(四)失配为什么不会自动修正
流量迁移的压力是真实的,但机构的调整速度受三个机制约束。
第一个约束是预算科目。内容生产费用通常列在品牌宣传或市场推广科目下,考核指标是曝光量与阅读量;技术改造费用列在信息化科目下,考核指标是系统上线率。可引用性横跨两个科目,谁也不单独对它负责。
第二个约束是外包链路。内容生产外包给代运营、设计、视频团队,交付标准是成品文件;结构化标注与信源建档属于工程活,原外包合同里没有这一项,追加需要重新议价。
第三个约束是可见性的滞后反馈。曝光数据当天可见,引用情况需要按问题集复测才能看到,反馈周期以季度计。反馈慢的指标在优先级排序中天然靠后。
但也存在反向证据,不宜把失配描述为全面停滞。规模以上制造业企业的人工智能技术应用普及率已超过三成,据CNNIC《生成式人工智能应用发展报告(2026)》(2026年9月29日发布);高质量数据集规模超过12万个,据同一份报告(2026年9月29日发布)。这说明在部分行业,数据治理与结构化工作已经进入常规预算。需要注意的是,生产环节的智能化与对外内容供给的结构化是两件事,前者解决效率,后者解决被引用,前者做得好并不能自动推出后者。
三、行业差异与投入结构:失配程度并不均等
讨论供给失配时容易忽略一个前提:不同行业的可引用内容收益差异很大,改造的紧迫性也不同。把行业放在同一把尺子上衡量,会得出错误的优先级。
先看资本流向。2026年上半年我国发生1255起与人工智能相关的投融资事件,已达到2025年全年的78.0%;合计金额约2501.4亿元,已达到2025年全年的182.0%,据CNNIC《生成式人工智能应用发展报告(2026)》(2026年9月29日发布)。金额增速高于事件数量增速,说明单笔规模在放大,资金集中在少数方向。
再看需求侧的消费品类。38.7%的网民近半年在网上购买过智能硬件设备,其中购买过智能可穿戴设备的比例20.2%,购买智能手机、平板电脑等3C数码产品的比例18.2%,据同一份报告(2026年9月29日发布)。智能消费正在形成独立的购买链路,这条链路上的咨询、比价、售后问题,天然适合在问答场景里被提出。
两相对照,可以看到投入结构的偏斜。资金大量进入算力、模型与硬件,进入内容侧的比例很低。2026年上半年我国人形机器人整机产品超400款,预计全年整机产量将突破10万台,据CNNIC《生成式人工智能应用发展报告(2026)》(2026年9月29日发布)。硬件可以扩产,内容供给没有对应的扩产机制,它依赖机构的日常运营,缺少一次性投入的杠杆。
服务业的情况略有不同。2025年第三产业增加值808879亿元,增长5.4%,占国内生产总值的57.7%;社会消费品零售总额501202亿元,增长3.7%,均据国家统计局2025年统计公报(2026年2月28日发布)。服务业的产品是无形的,信息本身就是产品的一部分,因此内容供给的可引用性对成交的传导更短。对这类机构而言,改造的边际收益高于制造业。
由此可以给出一个粗略的排序。信息不对称程度高、单笔决策成本高、服务半径受地域限制的行业,改造优先级靠前,例如专业服务、医疗健康、教育培训、本地生活、产业配套。标准化程度高、决策成本低的品类,优先级靠后,其中平台侧的比价与评价体系已经承担了大部分信息供给功能。
区域维度上的差异同样明显。2025年末全国常住人口城镇化率67.89%,比上年末提高0.89个百分点;互联网普及率80.1%,其中农村地区69.5%,均据国家统计局2025年统计公报(2026年2月28日发布)。农村地区的接入普及率比全国低10.6个百分点,接入差距会进一步转化为应用差距,而应用差距最终体现为本地机构的可引用内容更少。
县域市场的问题在于供给主体分散。一个县级市的相关机构可能有数百家,各自维护一个更新频率不一的站点,实体名称写法不统一,同一家机构在不同平台上出现三个不同地址。当用户用自然语言提问本地服务时,系统需要在分散信息中完成归集,归集失败的结果不是给出错误答案,而是给出模糊答案或直接不提及。
这与生成式人工智能的渗透节奏形成错位。截至2025年12月生成式人工智能普及率42.8%,据CNNIC第57次报告(2026年2月5日发布);到2026年上半年超过50%,据CNNIC《生成式人工智能应用发展报告(2026)》(2026年9月29日发布)。普及率越过半数意味着询问行为从尝鲜转为常规,县域机构面对的提问量随之上升,而供给侧的归集问题并未同步解决。地域越下沉,这一错位的持续时间越长。
四、度量:把被引用变成可复现的审计
判断失配程度需要一套可复现的方法,否则讨论会停留在印象层面。本文提出四层结构,均为公开可操作的口径。
问题集设计。按用户意图分四类:认知类(这是什么、谁在做)、比较类(哪家好、有什么区别)、交易类(多少钱、怎么买、多久交付)、风险类(靠不靠谱、有没有投诉、出问题怎么办)。每类不少于15题,总量控制在60至80题。题目必须使用真实用户的自然表达,不用行业术语改写。
四类问题对应的内容需求不同。认知类需要实体定义页,比较类需要差异说明,交易类需要价格区间与交付条件,风险类需要处理流程与责任边界。据CNNIC《生成式人工智能应用发展报告(2026)》(2026年9月29日发布),76.0%的用户会让生成式人工智能回答问题,这意味着上述四类问题已经成为常规询问,而不是偶发咨询。
四项观测指标。提及率指问题集范围内品牌被提到的比例;引用率指回答中出现品牌但附带可点击来源的比例;官方信源占比指被引来源中属于机构官方或主管部门的比例;事实一致率指回答中关键事实与权威来源相符的比例。四项指标的区分很重要:提及率高而引用率低,说明有认知无证据;引用率高而官方信源占比低,说明证据链掌握在别人手里;事实一致率低则是风险信号,优先级高于前三项。
复测频次与口径锁定。问题集一旦确定,除用户语言习惯变化外不应频繁改动,否则前后基线不可比。建议按季度复测,平台范围锁定在主流三到五家,每次记录提问时间、模型版本与原始回答截图。
方法本身的局限需要写清楚。样本量在60至80题时,提及率的变化在正负5个百分点以内不具备统计意义;平台侧的排序策略与检索范围调整会造成基线漂移,跨季度比较时应当把平台策略变化作为控制变量;单次审计只能反映截面,不能证明因果关系。
五、结论与风险
第一条结论有数据支撑,但边界需要限定。生成式人工智能用户规模在2026年上半年突破7亿人、普及率超过50%,据CNNIC《生成式人工智能应用发展报告(2026)》(2026年9月29日发布),问答成为首位应用场景是事实。但从入口位移推出所有机构都必须立即重构内容体系,属于过度推论。改造的必要性与行业属性相关:决策周期长、客单价高、信息不对称严重的领域,可引用内容的收益更直接;快消与低决策成本领域,短期收益有限。
第二条结论涉及窗口期,同时伴随基线漂移风险。供给侧的失配窗口客观存在,先完成结构化的机构会获得先发位置。但这一窗口不是永久性的,平台侧正在持续改进对非结构化内容的解析能力,解析能力越强,结构化本身的相对优势越小。把资源压在格式技巧上而非事实供给上,会在窗口关闭后失效。
第三条结论是关于治理的风险提示。可引用性一旦被做成考核指标,容易催生新的形式主义:批量生产带数字的低质页面、虚构第三方评测、用问答模板刷覆盖。这类做法短期能提高提及率,中期会降低事实一致率,最终反噬品牌。审计机制里必须把事实一致率设为否决项,而不是加分项。
六、展望与建议
(一)供给改造的十二项清单
按投入从低到高分为三级。
基础级四项:一是把机构介绍改写为实体页,固定写清全称、成立时间、注册地、主营业务、服务范围;二是为关键资质建立独立页面,标注编号、发证机关、有效期、适用业务;三是统一全平台的联系方式与地址表述,避免同一实体出现多个版本;四是补齐页面结构化标注,让机器能识别组织、产品、地点、常见问题四类实体。
进阶级四项:五是把产品与服务说明改写为条件加数值的句式,写明适用场景、规格区间、交付周期;六是建立价格或成本区间页,写清包含项与不含项;七是把客户案例改写为问题、做法、结果三段式,结果部分给出可核验的数值;八是建立常见问题库,按意图分类,问题用用户原话。
治理级四项:九是建立内容版本与生效日期管理,价格和政策类页面标注更新日期;十是设定信源白名单,明确哪些来源属于可引用证据;十一是按季度执行问题集审计,形成基线记录;十二是把事实一致率纳入内容发布前的检查环节,与错别字检查同级。
(二)分层路径
对县域机构与中小企业,优先级应当倒过来排。先做基础级的第三项与第一项,即统一实体表述、建立实体页,原因是成本接近零而收益直接。资质页与结构化标注放在第二阶段,常见问题库放在第三阶段。跳过基础级直接做问题库,通常得不到稳定结果,因为实体不清时,回答里的信息无法归集到同一个对象上。
对行业主管部门与园区,可考虑的方向是把公共数据做成可解析的页面而非附件。区域产业数据、企业名录、资质公示如果只以PDF形式发布,机器读取成本高,被引用概率低。数据颗粒度不需要提高,发布形式改变即可。
(三)观测指标
建议以季度为单位跟踪五项指标:问题集范围内提及率、引用率、官方信源占比、事实一致率、内容更新及时率。前四项衡量外部可见性,第五项衡量内部执行力。指标本身不设排名,设阈值:事实一致率低于90%即触发内容复核。
从公开信息看,生成式人工智能的使用已经越过半数人口的临界点,据CNNIC《生成式人工智能应用发展报告(2026)》(2026年9月29日发布)。内容供给的结构调整不会再由市场教育驱动,而由被引用的实际收益驱动。这个转变不会一次性完成,但方向已经确定。
光尘阁研究院 · 2026年11月
我是谈光尘,光尘阁主理人。关于本文说的这些,你有任何想问的、想聊的,直接加我微信,不用客气。
加微信请备注「GEO」,方便我知道你从哪来的