📐 调研方法
本文所有数据来自： 1. 光尘阁GEO平台自有AI引用检测数据，检测窗口2026年8月15日至2026年9月30日，样本172篇、被引13篇、整体引用率7.56%，单引擎（百度）检测、非随机抽样 2. QuestMobile《2026年三季度AI应用市场发展报告》，2026年10月20日发布，数据截至2026年9月 3. 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，数据截至2025年12月；口径经光明网（2026年2月6日）、中国青年网（2026年2月5日）、新华社快报（2026年2月5日）交叉核对 4. Brantial《Which Sites Do AI Engines Cite? Data From 639,334 Citations》，2026年10月发布，统计窗口2026年9月22日至10月22日，覆盖五个引擎、95,144条回答、639,334条引用、47,955个域名；样本含344个品牌项目、5,936个问题，76%问题面向土耳其市场，属服务商自有监测 说明：本文不采用访谈、问卷或现场取证类方法。Brantial数据仅采用结构性比例，不外推绝对量；QuestMobile各形态用户存在交叉，不可相加。
🔑 核心发现
1. AI入口分为三层：AI原生App 5.46亿承接模糊需求，平台内AI插件6.39亿承接明确需求，终端厂商AI应用7.83亿依靠无意识触发（QuestMobile，2026年10月20日） 2. 办公层体量小、强度高：AI办公月活1.42亿（+50.6%），PC客户端仅0.26亿但使用次数同比+167.7%、月活跃天数2.8天 3. 引用来源高度偏向普通网页：639,334条引用中普通网站占92.1%，视频平台0.5%、论坛问答0.6%、社交网络1.3%（Brantial，2026年10月） 4. 不同引擎信源几乎不重合：同题同日两引擎来源约1/10重合，43.5%完全不重合；Perplexity平均每答引用14.6条，ChatGPT为6.4条 5. 方法论类内容引用率未高于解释类：methodology类42篇7.1%，insight类97篇8.2%，news类6篇16.7%，industry类4篇25.0%（光尘阁GEO平台，单引擎，小样本仅作参考） 6. 内容策略的主要风险来自跨引擎不重合与单引擎度量偏差，以单一引擎引用率指导全域投入存在系统性偏差 7. 三层素材需求可确认不同：模糊需求层要定义与解释，明确需求层要结构化字段，交付层要可执行步骤，交付层应改用任务采纳率而非引用数衡量
调研报告 · 2026年10月28日 作者：谈光尘（光尘阁GEO） 说明：本报告基于光尘阁GEO平台自有检测数据与公开权威报告撰写，作者所在机构提供GEO检测与优化服务，数据引用不构成对服务效果的背书。 标签：AI入口、内容形态、GEO、办公Agent
一、调研方法
本报告不采用访谈、问卷或现场取证类方法，全部判断建立在三类可公开核查的数据之上。
第一类，平台自身回流数据。 光尘阁GEO平台在2026年8月15日至2026年9月30日的检测窗口内，对172篇已发布内容做了AI引用检测，被引13篇，整体引用率7.56%。样本按平台自有标签分类：insight类97篇、methodology类42篇、news类6篇、industry类4篇。该样本为平台主动提交的检测内容，非随机抽样；检测引擎为单一引擎（百度）；标签样本量低于10篇的类别，其引用率仅作参考，不支撑因果推断。
第二类，第三方权威报告。 QuestMobile《2026年三季度AI应用市场发展报告》，2026年10月20日发布，数据截至2026年9月；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，数据截至2025年12月，其中生成式人工智能用户规模6.02亿、普及率42.8%，网民规模11.25亿、互联网普及率80.1%，该组口径经光明网（2026年2月6日）、中国青年网（2026年2月5日）、新华社快报（2026年2月5日）三家同源报道交叉核对一致。
第三类，跨引擎引用结构研究。 Brantial《Which Sites Do AI Engines Cite? Data From 639,334 Citations》，2026年10月发布，统计窗口2026年9月22日至10月22日，覆盖ChatGPT、Gemini、Claude、Perplexity、Grok五个引擎，含95,144条回答、639,334条引用、47,955个域名。需要说明其边界：该研究基于344个品牌项目、5,936个问题，其中76%的问题面向土耳其市场，属服务商自有监测而非随机抽样。因此本文只采用其结构性比例，不采用其绝对量，也不将其直接外推至中文语料生态。
所有数据均标注来源与发布时间。涉及推测处，本文使用「从公开信息看」「有待验证」「或反映」等限定表述，不与已核实数据混同。
二、核心发现
1. AI入口已经分成三层，各自承接性质不同的需求。 QuestMobile数据显示，AI原生App用户5.46亿，承接模糊需求；平台型App内AI插件6.39亿，承接明确需求；终端厂商AI应用7.83亿，依靠无意识触发（2026年10月20日发布，数据截至2026年9月）。
2. 办公层增速快但体量仍小，且使用强度高于使用广度。 AI办公月活1.42亿，同比增长50.6%；PC客户端仅0.26亿，同比增长82.3%，但使用次数同比增长167.7%，月活跃天数2.8天（QuestMobile，2026年10月20日）。
3. AI引用的来源结构高度偏向普通网页，平台型内容占比很低。 639,334条引用中，普通网站占92.1%，电商平台与政府学术站点各占2.1%，社交网络与百科各占1.3%，论坛问答0.6%，视频平台0.5%（Brantial，2026年10月）。
4. 不同引擎的信源几乎不重合。 同一问题的同日报答，两个引擎的信源约1/10重合，43.5%完全不重合；Perplexity平均每条回答引用14.6条，ChatGPT为6.4条（Brantial，2026年10月）。
5. 平台样本中，方法论类内容的引用率并未高于解释类内容。 172篇平台检测内容中，methodology类42篇引用率7.1%，insight类97篇引用率8.2%，news类6篇16.7%，industry类4篇25.0%（光尘阁GEO平台，检测窗口2026年8月15日至9月30日，单引擎，小样本类别仅作参考）。
三、背景与现状
生成式人工智能用户6.02亿、普及率42.8%（CNNIC第57次报告，2026年2月5日发布）。这个数字常被用来证明「AI已经是主入口」，但它只回答了「多少人用」，没有回答「从哪里进、进来要什么」。过去一年关于GEO的讨论，多数把AI当成一个统一对象处理，写一套内容，投一遍渠道，期待在所有平台都见效。入口分层之后，这个前提不再成立。
QuestMobile的三季度数据把分层摆得比较清楚。AI综合助手整体11.57亿，同比增长44.0%，但这个总量由五类形态拼成：AI原生App 5.46亿、平台型App内AI插件6.39亿、终端厂商AI应用7.83亿、系统级AI应用5.92亿、PC客户端0.26亿。这五类存在用户交叉，不能直接相加，报告本身也以「三大入口收敛」来描述这一格局。按赛道形态占比看，终端厂商占48.9%，AI原生App占42.7%。
三层的差异不在用户多少，而在用户被触发的方式。QuestMobile对这一格局的表述是：AI原生App抢占模糊需求，平台插件承接明确需求，终端厂商应用执行无意识触发。三种触发方式对应三种提问习惯，也对应三种素材需求。
交付形态同样在分化。AI办公的交付仍以网页为主，占46.3%，客户端占12.8%，处于跨端过渡阶段。办公Agent的规模已经可用绝对数描述：2026年9月，WorkBuddy月活3235.3万，百度搭子977万，千问办公790.5万，其中百度搭子季度环比增长1567.5%。
还有一个结构性变化值得记录。2026年6月，手机厂商与微信达成A2A协议，三季度开始大范围推送。这意味着部分AI入口从「用户打开App」变成「系统在合适的时机直接给出建议」，入口的可见性从用户主动选择转向系统被动推送。OPPO小布建议月活1.15亿、同比增长139.9%，vivo小V建议月活0.62亿、同比增长33.9%，同期小布建议的月人均使用次数增长214.3%、使用时长增长185.0%（QuestMobile，2026年10月20日）。这组增速与「被动触发」的机制相符，但用户是否因此形成了稳定的使用习惯，目前没有公开数据可以直接判断。
四、主体分析
第一章 模糊需求层：AI原生App吃的是通用知识底座
AI原生App是5.46亿用户、同比增长82.1%的一层。月人均使用次数88.2次、月人均使用时长173.5分钟，两个指标同比分别增长59.3%和44.2%（QuestMobile，2026年10月20日）。高频、浅层、单次停留时间有限，是这一层的使用特征。豆包4.19亿、千问1.58亿、DeepSeek 1.23亿，头部集中度较高。
用户在模糊需求层的提问方式是开放的。他们不指定信息源，也不要求精确到某个字段，通常是要一个可理解的解释、一个通行的判断标准、一个能复述给他人的说法。这一层的内容消费目标不是查到事实，而是搞懂一件事。
由此推得的素材需求是可被概括的稳定事实与通行定义。Brantial的跨引擎数据提供了一个侧面证据：Claude有32.7%的回答引用了维基百科（2026年10月）。这个比例说明，在这类引擎的回答中，结构清晰、定义明确、可被反复引用的词条式内容占据相当位置。
但同组数据也给出了一个反向的边界。ChatGPT被引用最多的100个站点，合计只占全部引用的24.7%（Brantial，2026年10月）。头部站点并未垄断引用，长尾内容仍有余量。这两个数字放在一起的含义是：模糊需求层既奖励权威定义，也保留了对具体解释的需求，只是后者的单位价值更低、更依赖具体问题的匹配度。
平台样本在这一层对应的类别是insight类，97篇、引用率8.2%，是平台样本中数量最大的一类（光尘阁GEO平台，2026年8月15日至9月30日）。这个数字本身说明，解释类内容在检测中被引用的概率并不高，与「模糊需求层需要解释」的推断存在张力。这一张力的可能解释是：平台提交的解释类内容以行业分析为主，而模糊需求层真正消耗的是概念定义与常识性说明，两者并不完全对应。此解释有待验证。
第二章 明确需求层：平台插件与终端建议吃的是结构化事实
这一层的入口形态与上一章相反。平台型App内AI插件6.39亿，QuestMobile给出的典型场景是支付宝的民生缴费、本地出行、资产理财，以及微信小微的社交与小程序的办事流程；终端厂商AI应用7.83亿，典型形态是系统在合适时机弹出的建议卡。两层合起来触达的用户规模超过了AI原生App，但用户的注意力投入更低。
用户在这一层的提问是收敛的。他们已经有明确目标，要的是一项可执行的结果：某个窗口几点关门、这项业务需要哪些材料、这段路怎么走、这笔钱什么时候到账。这些问题的答案不需要论述，需要的是准确的字段。
因此这一层消耗的素材形态是结构化事实，包括地址、营业时间、价格区间、办理条件、材料清单、时效。段落式长文在此处的边际价值很低，因为引擎需要的是可以直接填入答案槽位的数据点。
平台样本与这一判断方向一致。news类6篇、引用率16.7%，industry类4篇、引用率25.0%，均高于整体7.56%（光尘阁GEO平台，2026年8月15日至9月30日）。具体事实型内容在检测中被引用的比例高于抽象论述。
然而这两个数字建立在4篇和6篇的样本上，样本量不足以支撑任何因果结论。它们只能说明方向值得进一步验证，不能说明「写事实型内容就能提高引用率」。这一点在方法论上必须说清楚，否则容易变成对服务能力的过度承诺。
这一层还有一个容易被忽略的机制。当AI抓取到的信息互相矛盾时，常见的处理方式不是给出错误答案，而是跳过这个信息源。企业官网上写一套说法、招聘平台写另一套、第三方名录里又是第三套，引擎在无法判断时倾向不引用。这意味着在明确需求层，口径一致性比内容产量更重要。是否存在这种跳过行为，本文无法用现有数据直接证明，但从引擎需要在多个来源间做一致性比对的机制看，这一推断是合理的。
第三章 交付层：办公Agent吃的是可执行步骤，但引用率不奖励它
办公层是三层中体量最小、增速靠前的一层。AI办公月活1.42亿，同比增长50.6%。PC客户端用户仅0.26亿，同比增长82.3%，绝对增量约1157万，但使用次数同比增长167.7%，月活跃天数2.8天（QuestMobile，2026年10月20日）。低频、高强度、单次任务重，是这一层的特征。用户在PC客户端上不是聊天，是完成任务。
办公Agent的形态进一步说明了这一点。WorkBuddy月活3235.3万、百度搭子977万、千问办公790.5万（2026年9月），这些产品的交付物是文档、表格、代码、流程，而不是答案。用户要的是一份能直接交出去的东西。
按这个逻辑推，交付层消耗的素材应当是可执行的步骤、模板、参数与清单。这也是GEO从业者中较常见的一种推论：既然办公Agent在替人干活，那么方法论类内容应该更受欢迎。
平台样本给出的结果与这个推论不完全一致。methodology类42篇、引用率7.1%，低于insight类的8.2%（光尘阁GEO平台，2026年8月15日至9月30日）。方法论内容并未因更实用而获得更高的引用率。
这个反差有三条可能的解释，均为推测，需要后续验证。第一条，方法论内容的同质化程度较高，相似步骤在多个站点重复出现，引擎在挑选引用源时缺乏区分依据。第二条，办公Agent的检索更多依赖企业私有数据与已授权的连接器，公开网页并非其素材主粮，因此公开内容的引用率天然偏低。第三条，交付层的模型行为偏向直接执行而非标注来源，引用行为本身在这一层发生得更少。
无论哪条解释成立，结论都指向同一个方向：「内容该喂给哪一层」不是一个全选题，而是一个需要按层拆开的匹配问题。把方法论内容投给模糊需求层的用户，会因为缺少定义与解释而失效；把解释性长文投给明确需求层的插件，会因为缺少可填槽的字段而失效。
五、光尘阁观察：结论与风险
第一，入口分层是可观测的事实，但分层优化目前缺少可靠度量。 三层入口的规模、增速、触发方式差异，在QuestMobile的数据中都有明确呈现（2026年10月20日）。但「为不同层生产不同形态的内容」这一策略要落地，前提是能分别测量各层的引用表现。目前平台侧的检测样本只有172篇、单一引擎、单一时段，7.56%的整体引用率不足以构成行业基准，更不足以支撑分层基准。这一块度量能力是缺失的。
第二，跨引擎信源不重合，是当前内容策略的主要风险。 同题同日的回答，两个引擎的信源约1/10重合，43.5%完全不重合（Brantial，2026年10月）。这意味着在单一引擎上验证有效的形态，换到另一个引擎可能完全失效。以单引擎的引用率指导全域内容投入，存在系统性偏差。国内主流引擎之间是否呈现同等程度的不重合，目前没有公开的同口径数据，这一风险的实际幅度有待验证。
第三，把「被引用」当作唯一目标，会反向扭曲内容质量。 引用机制奖励的是可被摘取的短事实，而不是需要上下文的长论证。如果企业按引用率倒推内容策略，可能得到可见度上升、专业信任下降的结果。这个风险在B2B和专业服务领域尤其需要注意，因为其客户决策依赖的正是长链条论证。
第四，跨市场外推需要额外的谨慎。 Brantial的样本有76%的问题面向土耳其市场，QuestMobile的口径是去重活跃用户、各形态间不可相加。将这两组数据用于中文语料生态的判断时，只能取结构方向，不能取绝对水平。中文语料中政府与学术站点的引用占比是否高于2.1%，目前没有同口径数据支持任何一种结论。
第五，一个可以确定的判断。 三层对素材形态的要求确实不同：模糊需求层要定义与解释，明确需求层要结构化字段，交付层要可执行步骤。这个差异可以从入口的触发方式和使用强度推出，并与平台样本的方向一致。这是本文愿意给出的有限结论。
六、展望建议
对内容生产者的参考方向：
先确定目标层，再决定形态。如果目标是模糊需求层的曝光，内容是定义、解释、判断标准，结构上要便于摘取单段；如果目标是明确需求层的调用，内容是结构化的事实字段，且需要在多个平台保持一致口径；如果目标是交付层的采纳，内容是模板、参数与清单，同时应当预期它的引用率不会高，衡量指标应换成任务采纳率而非引用数。
可以建立的三组观测指标：
第一组，分层检测基线。按层设定问题集，分别统计各层的命中率、引用来源结构、以及自有内容在引用源中的占比。分层之后，各层的基准才有可比性。
第二组，跨引擎重合度。同一问题集在至少三个引擎上重复检测，统计信源重合比例。这个指标直接反映内容策略的稳健性，比单引擎引用率更有决策价值。
第三组，引用来源的性质分布。区分自有站点、第三方媒体、政府与学术、平台型内容四类来源的占比。若引用集中在自有站点，说明内容被AI看见但未被第三方认可，这一结构差异在现有报告中很少被区分。
对行业的方法建议：
GEO服务商需要把「AI可见度」从一个数字拆成一组分层指标。当前行业通行的做法是提交一批内容、统计被引用比例、给出一个百分比。这个百分比在不同客户之间不可比，因为客户的目标层不同、问题集不同、引擎不同。建立统一的分层检测口径，比继续提高单点引用率更有长期价值。
本报告的局限：
平台样本非随机抽样、单引擎、单一时段；Brantial样本以土耳其市场为主；QuestMobile各形态用户存在交叉。上述局限决定了本文的结论应以方向性判断使用，不宜作为定量基准引用。
下期预告
《县域企业的AI信源缺口：政府公示数据为何进不了AI的答案》
企业的资质认定、许可、获奖、标准参与，多数以PDF公示文件的形式存在于政府网站。这类信息权威性高、可核验性强，理论上应当是AI引用中的高价值素材。下一期我们将用光尘阁GEO平台的检测数据，结合公开的政府公示文件形态，拆解一个具体问题：从公示文件到AI可读的网页内容，中间缺了哪几步，以及补齐这几步的成本与收益。
光尘阁研究院 · 2026年10月
报告完成时间：2026年10月28日 数据截至：2026年9月（QuestMobile）、2025年12月（CNNIC第57次）、2026年10月22日（Brantial）、2026年9月30日（光尘阁GEO平台检测窗口） 下一期发布：2026年11月4日
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
