摘要

Veerixa对当前AI搜索生态进行了深入的系统性分析。研究发现，AI搜索的核心驱动力已从传统的关键词匹配和网页排序，演化为一种基于生成式模型的‘检索-理解-生成-引用’的闭环机制。这种机制对信息可见性提出了全新的定义：它不再是简单的页面排名问题，而是关于信息在AI知识图谱中被发现、理解、验证和引用的能力。

研究发现：

  1. 搜索范式的根本转变： 搜索已从“找到链接”转向“生成答案”。用户获取信息的需求从“点击访问”转变为“获得合成结论”。
  2. 引用机制的权力转移： AI如何选择答案来源，取决于内容具备的‘引用就绪性’（Citation Readiness），即信息是否结构化、实体一致且具有可验证的权威性。
  3. 可见性的新维度： 品牌进入AI认知体系的关键，在于其实体（Entity）的结构化清晰度和信息在AI检索流程中的引用频率，而非表面流量。

解释： 传统搜索关注的是“谁在排在第1位”，而AI搜索关注的是“哪个信息源的哪些部分，被AI的哪个组件，以何种方式，被采纳和引用”。这要求信息资产的优化目标从‘吸引点击’转变为‘确保被理解和引用’。

研究背景

人工智能系统，特别是大型语言模型（LLMs）驱动的AI搜索，正从传统的互联网信息发现机制中崛起，成为用户获取知识的主要入口。这种转变不仅仅是工具的升级，更是信息发现机制、知识检索机制和品牌认知形成机制的系统性重构。

搜索变化： 用户行为已从传统的‘主动搜索’（输入关键词，浏览列表）转向‘被动生成’（提出问题，接收综合答案）。这种转变要求信息必须具备更强的结构化、更明确的实体关联性，以适应LLM的理解模型。

技术变化： 检索增强生成（RAG）架构成为主流，它将外部知识库（如企业文档、特定数据库）与LLM的生成能力相结合，使得AI能够从特定、权威的源中抽取信息并进行生成。这使得信息获取路径从“爬取网页 $ ightarrow$ 匹配关键词 $ ightarrow$ 排序”演变为“查询数据库 $ ightarrow$ 检索相关向量 $ ightarrow$ 提取上下文 $ ightarrow$ 生成答案”。

用户行为变化： 用户对答案的期望从“一系列可供参考的链接”转变为“一个简洁、综合、可信的最终结论”。这极大地提高了对信息‘权威性’和‘完整性’的要求。

当前AI搜索格局

当前的AI搜索生态是一个多模态、多模型的竞争场域。主要参与者包括：

  • ChatGPT Search / Gemini / Copilot： 这些平台代表了“生成式搜索”的前沿，它们整合了多模态能力和强大的推理链，旨在提供综合性、多维度的答案。
  • Perplexity： 专注于提供“答案引用链”，其核心价值在于展示信息来源的透明度，将来源的可追溯性作为用户信任的关键指标。
  • 大型语言模型（LLMs）： 作为底层的推理引擎，它们负责语义理解和内容生成，是实现“理解”环节的核心。
  • RAG系统： 作为连接外部知识和LLM的桥梁，是决定答案准确性和时效性的关键技术。

核心研究发现

Veerixa的研究表明，AI搜索的运作机制已将传统信息可见性的定义推向了新的维度。我们识别出以下关键发现：

发现一：搜索的重心已从“关键词匹配”转向“知识图谱的实体一致性”。

  • 现象： 在传统搜索中，与关键词的精确匹配度决定排名；而在AI搜索中，实体（如公司、产品、人物）在AI知识图谱中的结构化表示和一致性，决定了AI对该实体的“理解”深度和准确性。
  • 机制： LLMs通过训练和上下文学习，将信息转化为一种“实体-关系”的知识网络。如果一个信息源未能清晰地定义和关联关键实体，AI就无法将其纳入高权重的知识结构中。
  • 影响： 这意味着，仅仅在网页上出现某个关键词是不够的；品牌和信息需要被“定义”——即在AI的认知空间中拥有一个稳定、可被识别的‘身份’。

发现二：答案的“引用就绪性”取代“网页排名”成为核心可见性指标。

  • 现象： 许多内容在传统搜索中排名靠前，但在AI摘要或AI Overviews中却缺失。反之，那些结构清晰、论点明确、且能被LLM轻松提取并引用的内容，往往能获得高可见性。
  • 机制： 答案生成过程依赖于信息片段的‘提取’（Retrieval）和‘整合’（Synthesis）。如果信息缺乏清晰的边界、论证逻辑或明确的支撑证据，AI系统会倾向于将其视为低价值的“噪音”或无法被采纳的“幻觉风险”。
  • 影响： 内容优化策略必须从“如何让搜索引擎喜欢我的页面”转变为“如何让AI模型轻松地从我的页面中提取所需的信息”。

发现三：信息权威的重新定义：从“链接数量”到“知识的结构化深度”。

  • 现象： 传统上，高权威性等同于高外链数量。但在AI时代，这种线性关系被打破。某些高度专业化、结构严谨的知识体系，即使外链较少，也能在AI的深度检索中占据优势。
  • 机制： AI更倾向于从‘知识的深度’和‘结构化完整性’中判断权威性。一个内容如果能够提供一个完整、无矛盾、且与其他权威知识点形成清晰关系的知识单元，其‘知识密度’远高于一个充斥着浅层信息和重复引用的页面。
  • 影响： 品牌和机构需要投资于构建系统化的知识资产，而非仅仅是内容分发渠道。

技术与系统分析

理解AI如何发现、理解和选择信息，需要深入剖析RAG流程中的各个环节。

1. AI信息处理流程的演进：

AI系统处理信息是一个高度迭代的管道，涉及从原始数据到最终答案的多个阶段：

  • Crawler (爬虫/数据采集)： 负责收集原始信息。在AI语境下，这不仅是抓取网页，更是对知识源的广度覆盖。
  • Index (索引)： 将采集到的信息进行结构化处理，建立一个可快速检索的知识库。
  • Embedding (嵌入)： 将文本转化为高维向量空间中的数字表示，这是实现语义搜索的基础。信息越是语义丰富，其向量表示就越能精确地捕捉到用户的搜索意图。
  • Retrieval (检索)： 根据查询的向量，从索引中快速匹配出最相关的文本片段（Context）。这是AI“发现”信息的关键步骤。
  • Ranking (排序)： 在检索到的众多片段中，利用复杂的模型对片段进行重新排序，决定哪些片段最适合作为答案的“原料”。
  • Generation (生成)： LLM接收经过排序和筛选的上下文信息，利用其语言模型能力，将这些片段组织成连贯、流畅的自然语言答案。
  • Citation (引用)： 这是最关键的环节，AI系统必须能够将最终答案中的每一个关键论点，精确地映射回其原始的上下文片段（Source Document ID），实现溯源。

2. 检索增强生成（RAG）的系统性影响： RAG机制是当前AI搜索实现高效信息发现的核心技术。它解决了LLMs“知识截止日期”和“幻觉”的问题，但其效果高度依赖于上游组件的质量。

  • Embedding质量决定检索的精度： 使用高质量、领域特定的Embedding模型，能确保检索到的上下文不仅仅是词汇上的相似，更是语义上的精准对应。
  • RAG的“信息筛选”能力： RAG系统扮演了一个智能的“信息过滤器”。它不会将所有信息都喂给LLM，而是根据查询实时筛选出最相关的‘信息子集’，这极大地提升了答案的针对性和可靠性。

3. 实体识别（Entity Recognition）的深层意义：

AI如何理解一个“品牌”或“产品”，远超传统搜索引擎的“关键词匹配”。实体识别（Entity Recognition）是AI构建知识图谱的基石。

  • “被搜索”不等于“被理解”： 传统搜索关注关键词的出现频率。而实体识别关注的是上下文中的角色和属性。例如，搜索“苹果”可能匹配了数万个网页，但AI需要识别出“苹果公司”作为“科技巨头”、“iOS操作系统提供商”等特定角色出现。如果信息在不同语境下实体描述不一致（Entity Inconsistency），AI就会产生冲突的理解，导致答案的碎片化或错误。
  • 知识图谱的构建： 实体识别的最终目标是构建一个动态的、高密度的知识图谱。这个图谱是AI进行复杂推理和多跳信息关联的基础。一个健壮的知识图谱，确保了AI在面对复杂查询时，能够进行逻辑推理，而不是简单地进行文本拼接。

组织影响

AI搜索生态的转变对组织传播和品牌运营提出了结构性要求。组织需要从“内容生产方”向“知识结构设计方”转型。

对企业传播团队的影响：

  • 从内容创作到知识工程： 重点将从“如何写一篇吸引人的博客”转向“如何设计一个结构化、可被AI高效索引和引用的知识资产”。
  • 实体治理的必要性： 必须建立严格的实体一致性管理流程，确保品牌在所有数字接触点上（从官网到社交媒体到数据库）的身份描述是统一的，以支持AI的准确认知。

对品牌团队的影响：

  • 知识资产的战略价值提升： 组织内部的文档、报告和数据库的结构化程度，直接决定了品牌在AI认知体系中的‘知识密度’和‘引用潜力’。
  • 透明度与可验证性： 品牌需要设计其信息输出，使其具备清晰的论证链条，从而在AI的引用环节中展现出最高的‘引用就绪性’。

未来研究信号

Veerixa认为，AI搜索可见性的未来发展将呈现以下几个值得长期观察的方向，而非确定性预测：

  1. AI引用稳定性的发展： 观察AI模型在处理复杂、多源、冲突信息时，其引用链条的稳定性如何变化。未来是否会出现更精细化的‘引用权重’系统，而非简单的‘有无引用’。
  2. 搜索入口的碎片化与融合： 随着Copilot、Gemini等AI集成搜索功能的普及，单一的搜索入口将逐渐被AI Agent驱动的、高度定制化的搜索界面所取代。研究不同AI Agent如何聚合和优先选择信息源。
  3. 品牌实体的动态演化： 品牌实体将不再是静态的标签，而是在AI的持续学习和交互中，根据其在不同场景下的知识贡献和引用频率，动态地重塑其在知识图谱中的权重和认知结构。
  4. “纯粹GEO”概念的祛魅与再定义： 随着技术迭代，早期的“GEO”概念中那些依赖于表面修饰和不具备实质性结构优化的方法，将被系统性地淘汰。真正的未来可见性将回归到对信息‘内在质量’和‘结构化潜力’的评估。

Veerixa研究视角

AI搜索时代的核心变化，并非信息量的减少，而是信息‘选择和采纳机制’的根本性转变。传统可见性关注的是信息的‘曝光率’（曝光到多少人面前），而AI可见性关注的是信息的‘被采纳度’（被AI的知识引擎采纳和引用到何种程度）。这要求我们从‘流量驱动’的优化思维，彻底转向‘结构驱动’和‘理解驱动’的知识工程思维。信息资产的价值，将从‘吸引点击’升级为‘确保被理解和信任’。

国际传播中的媒体体系、受众行为与沟通习惯会因地区与行业而存在显著差异。本文总结的是常见规律与参考因素，而真正有效的传播策略仍应结合本地环境与组织目标进行定制化设计。

信息源头

https://www.hobo-web.co.uk/what-is-generative-engine-optimization-geo-a-geo-first-framework-debunked