发布伪造统计数据竟被 LLM 广泛引用
关于 AI 搜索,我编了 5 万条假数据并被 ChatGPT 引用后学到的东西……
大约 7 个月前,我上线了一个包含 5 万条统计数据的网站,每一条都是编造的。
Google 已经忘了这个站点的存在,把页面全部移出了索引,但 ChatGPT 没有。网站上线这 7 个月以来,它给这个站带来了超过 1 万次 AI 会话,现在还有 330 多个域名(包括 Shopify、Bluehost 和 DHL)链接到它。这些编造出来的数字甚至进入了一篇学术论文和一家银行的投资研报。
在 Peec AI 和整个行业里,我们每天都在谈论 GEO 和 SEO,不断寻找新玩法。这个假统计数据的站点是我琢磨了很久的项目,期间也陆续公开过一些进展。虽然纯属实验,但结果实在不容忽视。
发布假统计数据的灵感从哪来
往网站上投放统计数据的念头,来自我长期对 LLM、相关性工程和 grounding 的研究(感谢 iPullRank 团队、Dan Petrovic 和 Wil Reynolds)。
工作中我注意到一个现象:随着越来越多团队用 LLM 撰写时效性强的新闻类内容,LLM 在研究过程中必须寻找(看起来)可靠的数据来填补知识空白,而统计数据往往正是它们要找的东西。
大多数 GEO 建议只关注一个环节:让自己的品牌出现在 AI 的回答里。而这个实验关注的是回答之后的走向——人们拿到输出后会怎么用:放进 PPT、加进购物清单,甚至发布到自己的网站上。
这个实验点子不是我一个人想出来的。要感谢 Seer Interactive,他们在 2025 年 8 月发布过一份让人大开眼界的研究,在我脑子里激起了不少想法。几个月后,这些想法逐渐成型,终于排上了我的待办清单。2026 年 3 月,我开始着手搭建这个用来验证想法的网站。
实验设置:一天建成的网站和 5 万条假数据
先给那些没有实时跟进这个实验的读者补一下背景:
我注册了一个全新域名 stateglobe.com,并在一天内用 GPT-4.1 生成了 50,000 个统计数据页面。该网站号称提供来自 200 个国家在 SEO、内容营销、社交媒体、电商及 Web 技术方面的统计数据。但事实上,所有数字都是我杜撰的,我从未核实过任何一个数据。我使用基础 AI 网页设计模板将它们推送到站点上。这项操作花费了我约 $30。后来,我又在统计页面上方添加了 15,000 个列表文章。这部分又花了约 $20,因此,这场实验的总成本极低,仅约 $50。
当我最初分享这个项目时,反响热烈。当我的朋友 Kevin 在 Growth Memo 中介绍它时,触达了更广泛的受众。我认为人们之所以对此反应如此积极,是因为它不仅展示了显著的效果,还触及了人们对 AI 搜索结果中内容质量的担忧。
发生了什么
谷歌几乎立刻将其埋没
网站刚上线时,流量、收录和互动数据都表现得很不错。借助收录工具,我在一周内让几乎整个网站完成了收录,并开始出现在谷歌搜索结果中。
但在上线后不久,谷歌连续推出了两次更新,我的谷歌可见度随之崩塌。


过去好几个月,我在谷歌上几乎完全隐形。被收录页面的展示次数在 5 到 20 次之间波动。有一次,我出于好奇创建了一个子域名,试图提高展示次数,但收效甚微。
除此之外,我几乎没有再动过这个网站。有些页面现在可能偶尔会加载失败,我也不清楚具体情况。
但当我坐下来写这篇文章时,我检查了 Cloudflare 中的爬虫数据,那是距离上线 7 个月后的数据。


光是过去 30 天,该网站就收到了超过 60 万次来自爬虫的请求。其中约 7.2 万次来自 ChatGPT-User,这是 ChatGPT 在实时回答用户提问时用来打开网页的代理。这意味着这些并非用于训练数据的抓取,而是 ChatGPT 为了回答真实问题而实时获取的虚假统计数据页面。
与 Google 不同,ChatGPT 从未停止从该网站拉取数据
我说“从未停止”,是指 ChatGPT 真的从未停止。
上线 7 个月后,该网站已拥有 330 多个引用域
根据 Ahrefs 和 Semrush 的数据,该网站获得了来自 330 多个其他网站的链接,其中包括 Shopify、DHL 和 Bluehost 等知名品牌。如果在 Google 上的表现更强,这个数字本可以更高。


ChatGPT 至今仍在引用该网站
Google 可能已经遗忘了这个网站,但 ChatGPT 显然没有。自上线 7 个多月以来,该网站仍在持续获得引用和流量。
如果你读过 Tomek 关于 ChatGPT 索引的研究,那太好了,它是了解 ChatGPT 搜索机制的绝佳入门资料。如果还没读,请现在就把它加入阅读清单,它能帮助你理解为什么我的网站能在 ChatGPT/OpenAI 索引中留存如此之久。
一个完全虚构的网站表现依然如此强劲,着实令人震惊。自 3 月以来,GA4 数据显示仅来自 ChatGPT 的访问会话就超过 10,000 次,而 Cloudflare 也显示该网站在检索方面获得了高评分。

我没有将直接访问计入总访问量,因为其中大部分看起来像是爬虫流量。记住“死互联网理论”!
2026 年 6 月我刚加入 Peec,就在我们的工具里搭建了一个可见度看板,用来追踪几个提示词。这些提示词的表现至今依然不错。10 月 7 日,stateglobe.com 在这些提示词的可见度排名中位列第二,仅次于数据巨头 Statista。

检索不等于排名
第一个重要教训是:持续被检索这件事说明,在 Google 上排名靠前和被 LLM 检索到是两个不同的问题。
ChatGPT 搜索时,并不会照搬 Google 的前 10 条结果。它会把你的提示词改写成自己的子查询(即 fanout 查询),从搜索源和自身缓存中拉取候选内容,重新排序,然后打开其中几个页面来为回答提供依据。一个页面在 Google 上可能毫无踪影,却能在 LLM 的每一步中都表现出色。
StateGlobe 就是很好的例子。Google 把它下架了,但 AI 检索爬虫却一直络绎不绝。
对 GEO 来说,这意味着 Google 排名只是一个信号,而非全部。如果你只盯着 Google,就会错失一个即便 Google 说“不”也能起作用的渠道。
假数据变成了真实引用
你可能会想,一个网站如果在信息检索工具中表现不错,它的信息就会开始传播到现实世界中。没错,事实正是如此。
StateGlobe 完全建立在假数据之上,用的是最便宜的模型,提示词也不过是国家和主题的列表外加两句话。尽管如此,它的产出却……
……被一篇学术论文引用……

……被卡塔尔最大的金融集团用于投资研究……

……被印度一家经济学刊物引用……

……还被加拿大一个网红社区作为研究报告的参考来源。

注意,这些只是带外链指向 StateGlobe 的引用。可以想见,还有更多使用了这些数据但没留链接的。
令人不安的推论:引用清洗
在第一天,StateGlobe 上的虚假数字毫无权威可言。它只是一个全新域名上的随机统计。
然后,一篇学术论文引用了它。接着,一家银行也引用了它。现在,下一个找到这个数字的人,或者下一个模型,看到的将是一个有出处的统计。而这个出处,被严肃的机构所引用。
虚假数据当然没有变成真的,但每一次引用都让它显得更可信。
情况可能会变得更糟:经过大量的检索和引用,这些网页最终会进入网络爬虫的抓取范围,而爬虫数据又会被用于训练集(我希望它没有!)。一个起初只是 GPT-4.1 猜测的数字,可能会变成下一个模型“已知”的事实。
这指向了该实验揭示的更大风险,这也是我将其作为研究分享,而非虚假内容指南的原因。来源验证应成为写作者和研究者工作流程中不可或缺的一部分。
最后,我们用真实数据进行了实验
当我开始在 Peec 工作后,我决定再次尝试这个测试。作为 GEO 研究团队,我们讨论了此前的结果,并迅速上线了一个简单的页面。这一次,没有捏造的数字,我们核查了每一个统计数据并正确引用了来源。你可以在此查看:peec.ai/ai-search-geo-statistics。
几乎立刻,我们怀疑使用 AI 写作内容的网站开始链接到我们。继第一次之后,通过第二个网站发布统计内容来获得链接,再次证明了这一假设强大的策略在现实中确实有效。

经验教训
为什么发布统计数据能带来 LLM 引用
两次测试表明,当 LLM 被要求撰写文章时,它们强烈倾向于寻找统计数据。其机制很简单:
越来越多的内容由 LLM 生成。
当 LLM 写作时,它会研究相关主题。
当 LLM 遇到内容缺口时,它会寻找一个数字来填补。
这一过程背后的原因同样清晰。
研究意味着发出寻找统计数据的扇出查询
当提示词要求模型进行调研时,它会将其拆解为子查询,并自动补充“统计”、“数据”、“报告”或当前年份(若提示词中有此要求)等修饰词。例如,若有人要求模型撰写一篇关于远程办公的博客文章,模型搜索的关键词可能是“2026年 远程办公 统计数据”。那些针对模型搜索习惯而非人类输入习惯进行优化的页面,更容易出现在大语言模型(LLM)的检索结果中。
数字看起来像能填补知识空白的证据
当模型被要求起草一篇文章时,引用一个仅声称“远程办公正在增长”的页面,权威感有限且内容模糊。但如果该页面写道“X%的雇员每周至少有一周完全远程办公”,瞬间就具备了具体性、可引用性和信息增量。当模型为答案寻找依据时,具体的数字是最有用的材料。这些数字看起来像证据,但正如本实验所证明的,它们有时并非如此。
模型不会校验数字
基于搜索生成的 LLM 内容,对延迟和成本有严格的预算限制。系统获取少数几个页面,提取相关段落,然后开始生成文本。整个过程中没有任何事实核查环节。
要核实一个统计数据,意味着寻找独立来源、进行对比并解决冲突。面对数以百万计的用户发出的数十亿次提问,时间成本和金钱成本将累积到无法实用的程度,使得验证过程既过慢又过贵。
为了规避这一问题,LLM 使用重排序器(reranker)来评估相关性,而非真实性。这意味着,只要一个段落与查询匹配且看起来具有权威性,它就会被采用。
统计数据具有模型偏好的内置新鲜度
我之前写过关于 ChatGPT 在评估来源时的近因偏差。统计类页面的标题、正文标题和 URL 中通常包含年份。这三个内置信号告诉模型,页面上的内容是最新的。
如何正确构建一个统计页面
我做的两个测试表明,统计类页面是让内容被 LLM 引用的非常有效的方式。当然我绝对不建议编造假数据,但你可以借鉴这次小实验的经验,用真实数据做出自己的页面。以下是我们 Peec 团队验证有效的做法,如果再让我做一个统计页面,我也会照此执行。
每句话只表达一个观点。每条数据都要能脱离上下文独立成立。检索的单位不是整个页面,而是段落片段。如果一个数字必须结合上文才能看懂,它大概率不会被引用。
每个数字旁边标注来源和年份。写成“根据 [来源](2026),X%...”这样的格式。这对模型、人工编辑和你的可信度都有帮助,是一种让整个信息环境受益的信息卫生习惯。
标题要匹配 fanout 查询。页面标题应该贴合 LLM 搜索互联网的方式:“[主题] statistics”“[主题] market size”“[主题] adoption by country”。要按照模型实际执行的查询来思考,而不是只盯着用户输入的关键词。
展示更新日期(并真的去更新)。内容新鲜度是模型会考虑的真实信号,过时的统计页面会输给更新过的页面。
让数据易于抓取。使用服务端渲染的 HTML,不要把数据藏在 JavaScript、选项卡或图片后面。另外务必检查你的 robots.txt 和 CDN、WAF 规则——你的网站可能在不知不觉中拦截了 AI 检索机器人。
保持简单。我们的 Peec AI GEO 统计页面基本上就是一份列表,你的页面也不需要更复杂。把设计资源留给那些真正能从中受益的站点和素材。
尽量提供原创数据。汇总别人的数据或许能带来一些引用,但只有说出别人没说过的东西,你才能成为一手来源。
如何追踪你的页面是否被采用
Google Search Console 不会告诉你 AI 机器人在你网站上的动向,我追踪的是这些:
AI 机器人活动:查看服务器日志或 Cloudflare。要关注 ChatGPT-User、OAI-SearchBot、PerplexityBot 这类检索机器人,而不只是训练爬虫。我们平台就有这个功能!
AI 引荐会话:GA4 中来自 chatgpt.com、perplexity.ai 及类似来源的流量。
引用与可见度追踪:针对一组提示词进行监测。在 Peec,我们显然使用自家工具来完成这项工作。
新的引荐域名:监测 Ahrefs 或 Semrush 中的新引荐来源。
未带链接的提及。将你的具体数据加上引号进行搜索,你会发现有人正在使用你的数据,却未附带你网站的链接。
伦理声明
不必多言,任何时候都不应发布虚假内容。虽然我的实验依赖数万条未经核实的统计数据,但我做此实验是为了向公众展示结果,该网站目前仍在运行,但已添加了免责声明。当我们发布期望被 LLM 收录的内容时,始终应该提供准确、易获取的信息。
还需补充一点,无法保证这种策略永久有效。我们测试了这一策略,并得出了上述结果,但既然结果已公开,LLM 可能会迅速修复这一漏洞。目前看来它是可行的,但未来可能失效,且任何情况下都绝不能滥用此策略。
最后一点:这只是一项策略,既不能也不应成为你组织整个 GEO 战略的基础。我在 StateGlobe 上取得的效果极为显著,但最有可能受益于该技术的品牌,本就是那些用户已经信任的品牌。
Peec 的 GEO 研究:下一步计划
在 Peec,我们的研究团队正在开展近 40 项类似实验。部分仍在进行中,部分已开始显现结果。为品牌构建长期战略,意味着要不断测试、度量,并分享过程中的发现。
更多细节稍后揭晓!