虚假数据实验：当 50,000 条编造统计被 AI 引用
地理学研究员梅田耶西里乌尔特（Metehan Yesilyurt）于 2026 年 10 月 7 日公开了一项关于生成式引擎优化（GEO）的实验结果。该实验旨在探究大型语言模型（LLM）在搜索与引用数据时的行为逻辑，特别是当面对完全虚构的数据源时，AI 系统的反应机制。
实验背景与实施细节
2026 年 3 月，梅田耶西里乌尔特注册了一个全新域名 stateglobe.com，并利用 GPT-4.1 在一天内生成了 50,000 个统计页面。这些页面声称提供来自 200 个国家在 SEO、内容营销、社交媒体、电子商务和网页技术领域的统计数据。所有数字均为凭空捏造，未经任何核实，网站仅使用基础 AI 模板搭建。随后，他又添加了 15,000 篇列表文章。整个项目的总成本约为 50 美元。
这一想法源于对 LLM 相关性工程和接地（Grounding）的研究。随着越来越多团队使用 LLM 撰写时效性内容，模型倾向于寻找看似可靠的数据以填补知识空白，而统计数据往往是首选目标。此前，先见者互动公司（Seer Interactive）在 2025 年 8 月发表过类似研究，启发了本次实验的设计。
搜索引擎与 AI 检索的分化表现
实验结果显示，传统搜索引擎与 AI 检索系统对该网站的反应截然不同：
- Google 的反应： 网站上线初期曾被快速索引并出现在搜索结果中。但在两次 Google 算法更新后，其可见性迅速崩塌。过去几个月内，该网站在 Google 上几乎处于“隐形”状态，索引页面的反弹次数仅在 5 到 20 次之间。
- ChatGPT 的反应： 尽管 Google 已遗忘该网站，但 ChatGPT 持续对其进行抓取和引用。根据 Cloudflare 的日志数据，仅在过去 30 天内，该网站就收到了超过 60 万次机器人请求，其中约 7.2 万次来自 ChatGPT-User。这是 ChatGPT 用于实时打开网页以回答用户问题的智能体流量，而非训练数据抓取。
GA4 数据显示，自 3 月以来，仅来自 ChatGPT 的直接会话数已超过 10,000 次。此外，Ahrefs 和 Semrush 的数据表明，该网站获得了包括 Shopify、DHL 和 Bluehost 在内的 330 多个引荐域名的链接。
虚假数据的“权威化”过程
更令人担忧的是，这些虚构数据进入了严肃内容的引用链条。StateGlobe 上的假数据被一篇学术论文、一家银行的投资研究报告、印度的一份经济学刊物以及加拿大影响者社区的研究报告所引用。
这种现象被称为“引文洗钱”。一个最初毫无权威的随机数字，在被学术或商业机构引用后，逐渐呈现出可信度。每一次引用都强化了其作为“来源”的地位。如果经过大量检索和引用，这些页面最终可能被纳入网络索引，甚至成为下一个模型“知道”的事实。
GEO 机制解析：为何统计页面易被 LLM 选中
梅田耶西里乌尔特指出，LLM 偏好引用统计页面主要基于以下机制：
- Fanout 查询策略： 当提示词需要研究支持时，模型会将问题拆解为子查询，添加“statistics”、“data”、“report”或当前年份等修饰符。例如，询问远程工作博客时，模型会搜索“remote work statistics 2026”。
- 具体数字即证据： 相比模糊的描述，具体的百分比或数值更能满足模型填充知识缺口需求。特定数字被视为可引用、具附加值的证据。
- 缺乏事实核查环节： 出于延迟和成本考虑，LLM 在生成答案时不会独立验证每个数据点的真实性。重排器（Rerankers）评估的是相关性和表面权威性，而非真理。
- 新鲜度信号： 统计页面通常在标题、标题标签和 URL 中包含年份信息，这向模型传递了内容新鲜的信号。
合规操作建议与后续实验
在 Peec AI 加入后，研究团队进行了对照实验，发布了包含真实数据且正确引用来源的页面（peec.ai/ai-search-geo-statistics）。结果显示，疑似使用 AI 撰写内容的网站开始主动链接至该页面，证实了发布高质量统计内容是获取 LLM 引用的有效策略。
对于希望优化 GEO 的品牌，建议遵循以下原则：
- 单一主张句： 每句话只陈述一个观点，确保数据片段脱离上下文也能独立成立。
- 明确来源与年份： 格式如“据 [来源] (2026) 显示，X%……”，有助于模型识别及人工编辑核查。
- 匹配 Fanout 查询： 标题应模仿模型的搜索方式，如“[主题] 统计数据”、“[主题] 市场规模”。
- 保持更新： 展示更新日期并实际维护，陈旧页面会被新页面取代。
- 易于抓取： 使用服务器渲染 HTML，避免将数据隐藏在 JavaScript、标签页或图片中；检查 robots.txt 确保未屏蔽 AI 检索机器人。
- 结构简洁： 统计页面本质上是列表，无需过度设计。
- 原创数据优先： 聚合数据虽有用，但独家数据能确立主要来源地位。
监测方法与伦理警示
由于 Google Search Console 无法直接反映 AI 机器人活动，建议通过以下方式追踪：
- 监控服务器日志或 Cloudflare 中的 AI 机器人活动（如 ChatGPT-User, OAI-SearchBot, PerplexityBot）。
- 在 GA4 中追踪来自 chatgpt.com、perplexity.ai 等的 AI 推荐会话。
- 使用工具跟踪特定提示词下的引用可见性。
- 通过 Ahrefs 或 Semrush 监测新的引荐域名。
- 搜索精确的数字字符串以发现无链接提及。
梅田耶西里乌尔特强调，发布虚假内容违背伦理底线。StateGlobe 网站目前虽仍在线，但已添加免责声明。该实验旨在揭示风险，而非鼓励造假。验证信息来源应是作家和研究人员的核心工作流程。此外，随着 LLM 技术的发展，此类漏洞可能会被修补，当前的策略效果不保证长期有效。
