被引用不等於被選中：GEO 的 2026 度量時代——席位、入圍名單與 68 天延遲

核心要點

• ChatGPT 檢索的頁面數約為其引用數的 6 倍，引用集中在每個主題約 30 個網域——在產品比較類主題中，前 30 個網域拿走 67% 的引用——Kevin Indig 對約 120 萬份 ChatGPT 答案與約 98,000 行引用資料的研究，由 Search Engine Land 報導。
• 在 Google 排名第一的頁面中，只有 43.2% 被 ChatGPT 引用——但這仍是前 20 名之外頁面的 3.5 倍——排名溢價真實存在，但它買到的是入場券，不是席位（Search Engine Land）。
• Google AI Overviews 引用自我推銷的「最佳」清單文章，卻在 69% 的情況下把該發布者排除在推薦之外——Lily Ray 的 2026 B2B 軟體研究確立：被引用不等於被選中（Profound）。
• 51% 的 B2B 科技品牌在 ChatGPT、Perplexity 和 Gemini 上引用數為零，而贏得媒體到引用的延遲中位數是 68 天——Crackle PR 的 2026 年 Q2 基準（AuthorityTech）。
• AI 搜尋轉換率在 ChatGPT 上是 Google 自然搜尋的 5.1 倍（14.2% vs 2.8%），Claude 上 6.0 倍（16.8%），Perplexity 上 4.4 倍（12.4%）——但只有 11% 的網域同時被 ChatGPT 和 Perplexity 引用，單一引擎策略會放棄大部分溢價（Loganix/PR Newswire）。

三項研究在 2026 年 9 月的前三週落地，改變了「GEO」對 B2B 內容團隊的含義。Kevin Indig 對約 120 萬份 ChatGPT 答案的分析發現，引擎檢索的頁面數約為它引用數的六倍，可見度集中在每個主題約 30 個引用網域中——他把這個結構概括為「除非你建立足夠的權威，贏得數量有限的引用『席位』之一，否則你實際上被擋在外面」（Search Engine Land）。Lily Ray 的 2026 B2B 軟體研究發現，Google AI Overviews 引用自我推銷的「最佳」清單文章，卻在 69% 的情況下把該清單文章的發布者排除在自己的推薦之外（Profound）。而 Crackle PR 的 2026 年 Q2 基準統計出 51% 的 B2B 科技品牌在 ChatGPT、Perplexity 和 Gemini 上引用數為零，且從一次贏得媒體曝光到它作為引用出現之間的中位數延遲是 68 天（AuthorityTech）。

本文是 GEO 不是 SEO：為什麼 AI 引用與搜尋排名脫鉤——以及該怎麼辦 的度量姊妹篇，那篇文章講了引用為何與自然排名脫鉤以及五步行動手冊。這裡聚焦 2026 年的研究在行動手冊之後度量了什麼：引用池實際上如何結構化（席位）、在被檢索與被選中之間發生了什麼（69% 的排除），以及轉換算術對中型 B2B 供應商下一筆內容預算該花在哪裡的說法。這些數字不取代行動手冊——它們改變的是操作順序，以及儀表板上的指標。

引用池的席位數量是固定的

Indig 的研究從七個垂直產業的約 120 萬份 ChatGPT 回應中解析出約 98,000 行引用資料，使用結構化頁面解析、位置映射，以及實體與情感分析（Search Engine Land）。結構性發現是大多數 B2B 團隊尚未內化的部分：

• 集中度。 在產品比較類主題中，前 10 個網域拿走 46% 的引用，前 30 個拿走 67%。AI 可見度的集中度略低於經典自然搜尋，但仍足夠集中，中型 B2B 供應商是在為每個主題僅有的少數引用席次競爭。
• 第一名溢價是入場券，不是保證。 43.2% 的 Google 第一名頁面被引用——是前 20 名之外頁面的 3.5 倍。超過一半的第一名頁面完全沒有被引用。
• 檢索不等於引用。 ChatGPT 檢索的頁面數約為其引用數的 6 倍，而 Search Engine Land 報導的 AirOps 資料發現 85% 被檢索的頁面從未被引用。三分之一的被引用頁面來自扇出查詢（fan-out queries），其中 95% 的搜尋量為零——探索發生在大多數團隊追蹤的關鍵字宇宙之外。
• 長度買到引用量，但有產業上限。 超過 20,000 字元的頁面平均獲得 10.18 次引用，500 字元以下的頁面為 2.39 次，最大提升出現在 5,000–10,000 字元。這個模式在金融業失靈——更短、更密集的頁面常常勝出。
• 單次引用是雜訊。 58% 被引用的 URL 只被引用一次。重複引用流向品類彙整、比較頁面和寬泛指南——回答多個相關問題的頁面。
• 頁面頂部是可被引用的部分。 頁面的 10–20% 區段在所有產業中表現最好；底部 10% 只贏得 2.4–4.4% 的引用。結論部分大多被忽略。

對中型 B2B 供應商而言，這個算術不留情面：你在任何給定主題中競爭的席位，由約 30 個網域之一持有；在位者的頁面更長、從更多角度覆蓋該主題；而且 58% 的席位在工作階段之間更替——這既是威脅（你那次引用會蒸發），也是機會（在位者的席位在流轉）。

引用池的結構——每個主題席位很少、單次引用的高週轉率，以及「被檢索但未被引用」的落差：

被引用不等於被選中

Ray 的研究是改變儀表板的那一個。她的團隊分析了 Google AI Overviews 如何處理 B2B 軟體查詢，發現引擎引用自我推銷的「最佳 X」清單文章——供應商寫自己的頁面——同時在 69% 的情況下把同一發布者排除在答案實際給出的推薦之外（Profound）。清單文章在來源清單中贏得一次引用；卻沒有贏得讀者看到的入圍名單中的一席。

這個區分不是學術性的。它是 GEO 報告中看起來一模一樣的兩個 KPI 之間的差別：

1. 引用在場——你的 URL 出現在被引用來源面板中。可度量、令人滿足，而且微弱：它只說明引擎認為你的頁面值得一讀。
2. 答案入選——引擎合成的推薦包含你的產品、品類或論斷。這才是塑造買方入圍名單的東西，也是 G2 的 2026 AI 搜尋洞察報告將其與供應商選擇綁在一起的原因：聊天機器人是塑造供應商入圍名單最具影響力的來源。

排除有其機制。AI Overview 從多個被檢索的片段合成一個推薦；自我推銷的清單文章是一個可用的來源，卻是一個糟糕的推薦候選，因為模型看得見利益衝突。Ray 的鑑識工作——包括一個 AI 系統在 24 小時內吸收偽造排名的實驗——記錄了弱論斷進入答案系統的速度，以及引擎如何對待明顯有偏見的來源（Profound）。對 B2B 供應商的實際解讀：如果你的引用策略依賴自己的「最佳」頁面，你是在為兩個結果中較弱的那個最佳化。把來源清單中的引用轉化為推薦的，是第三方佐證。

贏得媒體的算術：51% 與 68 天

Crackle PR 的 2026 年 Q2 AI 引用基準量化了母篇文章的行動手冊曾暗示、卻從未度量的依賴關係（AuthorityTech）。兩個數字重構了預算對話：

• 51% 的 B2B 科技品牌引用數為零，橫跨 ChatGPT、Perplexity 和 Gemini。B2B 品牌在 AI 搜尋中的預設狀態是缺席。Forrester 的 2026 買方旅程調查顯示 72% 的買方在供應商評估期間使用 ChatGPT——買方已經移動；供應商陣營有一半還沒出現。
• ChatGPT 的 B2B 供應商引用中，71% 來自贏得媒體，29% 來自自有內容；只有 12% 的 Google AI Overview 答案連結到新聞稿（AuthorityTech）。引擎倚重第三方編輯內容，而 B2B 科技供應商問題被引用最多的出版物是 TechCrunch、Forbes、The Information、VentureBeat 和 Business Insider——網域權重與引用頻率的相關性為 r = 0.62。一次一線媒體報導勝過十幾次中層行業媒體提及。
• 從贏得媒體曝光到 LLM 引用的延遲中位數是 68 天。 對預算的含義是時機：今天啟動的贏得媒體計畫，大約十週後才產生第一批引用。6 月啟動的品牌現在正在進入引用週期。

彙整者自己陳述的誠實邊界：這些數字確立的是被引用樣本中的來源構成，而非對任何單一品牌的保證因果關係（AuthorityTech）。結構性結論不需要因果主張也成立——如果大部分引用來自贏得媒體，而大部分品牌沒有針對 AI 表面的贏得媒體管線，那麼引用赤字是管線問題，不是內容品質問題。

母篇文章行動手冊第 4 步（「出現在引擎已經在看的地方」）就是這個算術的實踐。2026 年的升級在於這個依賴關係現在被度量了：自有內容是必要的，但在結構上權重不足——只佔引用基礎的 29%——而 68 天的延遲設定了規劃視野。

轉換算術與 11% 陷阱

轉換數字證明投資合理；重疊數字殺死捷徑。出自經 Loganix 發布的多來源綜合分析——合併六項獨立發表、覆蓋 6.8 億次引用的研究：

平台	轉換率	相對 Google 自然搜尋（2.8%）的倍數
Claude	16.8%	6.0 倍
ChatGPT	14.2%	5.1 倍
Perplexity	12.4%	4.4 倍
Google 自然搜尋	2.8%	1.0 倍

與集中度和排除研究放在一起讀，這張表帶有三個營運後果：

1. 溢價真實存在，但因引擎而異。 Claude 使用者以 16.8% 轉換，ChatGPT 14.2%，Perplexity 12.4%——對照 2.8% 的自然搜尋基準。這些是 Exposure Ninja 2026 年 3 月的比率，平台特定數字來自多來源綜合分析，屬於自我報告與平台測量，未經獨立稽核——誠實警告適用。方向才是訊號：AI 推薦的訪客在決策中段到達，帶著已經塑造意向的推薦。
2. 只有 11% 的網域同時被 ChatGPT 和 Perplexity 引用。 Averi 對 6.8 億次引用的分析發現跨引擎網域重疊為 11%——引擎在 89% 的情況下為同一查詢引用不同來源（Loganix/PR Newswire）。以單一引擎度量的計畫，在放棄大部分可觸及溢價的同時，報表上卻顯示成功。「AI 搜尋」不是一個渠道；它是至少四個來源偏好各不相同的渠道。
3. 主導相關因素是品牌提及，而非反向連結。 在 Ahrefs 對 75,000 個品牌的分析中，網頁提及與 AI 引用的相關性為 Spearman 0.664，約是反向連結相關性 0.218 的 3 倍（Loganix/PR Newswire）。建立品牌提及的分發渠道——贏得媒體、行業出版物、從業者社群——與 71%/68 天算術指向的是同一個。

計畫該調整什麼

度量時代改變了執行母版行動手冊的中型 B2B 團隊的四個營運預設：

1. 追蹤答案份額，而非排名。 儀表板指標是每個引擎的答案聲量份額——你的品牌出現在生成答案和供應商入圍名單中的頻率——而非關鍵字排名，也非單一工作階段的引用計數。58% 被引用的 URL 只出現一次；排名追蹤器看不見那種流轉，而引用計數的虛榮指標會誤讀它。
2. 為 68 天的管線編預算，而非發布日幻覺。 針對 AI 表面的贏得媒體曝光，不會在它發布的那一季內回本。按兩個季度的視野規劃引用，並顯式度量曝光到引用的延遲，而不是假設自有內容會按自己的時間表轉換。
3. 以佐證為目標，而不只是引用。 69% 的排除說明，答案的推薦層才是要緊的。從贏得媒體投入中編列一部分，用於第三方在引擎合成推薦時可以引用的報導——分析師筆記、從業者撰文、比較報導——而不只是你控制的「最佳」頁面。
4. 按引擎度量。 11% 的跨引擎重疊使平台不可知的報告成為失職：分別追蹤 ChatGPT、Claude、Perplexity 和 Google AI Overviews，因為在一個引擎中可見的品牌可能在另一個引擎中缺席，而每個引擎帶有不同的轉換倍數。

這些都不取代母篇文章記載的抓取層或可引用內容屬性——允許清單中的爬蟲、llms.txt、結構化資料、頁面前三分之一的來源與統計資料。它重新分配它們背後的投入權重：在一個每主題約 30 個席位、69% 發布者排除、68 天贏得媒體延遲的池子裡，邊際預算從再寫一個自有頁面，轉向贏得席位並為其取得佐證的管線。

相關閱讀

• GEO 不是 SEO：為什麼 AI 引用與搜尋排名脫鉤——以及該怎麼辦——母篇文章：引用為何與自然排名脫鉤、普林斯頓的內容屬性因素、抓取層，以及本度量姊妹篇所建立的五步行動手冊
• AI Agents as Advertising Surfaces: What Sponsored Placement Means for B2B Visibility——付費投放的對應面：當引用贏得的可見性與贊助代理表面競爭時，以及覆蓋兩者的兩層策略
• More RFQs, Fewer Real Opportunities: A Sell-Side Qualification Layer for Agent-Generated Demand——需求側的鏡像：當買方代理篩選入圍名單並發送 RFQ 時，供應商如何資格審核到達的需求

代表性建構案例

一家在四個倉庫管理 12,000 個 SKU 的中型工業分銷公司想知道 AI 引擎到底有沒有引用它——答案是常見的那個：在其買家使用的三個引擎上引用數為零。在一次範圍明確的建構中，我們為目錄及其工程內容加入 TechArticle 和 Product 結構化資料以及 llms.txt，在邊緣放行 AI 搜尋爬蟲，建成集中度研究獎勵的答案優先結構（每個頁面前三分之一的帶來源論斷），並建立按引擎的引用追蹤，讓答案聲量份額成為營運儀表板上的一個數字，而非供應商工具的截圖。團隊每月檢視按引擎的引用份額與曝光到引用的延遲，範圍在一週探索中商定固定。

申請一次限定範圍的建構。 一週探索。你會得到一份系統清單、一張工作流程圖和一個固定範圍——無論你是否與我們一起建構。