逆向 AI 搜索黑箱：8 组一手数据，还原「人到底在问什么」

零、先把问题当工程问题：黑箱的输入是什么

做 SEO 时，我们建模的输入是关键词——离散、短、可枚举。所以整个行业的方法论是围绕"词"建的：词库、词频、排名、点击率。

做 GEO 时，输入变了。用户交给 AI 的是一段高维意图描述：

"我在望京有套 89 平的二手房，预算 15 万想翻新，家里有猫，最怕甲醛，工期只有 45 天，帮我看看该怎么安排、大概多少钱、找什么样的公司靠谱？"

同一个需求，在 Google 里是 4 个词，在 AI 里是 90 个字。关键词的世界竞争"点击"，意图的世界竞争"被答案引用"。

于是一个工程问题浮出来：

P(topic | query) 的分布长什么样？

换句话说：当一个人把 AI 当搜索用时，他到底把什么样的任务丢进来？这个问题不测清楚，后面所有"优化"都是在没有探针的黑暗里调参。

先立一条纪律（全篇遵守）： 下面 8 组数据，样本、口径、人群各不相同。我按"一手程度"排序，逐一标注它测的是什么、局限在哪。不同口径的数字不能相加——这是数据分析，不是变魔术。

一、测量方法：我怎么给黑箱装探针

不是发问卷，也不是靠感觉。我的采集链路是这样的：

① 检索   浏览器上 Google，多轮 query（英文为主，覆盖官方报告/论文/行业数据）
          ↓
② 溯源   不满足于二手转述：追到一手源头，官方 PDF 抓原文
          ↓
③ 抽取   只取原文里明确写出的数字，记录样本量与时间窗，剔除"据说/大约"
          ↓
④ 留痕   每条检索（查了什么/为什么查/查到什么/用在哪）
          ↓
⑤ 交叉   同一现象至少两个独立来源互证，才写进结论

为什么这么较真？因为 GEO 圈里 90% 的"数据"是这样来的：某篇文章引用某篇博客引用某条推特。链路一长，数字就会漂。 工程上的做法是：每一层都要能回溯到原始采样点。

这次装上的 8 个探针，覆盖 4 个不同视角：

日志类（1/2/3）测的是真实行为，问卷类（4/5）测的是用户认知，第三方类（6/7/8）测的是公开可见的切片。三者互相印证，比任何单一来源都可靠。

二、8 组采样结果

探针 1｜OpenAI × Harvard：110 万条对话的三大话题

来源： NBER 工作论文《How People Use ChatGPT》（Chatterji 等，2025-09），抽样约 110 万条消费者套餐对话。

• 前三类合计 ≈77%，几乎就是"客户在 AI 里问什么"的全部。
• 意图维度：Asking（问）49%、Doing（做）40%、Expressing（表达）11%。
• 写作是职场第一用途：占工作类消息的 40%；其中约 2/3 是"改我给你的文字"（编辑、翻译、摘要），而不是从零创作。
• 教育是隐藏大户：辅导/教学占全部消息 10.2%，占实用建议的 36%。
• 两个被高估的方向：编程只占 4.2%，情感/自我表达只有 1.9%，游戏角色扮演 0.4%。
• 场景迁移：非工作用途从 53% → 超 70%——AI 首先是个生活工具，其次才是办公工具。

工程注释： 它测的是话题分布，不是信息意图占比——别把它和探针 6 的"信息意图 92%"直接比，口径不同。
原文：https://openai.com/index/how-people-are-using-chatgpt/

探针 2｜Microsoft Copilot：3,750 万条对话的话题 × 意图矩阵

来源：《It's About Time: The Copilot Usage Report 2025》（微软 AI），3,750 万条去标识对话，分类为 30 个话题 × 11 个意图 ≈ 300 个组合。

Top 5 话题： ① 科技 ② 工作与职业 ③ 健康与健身 ④ 语言学习与翻译 ⑤ 社会/文化/历史

前5大意图： ① 搜索 ② 建议 ③ 创作 ④ 学习 ⑤ 技术支持

几个反直觉的发现：

• 手机上，"健康与健身"是全天候、全年第一话题，不随时段波动——AI 被当成"私人健康顾问"。
• "求建议"意图在上升：人们不只问事实，还在问"我该怎么选、怎么办"。
• 存在明确的时间节律：编程话题周中上升、游戏周末上升；宗教与哲学在凌晨上升；情人节当天"关系"类对话出现尖峰。

工程注释： 探针 1 和探针 2 来自两家竞争平台，却都指向同一结论——"求建议"是跨平台的稳定刚需。两个独立样本互证，这条结论的置信度最高。
一手 PDF：https://microsoft.ai/wp-content/uploads/2025/12/What_people_do_with_Copilot-8.pdf

探针 3｜Anthropic Claude：把"时间"当成一个变量

来源： Anthropic Economic Index 报告《Cadences》（2026-06）。

• 工作日 vs 周末：个人用途占比从工作日约 35% 升到周末近 50%；周末话题从"商务函件、营销文案、PPT"切换为情感支持、医疗问题、投资建议。
• 一日节律：睡眠建议峰值在凌晨 5 点，食谱峰值在傍晚 6 点。
• 日期节律：美国报税截止日（4/15）前，报税类请求激增；"创业"相关对话在周末最高。

工程注释： 这条数据提示我们：意图是一个带时间戳的变量。同一个问题（"我该不该辞职"），工作日午休和凌晨三点的表述、期望答案都不同。做内容时，"使用场景"应该和"关键词"一样被显式建模。
来源：https://www.anthropic.com/research/economic-index-june-2026-report

探针 4｜Pew Research：普通消费者到底用 AI 干什么

来源： Pew《Americans and AI 2026》（2026-02 调查，美国，n=5,119）。

• 49% 美国成年人用过 AI 聊天机器人（2024 年为 33%），约 24% 每天用。
• 具体用途（多选）：

• 平台分布：ChatGPT 44%、Gemini 24%（在聊天机器人用户中）。
• 情绪警告：多数受访者认为 AI 发展过快、会带来负面影响——采用率高，信任度不高。

工程注释： 问卷类数据有"自报偏差"，但它的价值是给出人群覆盖率：49% 的成年人在用，说明 AI 已经不是小众工具。同时"搜索信息 42%"与"医疗 20%"两个数字，直接把 GEO 的优先级指向 YMYL。
来源：https://www.pewresearch.org/internet/2026/06/17/americans-and-ai-2026-chatbots-smart-devices-and-views-on-impact/

探针 5｜美国普查局：职场里 AI 干的 5 件事

来源： US Census HTOPS（2026-03 调查）。

• 56% 的美国工作者在过去一年至少用 AI 做过 11 项工作之一。
• Top 5 任务：查信息/找技术帮助 37%、写沟通/文档/说明 32%、生成想法 32%、解释/翻译/摘要 31%、行政事务 27%。
• 提效分布：31% 的人说省了 1–2 小时，15% 说省了 3–4 小时，15% 说省了 4 小时以上。

工程注释： 职场口径与探针 1 高度一致——"查"和"写"是主战场。凡是能覆盖"怎么做、怎么写、帮我想"的内容，天然吃这波任务型流量。
来源：https://www.census.gov/library/stories/2026/08/ai-use-at-work.html

探针 6｜BrightEdge：AI 搜索里的四大意图被重塑，而不是被消灭

来源： BrightEdge AI Hyper Cube（对引用最多网站的高频提示词做意图分类，按搜索量加权）。

• "AI 杀死了信息搜索"是错的：信息意图反而"浓缩"了——在 ChatGPT 上占 92%。
• 导航意图在变形：AI Overviews 里 53% 的提示词 ≤3 个词（"tv app""play music"），用户把它当高级地址栏；而在 ChatGPT 上同一意图会写成品牌问句（"Is United Airlines good?"）。
• 商业/交易意图仍在上层漏斗：纯交易意图只占 2–3%。

工程注释： 这条数据修正了一个常见误判。很多人以为 AI 搜索意味着"离钱更近"，但交易意图在 AI 里的占比反而比传统搜索更低。客户在 AI 里主要处于"了解 + 比较 + 决定"阶段，内容必须向上覆盖到认知与信任。
来源：https://www.brightedge.com/resources/weekly-ai-search-insights/ai-search-query-intent-evolution

探针 7｜Siege Media × Profound：最高频的 1,000 条提示词长什么样

来源： Siege Media 基于 Profound 识别的 Top 1,000 ChatGPT 提示词。

• 超过 1/3 的提示词围绕计划、排程、模板——AI 在替用户"管日程、做决定"。
• 报告称 >37% 的 LLM 查询是"生成式"的（要产出，不只是要链接）。
• 本地意图正在"口语化"：从 Google 的 restaurants near me → LLM 的 Recommend an affordable Italian restaurant near me with vegetarian options.

工程注释： "帮我做决定"（27%）已经超过"帮我查"。这解释了为什么"保姆级攻略 + 决策清单 + 模板"类内容在 AI 时代更吃香——它正好命中占比最高的那类提示词。
来源：https://www.siegemedia.com/research/popular-chatgpt-prompts

探针 8｜Siege Media × Peec AI：客户问 AI 时，AI 到底引谁

来源： Siege Media 与 Peec AI 对 1,000 个交易型提示词 的分析。

• 40 个被引用最多的域名里，21 个根本不是品牌；52.5% 的高频来源是联盟/赞助类站点，而不是厂商官网或产品页。
• 在购买决策阶段，第三方来源占引用量的 80%–95%（因行业而异）。
• 要区分两个常被混淆的指标：
  • Citation visibility（被引用率）：你的域名被列为来源的频率——多数品牌是个位数。
  • Brand visibility（品牌被提及率）：你被"点名推荐"的频率——品类领导者可达 75%–80%。
• 一个领导者可以"几乎出现在每个答案里，却几乎不被引用为来源"。

工程注释： 这条数据直接改变了优化目标函数。AI 综合的是"别人怎么评价你"，不是"你自己怎么说"。所以 GEO 的一半功夫在站外——被第三方写、被正确描述、被联盟/测评提及。
来源：https://www.siegemedia.com/strategy/category-leader-trap

三、归一化：把 8 个探针合成一张「问题分布」

探针读数不能直接相加，但可以归并到同一套语义桶里。把上面 8 组分布去掉标签差异、重新聚类，用户的问题实际只落在 4 个抽屉：

三条跨探针的规律（这些才是能拿去做决策的结论）：

1. "要建议"比"要事实"更值钱。 事实类会被 AI 直接答完（零点击），建议类才需要引用多个来源——这正是 GEO 能抢的位置。
2. 时间与场景是隐藏维度。 深夜问健康/哲学，周末问关系/创业，报税前问税务（探针 2/3）。内容的"使用场景"比"关键词"更该被覆盖。
3. YMYL 占比高得吓人。 健康 20%（Pew）、医疗是 Copilot 移动端第一话题、财务/投资在周末上升。这些领域对 EEAT 要求最高，也最难被同质内容抢走。

四、把结论编译成可执行的 SOP

数据不落到动作上就是装饰。基于上面的分布，我把 GEO 的输入端动作固化成 6 条：

1. 选题的输入从"关键词"改为"问题句"。 建真实问句库：「89 平二手房 15 万预算怎么翻新」而不是「装修 报价」。
2. 内容优先级对齐抽屉 ②③。 清单、对比、成本区间、避坑、模板——这两类被引用的边际收益最高。
3. 每篇显式回答 3 个问题（是什么 / 我该怎么办 / 常见误区），结构上让 AI 好抽取：小标题即问题、段落即答案。
4. 把"写"和"改"做成可复制资产。 Census 里 32% 的人要 AI 写文档、OpenAI 里 2/3 的写作是"改文本"——模板/示例库天然被引用。
5. 补上站外"提及面"。 52.5% 的高频引用来自联盟/赞助/第三方（探针 8），别只优化自家官网：测评、对比、行业报告、社区问答都要布。
6. YMYL 内容必须堆 EEAT 证据。 作者资质、引用来源、更新时间、实测数据——健康/财务/法律是 AI 提问的富矿，也是信任门槛最高的地方。

五、误差条：必须声明的局限

一个诚实的工程报告要写清楚误差来源：

• 人群偏差：探针 1、2 只覆盖消费者套餐，不含企业版；探针 4 是美国样本，跨国需谨慎。
• 口径不可加：探针 6/7/8 是第三方对公开/授权数据的分析，口径与学术论文不同，不能与探针 1 相加。
• 二手数字不采信：网络上常见的"日均查询量""平均查询长度"（如 Google 3.9 词 vs ChatGPT 23 词）多为聚合估算、未标一手。本文不作为论据，只作方向参考。
• 时间衰减：AI 使用行为变化极快。任何具体百分比都必须标注日期与样本，否则半年后就是误导。

六、结论

把黑箱的输入端测完之后，结论可以压缩成一句话：

客户在 AI 里问的，归根到底是三类事——

1. "这是什么、为什么" → 要解释（OpenAI 24%、BrightEdge 71–92%）
2. "我该怎么办、选哪个" → 要决定（OpenAI 29%、Copilot Advice #2、Siege 27%）
3. "帮我把它做出来" → 要产出（OpenAI 24%、Census 32%）

GEO 的本质，是让 AI 在回答这三类问题时，愿意引用你、并愿意提到你的名字。 前者靠可抽取的内容结构 + 站外提及面，后者靠 EEAT 证据。

先把"客户会怎么问"测对——这是探针的意义。靶子立正了，后面每一次内容投入才有回报可言。

参考来源

一手研究 / 报告

• How People Use ChatGPT（NBER w34255，OpenAI × Harvard）
• How people are using ChatGPT（OpenAI 官方）
• It's About Time: The Copilot Usage Report 2025（Microsoft AI，PDF）
• Anthropic Economic Index report: Cadences
• Americans and AI 2026（Pew Research Center）
• AI Use at Work（U.S. Census Bureau, HTOPS）

行业分析

• Why Query Intent Still Matters in AI Search（BrightEdge AI Hyper Cube）
• Inside the 1000 Most Popular ChatGPT Prompts（Siege Media × Profound）
• The Category Leader Trap in AI Search（Siege Media × Peec AI）
• ChatGPT Study: 1 In 4 Conversations Now Seek Information（Search Engine Journal 转述）