Google AI Overviews 让发布者点击减少 40% 这个说法,适合作为发现线索,不适合作为所有网站的预测。它把几种不同的证据对象放在了一起:预注册现场实验、大型商业搜索面板、第三方方法汇总,以及某个网站在 Search Console 或 GA4 中能看到的数据。这些对象回答的是不同问题。
更稳妥的做法是建立测量台账。每一行都保留总体、处理方式、统计单位、地区、时间窗口、来源、指标、因果状态和限制。没有这份台账,发生在美国桌面搜索的数字会被写成全球预测,面板中的出现率会被写成本站流量变化,AI 引用相关性也会被写成带来访问的承诺。
40% 的结果到底说明了什么
arXiv 论文 AI in Search Reduces Publisher Referrals Without Improving User Experience 介绍了一项包含 1100 名参与者的预注册现场实验。摘要报告,移除 AI Overviews 和 AI Mode 后,发布者点击率上升;只提供 AI Mode 的体验降低点击率,也降低了受试者报告的体验和信息信任。
这属于针对特定处理、特定总体、特定界面和特定结果指标的因果证据。它没有直接说明每个网站都会损失 40% 的流量。搜索体验只是流量的一部分,网站访问还受到排名、品牌需求、设备、国家、季节性、内容类型和结果页变化影响。
RevScope 在 2026 年 11 月的汇总把结果概括为:出现 AI Overview 时,外部网站点击大约少四成。文章同时引用 DataForSEO 的关键词面板,观察范围以美国英语搜索为主。这个标题可以帮助发现问题,但面板覆盖和现场实验必须在台账中分成两行。
四层证据不能合并
| 层级 | 例子 | 可以支持什么 | 单独不能支持什么 |
|---|---|---|---|
| 随机或预注册实验 | 1100 人现场实验 | 在被测试体验和总体中的处理效应 | 所有网站和市场的流量预测 |
| 搜索面板估计 | DataForSEO 或其他关键词面板 | 某功能在面板查询中的出现频率 | 本站的展示或点击变化 |
| 搜索平台报告 | Google Search Console 的 AI 功能或网页报告 | 账户范围内被报告的页面、日期、设备、国家和指标 | 点击变化的完整因果拆分 |
| 自有分析数据 | GA4 自然搜索会话或页面浏览 | 在本站埋点和归因定义下观测到的流量 | 把 AI Overview 引用与普通网页搜索完全分开 |
前两层描述外部搜索环境,后两层描述具体网站。它们可以相互校验,但不能相加,也不能当作同一个分母。
Google 的说明缩小了 GEO 优化主张
Google 的 AI features and your website 明确说,AI Overviews 和 AI Mode 仍然适用已有 SEO 最佳实践,也没有额外的出现要求或特殊优化要求。这直接限制了最强版本的 GEO 建议:页面可以清晰、可抓取、有来源、有用,但这些条件不保证被 AI 引用,也不保证带来访问。
Google 的 Search Generative AI performance reports 为符合条件的账户提供了单独的测量界面。这份报告应使用自己的指标定义和日期覆盖单独记录。专门的曝光报告不等于点击报告,缺少一行也不等于曝光为零。
因此,站点应把收录和引流分成不同结果:
- 在可用的情况下,页面是否出现在相关 AI 功能报告中?
- 同一窗口里,页面是否获得网页搜索展示和点击?
- GA4 是否按站点自己的时区和渠道定义记录了自然搜索访问?
- 变化是否能与排名、内容、设备、国家和季节因素区分?
建立页面和查询台账
台账可以用表格或 JSON 实现,每条观察至少记录:
observation_id
property_and_page
query_or_query_set
market_and_language
device
feature_definition
start_date / end_date
timezone
source_system
metric_and_unit
observed_value
coverage_state
causal_status
confounders
evidence_url
coverage_state 很重要。Search Console 可能存在处理延迟、隐私限制和不完整的每日覆盖。GA4 也有自己的处理和归因定义。一个缺少两天 GSC 数据的七天比较属于不完整观察,不能直接写成确定下降。
causal_status 同样需要显式记录:
randomized_experiment:处理分配受控,结论限于报告的比较。panel_observation:观察了被跟踪的查询或用户面板,带覆盖限制。account_observation:某个发布者账户在窗口内发生了变化。correlation:两个指标一起变化,但没有因果设计。unknown:来源或分母不足以支持判断。
只有在比较对象被定义后,才使用 loss 这个词。如果一个页面点击从 12 降到 8,同时展示、排名、设备构成和查询构成也变化,台账记录的是变化,不自动记录为 AI 导致的损失。
如何解释 40% 这个标题
假设现场实验发现,出现 AI 功能时发布者点击率下降 40%。一个严谨的站点流程应该写成:
- 在实验的处理和总体中,发布者点击出现负向变化。
- RevScope 的面板显示,AI Overviews 在其美国英语查询集合中已经常见。
- Google 文档说明了 AI 功能和普通搜索的报告边界。
- 本站有自己的时间序列,需要记录页面、国家、设备、查询暴露和缺失日期。
- 在本地观察完成并检查替代解释前,本站层面的结论仍然是 unknown。
这比把 40% 直接复制到策略演示文稿里慢,但它是唯一能指导实际决策的版本。如果本站证据显示,被 AI 功能暴露的页面点击下降,下一步可以设计内容、内链或受众实验。如果暴露没有测量,直接重写全部内容以追求 GEO 就缺少证据。
不发明 GEO 诀窍,也能改进什么
现有证据支持常规质量工作:直接回答目标问题,统一实体和术语,引用一级来源,把重要定义写在可抓取正文中,保留日期和范围。这些做法有利于读者理解,也便于评估页面,但不保证进入 AI 功能或获得引用。
团队还可以改进自己的测量合同:
- 在修改前冻结页面和查询集合。
- 记录市场、语言、设备和平台报告时区。
- 把 GSC 展示、点击与 GA4 自然搜索会话、页面浏览分开。
- 把缺失日期保留为 unknown。
- 只有在直接抽样并留痕时,才报告 AI 引用。
- 用相同文章年龄和季节窗口比较变化。
这样,AI 搜索带来的宽泛焦虑就会变成一组可验证问题。一个有吸引力的数字也不会再被误用为从未进入原始样本的网站的精确预测。
限制与结论
现场实验、RevScope 汇总、Google 文档和本站分析数据互相补充,但不能互换。实验为有边界的处理效应提供更强因果证据;面板描述一个被跟踪的搜索环境;Google 文档定义报告与 SEO 边界;自有数据显示一个网站在特定测量配置下发生了什么。
因此,合理结论是条件性的:在某些被测试条件下,AI 搜索可能减少发布者引流,这个风险值得测量。把 40% 写成所有网站的预测,把 GEO 写成必然的恢复手段,或把不完整 GSC 窗口写成因果结论,都超出了证据。
保留台账,让每个来源只回答它的研究设计能够回答的问题。