发布虚假统计实验显示LLM引用非Google索引网站

TL;DR

一个包含50,000条虚构统计数据的网站被Google迅速去索引，但ChatGPT在七个月内抓取了超过600,000次，获得了330多个反向链接，并被学术和财务报告引用。该实验证明，LLM独立于Google排名检索内容，统计数据是AI驱动搜索的高价值信号。

实验概述——一天内构建虚假统计网站

结果： 一个价值50美元的网站（stateglobe.com）使用GPT-4.1生成了50,000个统计页面，随后添加了15,000个列表文章。一周内整个域名被Google索引，但随后的两次Google更新导致流量立即崩溃。

7个月后的关键指标：

  • 来自ChatGPT-User代理的AI会话超过10,000次。
  • 总机器人请求超过600,000次（Cloudflare日志）。
  • 330多个引用域，包括Shopify、DHL和Bluehost。
  • GA4会话中归因于ChatGPT流量的超过10,000次。

“仅在过去30天内，该网站就收到了超过600,000次机器人请求。其中约72,000次来自ChatGPT-User。”

Google与ChatGPT——不同的检索路径

结论： 在Google上的排名和LLM的检索是独立的过程。

  • Google在算法更新后将网站从SERP中移除；展示次数降至个位数水平。
  • ChatGPT继续实时打开页面以基于答案，无论Google可见性如何。

“当ChatGPT搜索时，它不只是复制Google的前10名。它会将你的提示重写为子查询，从其来源和缓存中提取候选，重新排序，然后打开少量页面来基于答案。”

虚构数据的现实引用

结论： 即使是完全虚构的数字也可能传播到学术和商业输出中。

  • 被一篇学术论文引用（见截图）。
  • 被卡塔尔最大金融集团用于投资研究。
  • 被印度一家经济出版物和加拿大影响者研究报告引用。

这些引用说明了引用洗白效应：一个统计数据从零权威开始，获得来自信誉良好的来源的引用，然后对后续用户和模型显得更可信。

为什么LLM追逐统计数据

结论： 统计数据满足LLM在起草内容时的特定检索需求。

  1. 扇出查询 – LLM自动在子查询中添加“统计”或“2026”等修饰符。
  2. 数字作为证据 – 具体数字比模糊陈述更有助于基于事实。
  3. 无内置事实核查 – 延迟和成本限制阻止模型验证每个数字；相关性重排序器优先考虑匹配而非真实性。
  4. 新鲜度信号 – 包含年份的URL和标题表示时效性，LLM对此权重很高。

正确构建统计页面

结论： 来源正确、结构良好的统计页面可以在不虚构的情况下获得LLM引用。

  • 每句一个主张 – 确保每个统计数据可以单独检索。
  • 将来源和年份放在数字旁边 – 提高模型相关性和人类可信度。
  • 将标题与可能的扇出查询匹配 – 使用“[主题] 统计 2026”等模式。
  • 显示并维护更新日期 – 新鲜度是LLM的强排名信号。
  • 以服务器渲染的HTML提供数据 – 避免阻止AI机器人的JavaScript隐藏。
  • 保持设计简洁 – 简单列表减少爬取开销并专注于内容。
  • 尽可能添加原始数据 – 独特数字可以成为主要来源。

监控LLM检索

结论： 传统SEO工具会错过AI机器人流量；需要专门的信号。

  • 服务器日志 / Cloudflare – 查找ChatGPT-User、OAI-SearchBot、PerplexityBot等代理。
  • GA4推荐来源 – 跟踪来自chatgpt.com、perplexity.ai的会话。
  • 引用仪表板 – 监控一组提示的可见性（Peec的内部工具）。
  • Ahrefs / Semrush – 跟踪新的引用域。
  • 未链接提及 – 搜索精确引用的数字以查找无反向链接的使用情况。

道德启示

结论： 发布虚假数据是危险的；该实验是警告，而非操作手册。

  • 该网站现在带有免责声明，承认其内容的虚构性质。
  • 验证来源必须成为作家和研究人员的标准步骤。
  • 随着LLM改进对低质量或自我生成来源的检测，这种策略的有效性可能会降低。

社区反应（精选HN评论）

  • 引用洗白类比： “在维基百科上这被称为‘citogenesis’” – @acadapter。
  • 历史先例： “陷阱街道被用来捕捉地图上的抄袭者” – @jfrbfbreudh。
  • 更广泛的风险： “虚假统计数据可能滚雪球般影响现实决策” – @KronisLV。
  • 模型行为： “AI不知道也不关心数据是否虚假” – @jqpabc123。
  • 未来缓解： “我们需要一个LLM的Google” – @tkdb。

最终思考

该实验表明，LLM将网络视为一个检索池，与Google的排名算法不同。统计数据，即使是虚构的，也是高价值的检索线索，导致真实引用和潜在的错误信息级联。品牌应考虑发布准确、结构良好的统计数据以抓住这一渠道，而行业必须开发强大的验证和检测机制以防止引用洗白。

Sources

関連