AI不推荐你的2%概率：品类推荐题在检索前已有答案
对"哪家好"这类品类推荐题，AI靠训练期的品牌-品类联想作答：未与品类建立关联的品牌被ChatGPT推荐概率仅约2%，被AI Overview引用≠被推荐。本文拆解引用与推荐两条链路，给出五步做法与适用边界。
作者：灵曦GEO
结论先说：对"哪家好""推荐几家"这类品类推荐题，AI 的答案在检索开始之前就大体定了。第三方测试显示，训练数据中没有与品类建立关联的品牌，被 ChatGPT 推荐的概率只有约 2%——这不是你页面写得好不好的问题，而是品牌在训练语料里"存没存档"的问题。下面按现象、机制、判断、动作、边界五步，把这个 2% 讲清楚。
现象与数据：2% 的推荐概率，69% 的引用排除
结论：GPO 报告显示品类推荐题里品牌被推荐的概率只有 2%，而品牌被 Google AI Overview 引用为信源时，69% 的情况反而被排除在推荐名单之外。
2026 年 9 月 14 日发布的《September 2026 State of Search & AI》（GPO，作者 Jill Poston）给出两组值得从业者记住的数字。
一组来自第三方独立测试：对"哪个 X 品牌好"这类品类级推荐问题，ChatGPT 主要依赖训练期形成的"品牌-品类"联想作答，而非实时检索；训练数据中未与其品类建立关联的品牌，被推荐的概率约为 2%。也就是说，模型开始检索之前，候选名单已经在训练语料里排好了大半。
另一组来自 8 月的一项研究：品牌被 Google AI Overview 引用为信源时，69% 的情况反而被排除在该模型实际推荐名单之外。被当成资料来源引用，和被当作供应商推荐，是两条不同的链路，一个的得分不能抵扣另一个的失分。
机制之一：引用链路与推荐链路是两条路
结论：引用链路与推荐链路是两条路：被引用和进入推荐名单不是同一件事，对应的优化手段也不能互相替代。
把两组数字放在一起看，问题就清晰了：引用与推荐根本不是同一件事，优化手段也不能混用。
| 维度 | 引用链路（事实类问题） | 推荐链路（品类推荐题） |
|---|---|---|
| 回答什么 | "X 是什么""怎么做"等事实题 | "哪家好""推荐几家"等观点题 |
| 作答依据 | 实时检索中挑选信源 | 训练期形成的品牌-品类联想 |
| 页面优化的作用 | 有效：影响信源选择 | 有限：改不了训练语料里的联想 |
| 主要积累方式 | 内容结构、权威性、可抓取性 | 第三方语料中的持续共现 |
事实类问题上，模型确实需要实时检索，从可检索的页面里挑信源——此时写法、结构、schema 这些页面优化手段是起作用的，各平台信源分布可以参考此前整理的AI 信源地图。
但品类推荐题不同：模型作答依据是训练期沉淀的品牌-品类联想，检索只是补充材料，并不会重排候选名单。你把官网页面改到无可挑剔，也改不到训练语料里去。
这就解释了两个数字为什么同时成立：69% 的品牌在引用链路上做得不差，页面被 AI Overview 拿去当资料；可一到推荐环节，模型先在训练期形成的联想里筛名单，引用表现帮不上忙。两条链路的入口不同、积累方式不同，用同一套动作去优化，自然一边有反馈、一边没动静。
机制之二：recommendation equity 是慢变量，不是快指标
结论：recommendation equity 是慢变量而非快指标：品牌与品类在语料里的关联一旦建立就具备粘性，竞品很难靠几篇页面顶掉。
素材里有个关键概念：recommendation equity（推荐权益）。它靠持续的被评论、被报道、被讨论积累——注意，这些动作都发生在第三方语料里，不在你官网的后台。
我们在服务中看到，多数团队的 GEO 预算几乎全部投在自己官网的内容生产上，而监测推荐率时，数字长期贴着基线不动。这与 2% 的测试结果完全对得上：官网页面不在推荐链路的语料源头里，写得再多，也只是给引用链路添砖。
把动作从"写更多页面"换成"让品牌名与品类词在第三方语料里反复共现"之后，推荐率的监测才开始出现可解释的变化。
这也解释了为什么推荐权益是慢变量：媒体报道要排期、评论要积累、口碑内容要沉淀，语料更新与模型再训练各有周期。指望一两次投放改变 AI 的推荐名单，不现实。反过来，它也意味着这项资产有粘性——一旦品牌与品类在语料里的关联建立起来，竞品想用几篇页面把它顶掉，同样很难。
反直觉判断：页面优化解决不了推荐链路的问题
结论：对「哪家好」这类推荐题，页面内容优化的作用远比行业预期小：官网内容该做，但它买的是引用，不是推荐。
明确判断，不和稀泥：对"哪家好/推荐类"问题，页面内容优化（写法、结构、schema）的作用远比行业普遍预期小；把全部 GEO 预算砸在自己官网内容上，解决不了推荐链路的问题。
这不是说页面优化没用——事实题、被引用场景里它依然有效，权威内容的分级经营可以参考这篇GEO 与 EEAT 信源分级。问题出在归因错位：引用率的提升常被误读成推荐率即将提升，于是预算继续加码官网内容，推荐率却纹丝不动。
预算结构的错配，此前在GEO 预算迁移里已经讨论过，这里只补一句：官网内容该做，但它买的是引用，不是推荐。
可执行做法：五步把推荐率变成可管理的指标
前三步：把基线与共现做扎实
- 建固定品牌问题集，每周在 2-3 个平台测"是否被推荐"并记录基线。模型更新频繁——Google AI Mode 7 月还用 Gemini 3.5 Flash，9 月就换到 3.7 Flash，且发布次日上线——基线要跟着模型版本一起记，否则变化分不清是策略起效还是模型换版。
- 经营第三方足迹。行业媒体报道、评论平台、口碑内容，核心是让品牌名与品类词在同一批可被训练的语料里反复共现，这是 recommendation equity 的正路。
- 在官网明确"品牌=品类"的一句话字典式定义。它改变不了训练语料，但能为引用链路和第三方转述提供统一口径，让共现更稳定。
后两步：归因与抓取边界
- 引用、推荐分开归因，别拿推荐率考核内容团队。内容团队影响的是引用链路，推荐率要由第三方足迹的经营节奏负责，两套指标混着用只会互相甩锅。
- 保密内容上权限，别依赖 robots.txt。OpenAI 已澄清 ChatGPT-User 抓取机器人可能不遵守 robots.txt（归类为用户发起抓取）；TollBit 2026 年上半年数据显示约 15% 的 AI 页面抓取落在禁抓页；Anthropic 的爬虫则遵守 robots.txt。同一份 robots 文件对各家机器人的约束力并不相同。
边界与不适用：这些结论不能平移到哪里
结论：2% 与 69% 来自第三方品类级测试和 8 月单次研究，品牌词与事实类问题行为不同，国内平台的参数也不可直接平移。
最后划清边界，避免结论被过度使用：
- 2% 的概率来自第三方测试中的品类级问题；品牌词查询、事实类问题的行为不同，不能套用同一结论。
- 国内平台（豆包、千问、元宝）的训练与检索架构不同，本文结论不可直接平移。
- "69%"是 8 月单次研究的口径，换样本与问题集可能得出不同数字。
- 海外电商口径可作参照：Shopify Q2 数据显示 AI 引荐店铺会话同比 +197%，研究型品类转化率约为自然搜索的 2 倍，但自然搜索总流量仍高于所有 AI 平台之和——AI 推荐在增长，还远没到替代自然搜索的程度。
来源：GPO，《September 2026 State of Search & AI》，作者 Jill Poston，2026-09-14。文中 2%、69%、AI Mode 模型版本、ChatGPT-User 与 TollBit 抓取数据、Shopify Q2 数据均出自该文；2% 与 69% 的测试未署名具体机构，正文按"第三方测试/8 月一项研究"口径表述。
想看这套方法在实际行业里的落地，可以看灵曦GEO的服务页。