StateGlobe 实验显示虚假统计数据在 Google 淡化后仍被 LLM 抓取并引用

我编造了 50,000 条统计数据并被 ChatGPT 引用后，对 AI 搜索有了哪些认识……

大约 7 个月前，我上线了一个包含 50,000 条统计数据的网站。每一条都是编造的。

Google 已经仿佛忘记了这个网站的存在，并将相关页面移出了索引，但 ChatGPT 并没有。自该网站上线 7 个月以来，已有超过 10,000 次 AI 会话被导向这里。如今，包括 Shopify、Bluehost 和 DHL 在内的超过 330 个引用域都链接到了该网站。它那些编造的数字还出现在一篇学术论文和一家银行的投资研究中。

在 Peec AI 和业内，我们每天都 discussions GEO 和 SEO，并不断寻找新策略。我已经围绕这个统计页面项目做了很长时间，其间也一直在公开分享其中的一些内容。当然，这是一次实验，但其结果很难被忽视。

发布虚假统计数据的想法从何而来

我用大量统计数据填充一个网站的想法，源自我长期开展的关于 LLM、相关性工程和事实锚定的研究（感谢 iPullRank 团队、Dan Petrovic 和 Wil Reynolds）。

在工作过程中，我注意到了一种模式：随着更多团队使用 LLM 撰写时效性内容和突发新闻，这些 LLM 在研究时必须寻找看似可靠的数据，以填补自身知识中的空白。统计数据往往正是它们所寻找的内容。

大多数 GEO 建议都聚焦于一个时刻：让你的品牌出现在 AI 答案中。这个实验考察的是答案出现之后会发生什么——人们拿到这些输出，将其放进演示文稿、加入购物清单，甚至发布到自己的网站上。

这个实验的想法并非完全由我独自提出。特别感谢 Seer Interactive，他们早在 2025 年 8 月就发布了一项令人大开眼界的研究，让我脑中萌生了几个想法。几个月后，这些想法逐渐成形，并终于排到了我的待办事项榜首。2026 年 3 月，我开始着手搭建一个能够验证这些想法的网站。

实验设置：一个网站和 50,000 条编造的统计数据，一天内建成

先向那些没有实时关注我开展这项实验的人简要介绍一下背景：

我购买了一个全新域名 stateglobe.com，并用 GPT-4.1 在一天内生成了 50,000 个统计页面。该网站声称提供来自 200 个国家的 SEO、内容营销、社交媒体、电商和网页技术统计数据。然而，其中每个数字都完全是凭空编造的，我一条也没有核查过。我使用一个基础的 AI 网页设计模板，将它们推送到了网站上。这花了我大约 $30。后来，我又在这些统计数据之外增加了 15,000 篇清单文章，又花了大约 $20，因此这项实验的总成本仅约为 $50。

我第一次分享这个网站时，现场反应非常疯狂。当我的朋友 Kevin 在Growth Memo中推荐它时，它触动了更广泛的受众。我认为，人们之所以如此积极地响应这项工作，是因为它既展示了出色的结果，也回应了人们对 AI 搜索结果中究竟会出现什么内容的担忧。

后来发生了什么

Google 几乎立即就彻底掩埋了这个网站

网站上线之初，流量、收录和互动表现都非常好。我借助索引工具，在一周内让几乎整个网站都完成了收录，它也开始出现在 Google 搜索结果中。

随后，Google 在上线后不久进行了两次更新，我的 Google 可见度随即崩塌。

我在 Google 上已经隐身高达好几个月了。收录页面的曝光次数在 5 到 20 之间反复波动。有一次，我一时好奇建了一个子域名，想看看能不能提高曝光，但其实没什么用。

除此之外，我没再动过这个网站。有些页面可能时不时还加载不出来，我也不知道。

但当我坐下来写这篇文章时，我查看了 7 个月后的 Cloudflare 爬取数据。

仅在过去 30 天里，该网站就收到了超过 60 万次来自爬虫的请求。其中大约 7.2 万次来自 ChatGPT-User。这是 ChatGPT 在实时回答用户问题时用来打开页面的代理。所以这些并不是训练爬取。每一次都是 ChatGPT 为了回答真实问题而抓取一个伪造的统计页面。

和 Google 不同，ChatGPT 从未停止从该网站拉取内容

我说「从未停止」时，我的意思是 ChatGPT 真的从未停止。

7 个月后，该网站现在已有 330+ 个引用域名

根据 Ahrefs 和 Semrush，该网站拥有来自 330+ 其他网站的链接，其中包括 Shopify、DHL 和 Bluehost 等知名品牌。如果 Google 表现强劲，这个数字可能还会更高。

ChatGPT 至今仍在引用它

Google 可能已经遗忘了这个网站，但 ChatGPT 显然没有。上线 7 个多月后，该网站仍在获得引用和流量。

如果你读过 Tomek 的 ChatGPT Index 研究，那你很幸运，因为这是了解 ChatGPT 搜索如何工作的绝佳入门资料。如果你还没读过，赶快加入你的阅读清单吧，因为它能很好地解释为什么我的网站在 ChatGPT/OpenAI 索引里存活了这么久。

一个完全凭空捏造的网站表现还这么好，实在令人震惊。自 3 月以来，GA4 显示仅来自 ChatGPT 的会话就有 10,000+ 次，Cloudflare 也显示该网站在检索方面得分很高。

我没有把直接会话算进总访问量里，因为大部分看起来像是机器人流量。记住「死互联网理论」！

2026 年 6 月我刚加入 Peec 的时候，也在我们的工具里搭建了一个可见性面板来追踪一些提示词。它们的表现依然强劲。10 月 7 日，stateglobe.com 在这些提示词上的可见性排名第二，仅次于数据巨头 Statista。

检索不等于排名

持续的检索是第一个重要教训：在 Google 上排名和能被大语言模型检索到，是两个完全不同的问题。

ChatGPT 搜索时，并不会直接照搬 Google 的前 10 名结果。它会把你的提示词改写成自己的子查询（称为 fanout 查询），从它的搜索源和自有缓存中拉取候选结果，重新排序，然后打开少量页面来支撑答案。一个页面在 Google 上毫无存在感，却仍然可以在 LLM 的每一步中表现良好。

StateGlobe 就是一个很好的例子。当 Google 抛弃它时，AI 检索爬虫却一直回来。

对 GEO 来说，这意味着 Google 排名只是一个信号，而不是全局。如果你只盯着 Google，你就是在错过一个即使 Google 拒绝你时也能起作用的渠道。

假数据变成了真实引用

你可能会想，如果一个网站在信息检索工具上表现良好，那它的信息就会开始出现在网上。没错，你的想法是对的。

StateGlobe 完全是用假数据搭建的，用的是市面上最便宜的模型，提示词不过是一个国家与话题的列表加上两句话。然而，产出……

……被一篇学术论文引用了……

…被卡塔尔最大的金融集团用于投资研究…

…被印度一家经济学刊物引用…

…并被加拿大一个网红社区的研究报告用作来源。

请注意，这些仅是链接回 StateGlobe 网站的引用。推测还有许多内容使用了这些数据，却没有附上链接。

令人不安的寓意：引用洗白

第一天，StateGlobe 上的一个虚假数字毫无权威性。它只是一个全新域名上的随机统计数据。

随后，一篇学术论文引用了它。然后是一家银行。如今，下一个发现这个数字的人，或下一个模型，看到的是一项带有来源的统计数据。而这个来源又被严肃机构引用。

虚假数据当然没有因此变成真数据，但每一次引用都让它显得更值得信任。

情况可能还会恶化：经过如此多的检索和引用后，这些页面最终会被网络爬虫收录，而爬取内容最终又会进入训练数据（希望还没有进入！）。一个最初源自 GPT-4.1 猜测的数字，可能会变成下一个模型“知道”的东西。

这指向这项实验所揭示的更大风险，也正是我把它作为研究，而不是伪造内容操作手册来分享的原因。核验来源应成为作者和研究人员工作流程中不可或缺的一环。

最后，我们尝试用真实数据开展这项实验

我开始在 Peec 工作后，决定再次尝试这一测试的一个版本。作为 GEO Research 团队，我们讨论了截至当时的结果，并迅速上线了一个简单的新页面。这一次，我们没有编造任何数字，并核查了每项统计数据，且恰当地引用了其来源。你可以在这里查看：peec.ai/ai-search-geo-statistics。

几乎立即，我们怀疑在利用 AI 撰写内容的网站就开始链接到我们。第二次借助另一个网站进行尝试时，我们证明了：发布统计数据以获取外链这一设想中的强力策略，在现实中确实有效。

经验教训

为什么发布统计数据会引发 LLM 引用

这两项测试表明，当要求 LLM 撰写文章时，它们强烈倾向于寻找统计数据。其机制很简单：

越来越多的内容由 LLM 撰写。
当 LLM 撰写内容时，它会研究合适的主题。
当 LLM 遇到信息缺口时，它会寻找一个数字来填补。

这一过程背后的原因也同样显而易见。

研究意味着展开多个寻求统计数据的查询

当提示词要求进行研究时，模型会将其拆分为子查询，并添加“统计数据”“数据”“报告”之类的修饰词，或添加当前年份（如果提示词文本中也要求当前年份）。如果有人要求模型撰写一篇关于远程工作的博客文章，模型就会搜索“2026 年远程工作统计数据”。针对模型的搜索内容而非人类输入内容进行优化的页面，将更频繁地出现在 LLM 结果中。

数字看起来像是能够填补知识缺口的证据

当模型被要求起草一篇文章时，引用一个写着“远程工作正在增长”的页面，几乎不会增添权威性，内容也仍然含糊。如果该页面改为写着“X% 的员工每周至少有一次远程办公”，就突然有了一个具体、可引用且能增添信息的内容。当模型为答案提供事实依据时，具体数字就是它能找到的最有用东西。这些数字看起来像是证据，但这项实验证明，它们有时并不是。

模型不会核查这个数字

一篇有搜索依据、由 LLM 撰写的内容，对延迟和成本有严格的预算限制。系统会获取几个页面，提取相关段落，然后开始写作。整个流程中没有任何事实核查环节。

要核实单个统计数据，就需要查找独立来源、比较这些来源并解决冲突。在数百万用户发起的数十亿次提示中，时间和金钱方面的成本都会不断累积，使核查在实践中既太慢又太昂贵。

为规避这一问题，LLM 会使用重排序器为相关性打分，但不会核实真实性。这意味着，只要某个段落与查询匹配且看起来权威，就会被采用。

统计数据天然带有一种时效性，而模型如

我之前写过一篇关于 ChatGPT 的近期偏置的文章，讨论它如何给来源评分。统计页面的标题、各级标题和 URL 中都会包含年份。这三种内置信号会告诉模型，页面上的内容是最新鲜的。

如何正确构建统计数据页面

我进行的两项测试表明，统计数据页面是一种非常有效的方式，可以让你的内容被 LLM 引用。我绝对不建议编造虚假数据，但你可以借鉴我们这项小型测试的经验，使用真实数据创建自己的页面。以下是 Peec 采用的有效做法；如果我再制作一个统计数据页面，也会这么做。

每个句子只陈述一项主张。每项统计数据都应在脱离上下文后独立成立。检索不是作用于整个页面，而是作用于段落。如果一个数字需要依赖上方的段落才能理解，它大概率不会被提取。
在每个数字旁标注来源和年份。“根据 [Source] (2026)，X%...”这有助于模型和人类编辑，也有助于维护你的可信度。这是信息卫生方面的一小步，同时有益于更广泛的信息环境。
让标题与扇出查询相匹配。页面上的标题应契合 LLM 搜索互联网的方式：“[Topic] 统计数据”、“[Topic] 市场规模”、“[Topic] 按国家划分的采用情况。”要思考模型会发起哪些查询，而不只是考虑人们输入的关键词。
显示更新日期（而且要真正更新）。时效性确实是模型会纳入考量的一种信号。过时的统计页面会败给较新的页面。
让统计数据易于提取。使用服务器端渲染的 HTML，而不是把数据藏在 JavaScript、选项卡或图片后面。此外，务必检查你的 robots.txt 以及 CDN 或 WAF 规则。你可能在不知情的情况下屏蔽了 AI 检索机器人。
保持简单。我们的 Peec AI GEO 统计数据页面基本上就是一个列表。你的页面同样不必比这更复杂。把设计资源留给真正能从中受益的网站和资产。
尽可能添加原创数据。汇总统计数据或许能为你带来少量引用，但如果你能提供别人没有提供的内容，你就可以成为第一手来源。

如何追踪你的页面是否被抓取

Google Search Console 不会显示 AI 机器人在你网站上的活动情况。我改为追踪以下内容：

AI 机器人活动：在服务器日志或 Cloudflare 中查找。除了训练爬虫，也要关注 ChatGPT-User、OAI-SearchBot 和 PerplexityBot 等检索机器人。我们就有这项功能！
AI 引荐会话：在 GA4 中查看来自 chatgpt.com、perplexity.ai 和类似来源的会话。
引用与可见度追踪，覆盖一组提示词。显然，在 Peec，我们为此使用自己的工具。
Ahrefs 或 Semrush 中的新增引荐域名。
未添加链接的提及。把你的确切数字用引号括起来搜索。你会发现有人在使用你的数据，却没有链接到你。

谈谈伦理问题

不言而喻，你绝不应该发布虚假内容。我的实验虽然依赖数万项未经核实的数据，但我进行这项实验是为了向公众分享结果。该网站虽然仍在线，但现在已经加上了免责声明。当我们发布希望被 LLM 采纳的内容时，我们始终应该提供准确且易于获取的信息。

再补充一个需要注意的地方：无法保证这种策略会继续有效。我们已经进行了测试，结果就是这些；但如今结果已经公开，LLM 可能会堵上这个缺口。目前这招有效，但未来可能不再如此，当然也绝不能滥用。

最后再强调一点：这只是一种策略，既不能也不应成为你的组织整个 GEO 战略的基础。我使用 StateGlobe 得到的结果非常极端，但最有可能通过使用这项技巧受益的，是人们已经信任的品牌。

Peec 的 GEO Research 接下来会带来什么

在 Peec，我们的研究团队正在开展近 40 项类似这样的实验。有些仍在进行中，有些已经显示出结果。为你的品牌制定长期战略，意味着在过程中不断测试、衡量并分享我们所学到的东西。