发布虚假统计数据，被大语言模型广泛引用
Hacker News 摘要原标题：Publish fake stats, get cited in LLMs
这篇文章由 Peec AI 的 GEO（生成式引擎优化）研究员 Metehan Yesilyurt 撰写，详细介绍了一项关于大语言模型（LLM）搜索检索机制的实验：通过发布大量虚假统计数据，观察其如何被 AI 和互联网广泛引用。
实验背景与动机
作者长期研究大语言模型、相关性工程和信息溯源。他发现，越来越多的团队开始使用 LLM 撰写时效性内容。当 LLM 存在知识空白时，为了让内容看起来可靠，往往会主动在网上搜寻统计数据作为佐证。
作者想探索的不只是品牌如何进入 AI 的回答，更是用户在获取 AI 回答后，将其用于报告、网站和研究所产生的长尾扩散效应。受 Seer Interactive 等团队此前研究的启发，作者于 2026 年 3 月启动了该测试。
实验搭建：耗资 50 美元的虚假数据网站
作者购买了一个全新的域名 stateglobe.com，使用 GPT-4.1 在一天内生成了 50,000 个统计页面。
• 内容涵盖全球 200 个国家在 SEO、内容营销、社交媒体、电子商务和网络技术方面的数据。
• 网站上的所有数据完全由 AI 捏造，作者未进行任何核实。
• 网站采用基础的 AI 网页设计模板，初始成本约为 30 美元；随后作者又花费约 20 美元添加了 15,000 篇清单式文章，总成本仅约 50 美元。
实验结果与现象
1. 谷歌快速封杀，但 ChatGPT 持续抓取
网站上线之初在谷歌的索引与展现表现良好，但随着随后的两次谷歌算法更新，该网站在谷歌中的搜索曝光全面崩塌，数月内处于被去索引或完全没有展示的状态。
然而，ChatGPT 完全没有停止抓取。在上线 7 个月后的单月内，该网站获得了来自各类机器人的 60 多万次请求。其中有约 7.2 万次来自 ChatGPT-User 代理。这属于 ChatGPT 为实时回答用户问题而调用的检索，并非后台模型训练抓取。
2. 获得了大量权威外链与持续的 AI 引用
• 根据 Ahrefs 和 Semrush 的数据，该网站获得了超过 330 个引用域名的反向链接，其中包含 Shopify、Bluehost 和 DHL 等知名企业。
• 在分析工具 GA4 中，来自 ChatGPT 的访问量超过 10,000 次会话。
• 在作者设定的特定提示词可见度监测中，该虚假数据网站的可见度排名第二，仅次于权威数据平台 Statista。
3. 虚假数据被严肃机构引用
这些完全捏造的数据不仅被 AI 提取，还进一步流入了现实世界的严肃出版物中：
• 被学术论文直接引用。
• 被卡塔尔最大的金融集团采纳并写入投资研究报告。
• 被印度的一家经济学刊物引用。
• 成为加拿大一个达人社群研究报告的数据来源。
4. 令人担忧的“引用洗白”效应
刚上线时，这些虚假数据在全新域名上没有任何权重。然而一旦被学术论文或金融机构引用，这些数据就披上了可信的外衣。后续的人类研究者或其他 AI 模型在查证时，就会将其视为有正规来源的真实数据。这种虚假内容一旦进入网络爬虫数据，甚至可能污染未来下一代 AI 模型的训练集。
5. 真实数据对照实验
作者随后在 Peec AI 官方网站上线了一个包含真实、经过核验并注明出处的 GEO 统计数据页面。上线后，同样迅速吸引了大量疑似使用 AI 辅助写作的外部网站为其添加反向链接，证明了统计数据策略的高效性。
为什么统计数据容易被 LLM 采纳
• 检索扇出查询： 当用户要求 LLM 围绕某个话题撰写文章时，模型会将其拆解为多个子查询，并自动附带“统计”、“数据”、“报告”或“年份”等词。针对模型搜索习惯优化的页面更容易被抓取。
• 数字天然具有证据属性： 相比“远程办公正在增长”这类空泛表述，带有具体百分比的句子对模型而言更具信息增量，最适合被模型用来填充论据空白。
• 模型缺乏实时事实核查能力： 面对延迟与推理成本的限制，LLM 在联网检索时只能快速拉取片段并重排相关性，根本无法花费成本去跨来源交叉验证数据的真实性。只要内容匹配度高、排版看起来权威，就会被直接采纳。
• 时效性偏差： 统计类页面的标题、层级标题和链接中通常带有具体年份，这契合了模型对最新信息的偏好。
正确构建统计数据页面的指南
作者反对发布虚假数据，建议营销人员利用该机制建立包含真实数据的页面：
• 一句话陈述一个论点： 检索是以段落和文本片段为单位进行的。每个统计数据必须脱离上下文也能独立成立，否则容易在抽取时丢失。
• 数字旁紧跟来源与年份： 采用“根据某机构（年份），百分之几……”的格式，方便模型抓取，也提升人类阅读时的可信度。
• 标题匹配模型的子查询： 使用“某主题统计数据”、“某主题市场规模”这类贴合模型搜索行为的短语作为标题。
• 明确展示并实际更新日期： 保持页面的新鲜度，避免被更新的内容替代。
• 便于程序抓取： 使用服务端渲染的 HTML，切忌将数据藏在 JavaScript、折叠标签或图片中。同时要检查网站的 robots.txt 以及防火墙设置，避免无意间拦截了 AI 检索机器人。
• 结构保持简单： 采用清晰的列表形式即可，不需要复杂的页面设计。
• 尽量提供原创一手数据： 整合数据虽有用，但如果能发布独家数据，就能成为网络生态中的第一引用源。
衡量 AI 检索效果的指标
由于谷歌搜索控制台无法显示 AI 机器人的抓取行为，作者建议监测以下数据：
• 服务器日志或 Cloudflare 中 ChatGPT-User、OAI-SearchBot、PerplexityBot 等实时检索机器人的活动。
• GA4 中来自 ChatGPT、Perplexity 等 AI 工具的引荐访问量。
• 针对特定提示词在 AI 回答中的可见度和引用表现。
• 监测外部新增的反向链接。
• 使用双引号直接在搜索引擎中搜索自己独有的具体数据，排查未附带链接但直接引用了数据的网页。
伦理与风险提示
作者强调，进行该测试是为了揭示 AI 搜索的安全与准确性盲区，并向公众公开风险，绝不是鼓励滥用虚假信息。虚假数据网站目前已挂上免责声明。
此外，随着 AI 搜索系统的不断迭代，这类漏洞在未来可能会被模型厂商逐步修复。该方法应当作为一种数据内容优化的具体技巧，而不应视为企业 GEO 战略的全部依托。拥有良好品牌信誉的企业，运用这种方法发布真实数据时能获得更持久的效益。
原文：https://peec.ai/blog/publish-stats-get-cited-the-tactic-that-put-my-data-all-over-the-web