一个听上去像段子的实验，结果有点扎手。有人花50美元，做了一个全是假统计的网站。7个月后，它被ChatGPT持续引用，被330多个域名链接，甚至出现在学术论文和银行投研里。

更拧巴的是，Google早就把这个网站打入冷宫。ChatGPT却没有停。

这件事来自Peec AI博客的一篇实验复盘。作者没有把自己包装成正义调查员，更像在做一次GEO/SEO圈的灰度测试：如果大模型需要数据，它会多容易相信一个数字？

这个想法并非凭空而来。作者长期研究LLM、相关性工程和grounding，素材里还提到，Seer Interactive在2025年8月发布的一项研究，让他的几个念头最终落到这次实验上。

50美元，5万条假统计，一天上线

实验者买了一个新域名：stateglobe.com。他用GPT-4.1，在一天里生成了50,000条统计页面。

这些页面覆盖200个国家，主题包括SEO、内容营销、社交媒体、电商、Web技术。

数字全部编造。作者自己说，他一条都没核查过。

网站套了个基础AI网页模板，成本约30美元。后来他又加了15,000条清单式文章，再花约20美元。整个实验总价：50美元。

说实话，这个成本低得有点离谱。没有编辑部，没有调查记者，没有数据来源，甚至没有一个认真核对过数字的人。

它只有一个东西：大量看起来可引用的统计。

Google判了它死刑，ChatGPT却持续敲门

网站刚上线时，表现并不差。借助索引工具，几乎整站在一周内被Google收录，也开始出现在搜索结果里。

反转很快来了。两次Google更新后，站点可见性崩塌。此后几个月，它在Google基本隐形，页面曝光只有个位数到二十次。

按传统SEO剧本，这网站已经凉了。

但作者7个月后打开Cloudflare数据，发现另一幅画面。过去30天，网站收到超过600,000次机器人请求。其中约72,000次来自ChatGPT-User。

素材里说得很明确，这些请求来自ChatGPT实时回答问题时打开页面的抓取行为，不属于训练爬虫。

GA4也显示，自3月以来，仅ChatGPT就带来10,000+会话。网站还积累了330+外链域名，包含Shopify、Bluehost、DHL。

在Peec的监测面板里，10月7日，stateglobe.com在一组提示词下的可见度排到第二，仅次于Statista。

老实讲，这个反差很狠。Google不要的页面，AI搜索还在一遍遍取用。

AI真正爱的，往往是一个像证据的数字

为什么一个被Google降权的假统计站，能被ChatGPT反复抓取？

素材给出的解释很直接：越来越多内容由LLM参与写作。模型写东西遇到知识缺口时，会去找看似可靠的数据补洞。统计数字正好是这个洞里的塞子。

当用户让模型写研究型内容，模型会把任务拆成子查询，也就是所谓fanout queries。查询里常会带上 statistics、data、report、年份这些词。

比如有人让模型写远程办公文章，模型可能去搜 remote work statistics 2026。

这时，一个标题、URL、小标题都带年份和统计词的页面，天然容易被抓。

有意思的是，模型并不真的理解这个数字是否真实。它更在意相关性。一个页面说远程办公在增长，太虚；说X%员工每周至少远程办公一次，就具体、可引用、像证据。

这就是问题所在。数字看起来像证据，但证据不等于事实。

素材还提到，模型没有预算去做完整事实核查。验证一个统计，要找独立来源、比较、解决冲突。放到亿级提示词和海量用户里，太慢也太贵。于是系统用reranker打相关性，不打分真实性。

这段我看完挺有感触。AI搜索的效率优势，恰恰也是它的风险入口。

假数据被引用后，居然长出了权威感

如果这些假数字只停留在一个实验站，影响还有限。真正扎眼的是，它们开始外溢。

素材列出几个结果：StateGlobe的假统计被一篇学术论文引用，被卡塔尔最大金融集团的投资研究使用，被印度一家经济出版物引用，也被加拿大一个网红社区的研究报告当作来源。

注意，这些只是能追踪到回链的引用。作者推测，还有更多使用没有给链接。

这就是所谓的引用洗白。第一天，一个假数字毫无权威，只是新域名上的随机统计。后来学术论文引用了它，银行投研引用了它。下一个人或下一个模型再看到它时，它已经有来源了。

假数据没有变真。但它看起来更可信了。

热门评论里有人提到，这个问题在Wikipedia时代就有类似版本，叫citogenesis。

LLM把速度拧快了。

更让人不舒服的是，素材提到一种可能：这些页面被大量抓取和引用后，可能进入网络爬取数据，而网络爬取数据可能进入训练数据。作者说希望没有，但风险已经摆在那里。

一个由GPT-4.1猜出来的数字，可能变成下一代模型知道的内容。这个循环一旦转起来，事情就麻烦了。

真正危险的，是AI把能检索误认成能相信

这个实验最有价值的地方，在于它证明了一个更底层的错位：Google排名和LLM检索，是两套问题。

ChatGPT搜索并不简单复制Google前十。它会重写提示词，拆成子查询，从搜索源和缓存里拉候选，再重排，最后打开一些页面做grounding。一个页面可以在Google上完全隐形，但在LLM的检索链路里表现很好。

这对做GEO的人是个提醒：只盯Google排名，会漏掉一个仍在运转的渠道。

但对普通用户，提醒更直接：AI给出的引用，不等于AI验证过引用。

评论区也有类似焦虑。

Nothing prevents you from publishing straight BS, and LLMs will use any site that doesn't have a garbage reputation as a valid third-party source.

还有人提到，甚至可以做一个网站专门评论自己的网站。等LLM抓取评论时，假评论也会被算进去。

这些说法来自评论区，不属于实验正文。但它们指向同一种担心：只要系统奖励看起来像证据的内容，作弊者就会围着奖励机制搭便车。

个人觉得，这件事最该被盯住的，并不只是某个50美元假站。AI搜索产品如何给来源分级、如何做事实边界、如何在回答里呈现不确定性，更值得追问。

这点我不太认同把它简单看成灰产技巧。它更像一次压力测试：当AI把检索效率放在事实核查前面，系统会怎样被低成本内容击穿。

想被AI引用可以，但别学造假

实验者后来也做了一次正版测试。加入Peec后，他和团队上线了一个真实统计页面。每条数据都核查并标注来源。

结果，疑似使用AI写内容的网站很快开始链接它。第二次实验再次证明：发布统计内容，确实容易获得LLM生态的引用。

所以，这篇文章没有把路堵死。它反对造假，但承认这个机制可以被正向利用。

素材给了一套很具体的做法：

  • 每条统计只表达一个主张，离开上下文也能看懂。
  • 每个数字旁边放来源和年份。
  • 标题和小标题要匹配模型会发出的查询，比如 [主题] statistics、[主题] market size、[主题] adoption by country。
  • 显示更新日期，并且真的更新。
  • 用服务器渲染HTML，不要把数据藏在JavaScript、标签页或图片后面。
  • 检查robots.txt、CDN或WAF规则，别误拦AI检索机器人。
  • 页面保持简单，统计页可以就是列表。
  • 有原创数据更好，因为聚合统计只能拿引用，原创数据有机会成为一手来源。

这部分其实很值得国内内容团队看。很多人还在纠结关键词，AI检索已经开始按可抓取、可引用、可补洞来挑内容。

追踪也不能只看Google Search Console。素材建议看服务器日志或Cloudflare里的ChatGPT-User、OAI-SearchBot、PerplexityBot等检索机器人，看GA4来自chatgpt.com、perplexity.ai的推荐会话，看一组提示词下的引用表现，看新增外链域名，还要搜精确数字找未链接提及。

作者在素材里反复强调：不要发布假内容。这个实验是为了公开研究，网站现在也加了免责声明。他还提醒，这个战术未来可能失效，也不该成为组织GEO策略的全部。

当AI搜索越来越像答案入口，用户看到的引用到底代表什么？是来源，是证据，还是仅仅因为某个数字恰好出现在一个能被机器抓到的页面上？

50美元能造出一个假统计站，也能照出AI搜索的软肋。接下来该补洞的，恐怕并不只是模型，还有使用模型的人。

【锐评】：50美元假数据混进论文和投研，说明AI搜索最缺的从来都是把假数字拦在答案外面的闸门。

参考链接：
https://peec.ai/blog/publish-stats-get-cited-the-tactic-that-put-my-data-all-over-the-web