AI 搜索正在吃掉多少传统搜索流量？Perplexity / 秘塔类产品的真实冲击

过去十八个月，AI 搜索工具的月活数据已经不能再被当作“小众实验”忽略。Similarweb 的追踪显示，Perplexity 在 2024 年的月访问量稳定在 6000 万以上；国内秘塔 AI 搜索的日活也在年内翻了数倍，从年初的数十万增长到过百万级别。更关键的信号来自 Google：其 AI Overviews 功能在 2024 年覆盖了超过 10 亿月活用户，并直接在搜索结果页顶部生成摘要。这些变化对依赖传统 SEO 流量的企业而言，不是增量竞争，而是存量切割。

一个直观的例子来自内容电商领域。某头部消费评测站点向我透露，其核心关键词“蓝牙耳机推荐”在过去一年长期占据 Google 和百度搜索首页前三，单页月均自然流量约 8 万 UV。但自今年初多个 AI 搜索工具开始直接生成“2024 蓝牙耳机对比表”后，该页面流量在六个月内下跌了 42%。用户不再需要点击进入十个蓝色链接，AI 在对话窗口里直接给出了加权评分和购买建议。这种分流不是个别现象，Ahrefs 针对英文搜索市场的监测表明，带有 AI Overview 的查询下方，传统自然搜索结果的平均点击率下降了 18% 到 35%。

流量分流：从点击链接到获得答案

传统搜索引擎的商业逻辑建立在“查询-列表-点击”的漏斗上。品牌通过 SEO 争夺前十排名，换取用户的一次点击。但生成式搜索把这个漏斗压扁了：Perplexity、秘塔 AI 以及嵌入大模型的搜索功能，直接将答案推送给用户，引用来源被折叠在角落。对信息类、对比类、how-to 类查询而言，这意味着大量中长尾流量的蒸发。

B2B 领域同样受到冲击。一个做企业级 CRM 对比的网站运营者发现，过去通过“best CRM for small business”获取的自然注册量，在 Google 推出 AI Overview 后单月下降了 28%。因为 AI 直接在摘要里列出了三款产品的核心优劣势，用户的决策路径被前置，跳过了中间的内容消费环节。更深层的影响在于用户行为的迁移：年轻用户群体开始把 Perplexity 或 ChatGPT Search 当作默认入口。一位做 SaaS 出海的朋友告诉我，他们面向北美市场的官网流量中，来自传统搜索引擎的占比从 2023 年的 61% 下降到 2024 年的 48%，而直接访问和品牌词搜索的比例在上升——背后的逻辑是，用户可能在 AI 对话中已经获得了推荐名单，然后直接输入品牌网址或品牌词进行验证。传统 SEO 的“拦截价值”正在失效。

品牌露出：从抢占排名到争取被引用

在旧框架里，品牌露出的核心是“首页占位”。前十名的位置本身就是信任背书。但在 AI 搜索的界面里，答案通常只显示 3 到 5 个引用来源，且往往以角标或底部“参考”链接的形式存在。Perplexity 的默认界面中，用户甚至需要向下滚动才能看到完整的来源列表；秘塔 AI 的脑图模式里，引用链接被进一步弱化。

这意味着品牌竞争从“争夺用户眼球”变成了“争夺 AI 的信任”。当你的内容被大模型引用进答案，品牌获得的是一次“被提及”；如果没被引用，即便你的网站在传统排名里位列第一，用户也可能根本看不到。我观察到，一些垂直领域的 B2B 站点已经开始出现“AI 引用率”这项内部指标。一家做工业自动化的企业市场负责人告诉我，他们发现自家品牌在 Perplexity 回答“工业传感器选型”时从未出现，而竞争对手却被频繁引用。问题不在于他们的网站权重低，而在于其产品手册是 PDF 格式、技术参数以图片形式存在，大模型无法有效抓取和解析。

这种露出方式的转变，直接影响了品牌建设的逻辑。传统搜索结果中，即便用户不点击你的链接，你的品牌名和 Slogan 也会在摘要中展示一次“被动曝光”。但在 AI 搜索的答案流里，未被引用的品牌是彻底隐形的。更微妙的是，AI 的引用往往带有“去品牌化”倾向——它会综合多家信源重写结论，用户记住的是答案本身，而非背后的信息来源。这要求企业必须在内容中植入难以被 AI 忽略的独占性事实，比如独家数据、原创方法论或特定产品型号的技术细节，才能在引用中保留品牌辨识度。

企业内容策略：从 SEO 到信源建设

面对这种结构性的变化，企业内容策略需要做一次底层调整。关键词密度、外链数量和标题标签优化仍然是基础，但已不足以保证在 AI 搜索时代的可见性。新的核心目标是：让你的内容成为 AI 生成答案时无法绕过的信源。

第一，内容形态要从“页面”转向“知识单元”。AI 大模型偏好结构清晰、事实密度高的文本。将长篇报告拆解为带层级标题的问答式知识库，使用 Schema.org 等结构化数据标记关键信息，能显著提升被检索和引用的概率。前面提到的工业自动化公司，在将 PDF 手册转为 HTML 格式的结构化参数库，并补充了 50 组常见选型问答后，三个月后其在秘塔和 Perplexity 相关查询中的被引用率从零提升到了约 67%。

第二，一手数据比二手汇编更有价值。大模型在生成答案时，对原创研究、白皮书、调研报告的引用倾向明显高于普通的博客综述。这是因为 AI 需要可信的信源来降低“幻觉”风险。一家国内的 HR SaaS 厂商定期发布《远程办公薪酬调研》，报告中包含原始数据表格和地域分布分析，结果在多个 AI 搜索关于“远程办公薪资”的查询中成为首要引用来源，带来了大量精准的品牌曝光。

第三，建立“AI 可见性”的监测体系。传统 SEO 有 Search Console 和各类排名监控工具，但 AI 搜索的引用逻辑是黑盒的，且不同模型（GPT-4、Claude、Kimi、文心一言）的检索和引用偏好并不一致。企业需要定期在主流 AI 搜索工具中手动抽查核心关键词，记录品牌是否被引用、引用位置和内容语境。部分第三方工具如 Profound 或国内类似的 LLM 监测平台，已经开始提供“大模型品牌提及”的追踪功能，虽然还不成熟，但这是未来内容运营的必备仪表盘。更重要的是，内容团队需要分析被引用的页面特征——是数据图表、定义解释，还是案例研究——然后反向优化内容生产线。

流量迁移已经开始，且不可逆。对于企业而言，与其纠结于传统排名的微小波动，不如把资源投入到让自身内容成为 AI 答案的“底层基础设施”。在这场变化中，成为信源比成为排名更关键。