香港大学胡兴研究团队针对人工智能搜索治理取得新进展，中小企业未来增长可期！

近日获悉，香港大学胡兴副教授、姚霁桐博士团队围绕生成式人工智能搜索中的企业可见性与中小企业市场进入问题取得新研究进展。研究显示，随着生成式人工智能加快进入搜索服务、消费决策和数字经济运行，人工智能生成答案正在改变企业被消费者发现、比较和选择的方式，并对数字市场公平竞争、中小企业数字化转型和人工智能平台治理提出新的现实课题。

在传统搜索环境下，消费者通常通过网页链接、平台排名、用户评价等信息寻找服务提供商。生成式人工智能搜索则不同，用户提出问题后，系统往往直接生成综合性答案，并在答案中写入少数企业或服务机构，同时对其相关性、可信度和选择理由作出解释。研究团队认为，这一变化意味着，企业在数字市场中的竞争不再仅仅体现为搜索结果排名高低，还体现为能否进入人工智能答案、在答案中处于何种位置以及获得多少解释空间。

针对这一新现象，团队提出“答案层进入分配”分析框架。该框架强调，生成式人工智能搜索并不是传统搜索排序的简单延伸，而是在有限的答案空间中对企业可见性进行重新组织。人工智能系统在生成答案时，会决定哪些企业被写入答案、哪些企业被置于更醒目的位置、哪些企业获得更充分的说明。这一机制将消费者市场发现过程从“浏览链接”进一步推向“接受答案”，由此可能影响消费者形成初始考虑集，并影响企业获得市场机会的方式。

研究设计与数据规模示意

为系统检验这一机制，研究团队开展了大规模生成式人工智能答案审计。研究覆盖留学、家政、法律、财税、装修、商标、按摩、婚庆、体检、移民等十个服务行业，涉及四类模型家族、二百个查询场景和四十五天观察期，累计归集三万六千条原始生成式人工智能答案。数据包显示，研究共形成二十六万零三百七十二条去重后的答案—企业可见性记录，识别并复核七千二百五十个答案层行业企业实体、七千一百二十一个唯一标准化企业标签。

研究采用“先重建答案层可见企业图谱、再进行企业规模后分类”的方法。也就是说，团队并非从既有企业名单出发，而是从人工智能实际生成的答案中观察哪些企业真实出现，再依据中国政府中小企业划型标准进行企业规模标注。这一设计更接近真实的智能搜索使用场景，也有助于避免预设企业样本造成的分母偏差。研究团队同时明确，相关结论指向“答案层可观察企业宇宙”，并不等同于完整线下市场名录。

从答案内部看，生成式人工智能搜索具有明显的压缩性。研究测算显示，在三万六千条答案中，非空答案为三万五千七百零二条，无实体答案率仅为百分之零点八三；每条答案平均出现约七点二三个可见企业实体，中位数为六个。与此同时，单条答案内部的可见性分布并不平均：第一名企业平均占据约百分之三十六点一的可见性份额，前三名合计约百分之六十七点一，前五名合计约百分之八十点五，平均有效竞争者数量约为五点二二。这说明，虽然一条答案可能提到多个企业，但真正获得显著位置和充分解释空间的企业数量有限。

从实体累计层面看，集中趋势更加突出。研究显示，七千二百五十个答案层企业实体的累计可见性基尼系数达到零点八八八；前百分之一企业获得约百分之四十五点一的总可见性，前百分之五企业获得约百分之七十三点七，前百分之十企业获得约百分之八十四点零。与此同时，约百分之二十六点七的企业只在一条答案中出现过。这一组数据表明，人工智能答案层并非均匀展示企业，而是形成了较为明显的头部集中。

答案层可见性集中及中小企业进入差距

研究还发现，答案层可见性具有较强持续性。早期可见性与后期可见性之间呈显著相关，早期累计可见性预测后期累计可见性的线性模型系数为五点三八，统计显著性达到p小于零点零零一；早期与后期可见性排序的斯皮尔曼相关系数为零点七零一，同样达到p小于零点零零一。从状态转移看，早期处于头部百分之十的企业，有百分之八十五点六在后期仍保留在头部；而早期非头部企业跃迁至后期头部的比例仅为百分之一点六一。这意味着，生成式人工智能答案中的企业可见性并非完全随机波动，而可能在用户点击、购买、评价等反馈发生之前，就形成新的持续性差异。

中小企业在这一变化中的处境尤其值得关注。数据包显示，在七千二百五十个答案层企业实体中，大型企业为一千三百二十四个，中小企业为五千九百二十五个。大型企业平均累计可见性为十七点五七，中小企业为二点零九，前者约为后者八点四倍；大型企业平均被提及答案数为一百二十点二，中小企业为十六点九八。更为关键的是，大型企业进入头部答案位置的比例为百分之二十七点六，中小企业仅为百分之六点一四，相关模型估计显示，中小企业进入头部位置的相对优势显著低于大型企业。

从动态过程看，大型企业早期进入头部后，后期继续留在头部的比例达到百分之九十三点三；中小企业相应比例为百分之七十八点二。大型企业从早期非头部跃迁至后期头部的比例为百分之三点四一，中小企业为百分之一点三零。这表明，在智能搜索逐渐成为消费者重要信息入口的背景下，中小企业面临的不仅是品牌知名度、广告投入和平台排名等传统差距，还可能面临人工智能答案生成过程中的新型进入门槛。

研究进一步揭示，中小企业在人工智能答案中的可见性劣势，与其公共信息基础和“可回答性”资源不足密切相关。所谓“可回答性”，是指企业能否被人工智能系统准确识别、合理解释和有效验证。企业名称是否稳定，行业归属是否清晰，官网信息是否完整，服务内容是否明确，是否拥有媒体报道、行业平台、用户评价、榜单记录等可交叉验证的信息来源，都会影响其被人工智能系统写入答案的可能性。大型企业通常拥有更丰富的公开资料、更稳定的品牌识别和更多第三方信息来源，因此更容易成为人工智能答案中的可呈现对象；部分中小企业虽然具备真实服务能力，却可能因公开信息不足、数字痕迹分散、可信来源较少而难以被系统充分识别。

与此同时，长尾查询和本地查询为中小企业提供了部分进入窗口。研究显示，在宽泛行业查询中，大型企业与中小企业头部进入率差距约为二十四点八个百分点；在本地查询中，这一差距收窄至约十一点四个百分点，本地查询下中小企业头部进入率提升至百分之七点九八。长尾情景查询也能在一定程度上缩小差距，但仍未完全消除大型企业与中小企业之间的可见性差异。该发现表明，具体化、本地化的消费者需求有助于降低搜索成本、打开中小企业展示空间，但企业仍需要具备足够清晰、完整、可信的公共信息基础，才能把“被问到”的机会转化为“被写入”的机会。

研究还对模型来源结构进行了辅助分析。样本显示，不同模型对企业官网、用户生成内容平台、权威媒体和独立站等来源的依赖存在明显差异：在抽样来源中，OpenAI系列对企业官网类来源占比较高，Doubao／Seed对用户生成内容平台依赖更强，Hunyuan的权威媒体类来源占比相对突出。来源时效性方面，不同模型近九十天来源占比也呈现差异。研究团队认为，这些发现提示平台治理不能只关注答案是否准确、表述是否流畅，也应进一步关注来源结构、信息时效、企业多样性和中小企业纳入程度。

该研究为中小企业数字化转型提供了新的启示。过去，中小企业更多关注建设网站、开展线上营销和提升传统搜索排名；在生成式人工智能搜索环境下，还需要重视面向人工智能系统的可识别性、可解释性和可验证性建设。完善结构化官网信息，清晰展示服务范围和核心优势，积累可信第三方来源，增强本地化、专业化内容表达，正在成为中小企业提升智能搜索可见性的重要路径。

研究团队认为，随着生成式人工智能加速应用于搜索、推荐和决策辅助等领域，数字市场入口正在从“搜索结果页”向“智能答案框”延伸。平台治理也需要从答案准确性、信息真实性，进一步拓展到市场多样性、企业纳入程度和可见性公平等层面。香港大学胡兴副教授、姚霁桐博士团队的这一研究成果，为理解人工智能时代的市场发现机制提供了新的证据，也为促进中小企业数字化发展、完善人工智能平台治理、维护公平竞争的数字市场环境提供了研究支撑。

免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。