撰寫、編輯／ximu PM 翁睿承 ( Ray WONG )
打開 ChatGPT，問它一句「上海週末帶小孩去哪裡好」。
它會給你一份條理分明的清單。地點、交通、餐廳、注意事項，甚至替你列好預備方案。看起來像個熟門熟路的本地朋友。但你有沒有想過——它從哪裡知道這些事？
不是迪士尼官網，不是攜程，不是大眾點評。是小紅書。是某個媽媽兩年前發的一篇筆記，附帶天氣建議、停車心得、以及她在現場踩過的雷。
模型不會告訴你它讀了誰，但它的答案有味道。那個味道是 UGC 的味道。
如果你想看清楚這件事，最快的方式是看西方。
過去一年，海外 GEO 圈最大的話題之一，就是 Reddit 在 ChatGPT 引用裡的佔比變化。Semrush 的數據顯示，2025 年 8 月初，ChatGPT 的回答有將近 60% 引用了 Reddit；到了 9 月中旬，這個數字暴跌到 10% 左右。Ahrefs 進一步指出，Reddit 頁面常常被 ChatGPT 「檢索到」，但只有 1.93% 真的被「引用」出來。
這不是 Reddit 不重要，這是 LLM 提供商開始重新分配信源權重。
但即使在這場震盪之後，Profound 統計超過 40 億次 AI 引用之後得出的結論依然是——Reddit 仍然是被引用最多的單一網域。在 ChatGPT 內部，它和 Wikipedia 並列第一第二。一個提供「事實」（what），一個提供「人話」（so what）。
更關鍵的數字是這個：AmICited 的研究指出，AI 回答中約有 91% 的引用來自第三方來源，只有 9% 來自品牌官網。
這個數字會讓所有還在優化自家 SEO 著陸頁的行銷主管冒冷汗。
模型不讀你的官網。模型讀的是別人在社群裡怎麼講你。
為什麼 LLM 偏好 UGC？
因為模型缺的，從來不是事實。事實滿地都是。模型缺的是摩擦——一個真實的人，在真實的場景裡，遇到真實的問題，留下真實的解法。
這種東西，企業官網寫不出來。新聞稿寫不出來。SEO 部落格更寫不出來。它只長在社群裡，長在那種「我也踩過這個雷」的對話裡。
LLM 知道這件事。所以它把社群當成「人類經驗的濃縮資料庫」來用。它需要 Wikipedia 來確認事實，需要 Reddit 或小紅書來確認「真實的人會怎麼想」。
當答案引擎要回答「這個產品到底值不值得買」、「真的有人用得很順嗎」這種問題的時候，它不會去讀產品官網的「五大優勢」。它會去讀某個用戶在凌晨兩點寫的抱怨。
這就是 UGC 平台對 LLM 的滲透力來源——它握有模型最缺的那種資料：未經修飾的人類反饋。
把同樣的邏輯搬到中文世界，答案幾乎是寫在臉上的。
小紅書 2024 年第四季的日均搜尋量已經接近 6 億次，比 2023 年中翻了一倍。月活超過 3.3 億。內容覆蓋從美妝穿搭、旅遊攻略，到育兒、租房、找律師、找會計師、找醫生。
它不再是「中國的 Instagram」。它是中國的決策引擎。
一個上海週末遛娃的筆記，可能包含天氣建議、地鐵路線、餐廳預算、活動安排，以及如果下雨怎麼辦的應急方案。一個用戶花了一個下午寫的真實體驗，密度比任何旅遊網站都高。
而這些東西，現在正在透過幾條路徑進入 LLM 的回答：
小紅書的公開內容會被 Common Crawl 之類的爬蟲收進通用語料庫。GPT、Claude、Gemini 這類大模型在訓練時，多多少少都吃進去了。
當用戶問 ChatGPT 一個生活類問題，模型會去網路即時搜尋，搜尋結果裡常常出現小紅書筆記的截圖、轉錄、二次傳播版本。
大量用戶的習慣已經是「先在小紅書搜一輪，再丟給 ChatGPT 整理」。在這個過程裡，小紅書的觀點、句式、推薦邏輯，會被人類用戶主動餵進模型的上下文。
小紅書自己做了「點點」這個 AI 搜尋產品，主打 UGC 信源 + 即時性 + 評論理解。這意味著小紅書正在把自己變成一個「對外輸出答案」的引擎，而不只是一個「被搜尋」的平台。
四條路徑加在一起，小紅書完成了一次身份轉換——從種草平台，變成模型的記憶來源。
這裡才是品牌方最需要警覺的地方。
小紅書的內容生態長期被三件事困擾：軟廣氾濫、AIGC 灌水、信源真實性難以驗證。
中國大陸的「3.15 晚會」前陣子才剛揭露過所謂的「投毒式 GEO」——大量批量生產的內容，餵給 AI，逼 AI 做出錯誤判斷。
這不是技術問題，是信任污染。
當小紅書的內容開始反向影響 ChatGPT，意思不只是「好的內容會被引用」，同時也是「壞的內容會被引用」。
你的競品在小紅書上有 200 篇控評筆記，講的是你的產品「有副作用」、「服務態度差」、「不如他們便宜」——這些東西會進入模型。模型不會分辨那是真實用戶還是寫手，它只會看到「多個獨立信源都在這樣描述」。
於是 ChatGPT 就會在用戶問「A 牌和 B 牌哪個好」的時候，淡淡地告訴對方：「根據網路上的討論，A 牌存在一些品質疑慮。」
這句話不是 ChatGPT 自己想的。這句話來自一年前某個小紅書帳號的一篇貼文。
模型沒有惡意，模型只是把它讀到的東西轉述出來。
不是「我要不要經營小紅書」。
那個問題十年前就該回答了。
真正的問題是這三個：
一篇情緒化的爆款筆記，對人類用戶有效，但對模型可能是雜訊。一篇結構清楚、有具體場景、有真實對話的筆記，反而才是模型願意吸收的「乾糧」。
大部分品牌完全不知道 ChatGPT 怎麼介紹自己，更不知道為什麼 AI 會推薦競品而不是自己。這個盲區比 SEO 的盲區大十倍——因為它隱形，沒有 SERP 可以查。
這已經不是內容生產的問題，是品牌語義治理的問題。
回到開頭那個問題——你問 ChatGPT 上海週末遛娃。
模型給你的答案，背後是一連串你看不見的選擇：哪些信源被檢索、哪些被引用、哪些被改寫、哪些被丟棄。這個過程沒有人類編輯，沒有 SEO 排名，沒有廣告位。
只有一個冷酷的事實：模型理解誰，誰就存在；模型不理解誰，誰就消失。
小紅書的崛起不是社群媒體的故事，是 AI 信源結構重組的故事。它和 Reddit 的命運會非常像——成為模型最依賴、也最焦慮的那個資料層。
對品牌來說，這意味著一件事：你過去花在小紅書上的所有預算，從這一刻起，不只是給用戶看的，也是給模型看的。而你過去從來沒花過、現在也還不知道要怎麼花的那一塊預算，叫做「品牌在 AI 裡的語義治理」。
這個位置才是新的戰場。
而戰場的第一步，是先讓自己看見模型是怎麼看你的。（See What AI See）
VM 布爾喬亞創立於 2014 年，定位為「形象資產架構師（IMAGE Asset Architects）」，是一家以 AI 為核心的 AI 原生公關顧問公司。秉持「策略優先、數據驅動、AI 賦能（Strategy-First | Data-Driven | AI-Empowered）」信條，透過獨創的 PRaaS 2.0 服務模式（PR As AI Soiutions），將傳統策略傳播轉化為可量化、可持續治理的「形象資產（IMAGE Asset）」，實踐「信任・影響・共振」的核心價值。
面對生成式 AI 時代，VM 布爾喬亞投資開發核心基礎設施「 ximu」——一款 AI 原生形象資產治理平台，攜手來自臺灣大學、中國復旦大學、華東師範大學等一線演算法工程師完成核心開發，致力於讓品牌在 AI 語義系統中被看見、被信任、被優先引用。
同時，VM GEO 根據布爾喬亞 I.M.P.U.L.S.E. 方法論與矽谷 AI 搜索算法，集結來自臺灣大學、史丹佛大學、紐約大學、北京清華大學等學歷的國際顧問團隊共同研發，讓AI時代的品牌治理真正走進信任工程建設。
【VM 布爾喬亞招募中】新聲代發展計劃 2.0 ── AI PR 人才加速養成計劃（歡迎「應屆畢業生」、「一年以下相關 / 三年以下非相關經驗工作者」申請加入）
