图 1: AI 搜索与传统 Google 搜索的架构对比
描述与要点:左列为 Google 搜索的“路由注意力”,右列为 AI 搜索的“检索+综合”架构,强调 AI 搜索可以在中介内部直接给出答案而非仅传回链接。此图直观表达了研究的核心对比理念,即流量的渠道和注意力的归属将被重写。此图用于引介章节的论证框架。3
溯源提示:图像来源于页面 2 的图示。图示有助于理解“路由流量”概念的转变。
图 2: ChatGPT reach 在三次扩展后的趋势 vs Google 的稳定性
描述与要点:两幅子图合成,展示了 ChatGPT 的月度活跃户数份额(reach)在三次扩张后从约 4.6% 增长至约 7.9%,而 Google 的 reach 维持在约 49% 左右。Caption 指出 ChatGPT 的“可被视为搜索启用的对话会话”在活跃家庭中的增速显著。图像定位在 Section 3 的引证,强调 AI 拓展带来的扩张效应与对传统搜索的相关性。图 2 的讨论支撑了“ wider access 的量化效应”这一核心分析路径。 9
下面的图片:
图 3: ChatGPT 与 Google 的信息检索机会的路由情况(Referral ratio 的对比)
描述与要点:两图呈现 ChatGPT 的 session 级路由比与 Google 的 query 级路由比的对比,表明 ChatGPT 的“清洁外部引用”发生率显著低于 Google(5.2% vs 31.1%)。图左为 ChatGPT 会话(以会话为单位),图右为 Google 的查询(以查询为单位)。这组图直接支撑了“ChatGPT 路由效率显著较低”的核心论断。图 3 的叙述在文本中与表 1 结合显示了原始差距和固定效应后的回归结果。 10
图像来源:
表 1: ChatGPT retains far more information seeking than Google
描述与要点:此表汇集了“一个用户端事件”定义的对比(ChatGPT 会话 vs Google 查询),包括“完整清洁引用的总数”和“各自的引用比率”等关键数据;并在同一表格中给出原始跨家庭、跨周的比较与固定效应后的回归结果β。该表是量化核心的直接证据源,支撑“ChatGPT 的信息检索行为远低于 Google 的引用率,但在 retention 上有显著差异”的结论。本文文本针对该表给出的解释包括:家庭组成差异与周次差异对原始差距的解释力有限。11
图片/表格样式:文字说明中也强调了“同一家庭在同一周内对比两种中介用于信息检索的差异”的设计逻辑。
图 4: ChatGPT 吸引 reference 与 tool 任务,但对技术与 E-commerce 任务的路由较多
描述与要点:这组图以“ surrounding context(家庭内15分钟窗口内的其他浏览)”来对比 ChatGPT 与 Google 的任务意图分布。ChatGPT 在 reference/knowledge、tools/SaaS 等领域的任务更为集中,而在 developer/technical、e-commerce 等领域的任务中留下引用的概率较高。图 4 支撑了“ChatGPT 的任务分布与外部引导的对象并非均匀分布”的结论。 12–13
图像引用: (Figure 4 的具体图片在页面 13。)
图 5: ChatGPT 的 residual referrals 更偏向工具与知识,而 Google 的则偏向大站点
描述与要点:ChatGPT 的Residual referrals 在 content-type 的分类下,偏向 reference/knowledge、tools/SaaS、academic research、developer/technical;相反,Google 的 residual referrals 更偏向社交媒体、新闻/信息等大站点。图 5 直接显示了“分布差异”如何在任务层级诱发不同的流量来源。这与“ChatGPT 留存的仍然是专业化、低流量的站点”这一结论一致。 15
图像引用:
图 6: ChatGPT-favored destinations vs Google-favored destinations(散点图/对比)
描述与要点:呈现单域名级别的 ChatGPT 与 Google 的引用份额对比,呈现了两者在“低体量但高相关性”领域的流量偏好差异。ChatGPT 偏好较小的学术、参考与工具型站点,而 Google 的流量集中在大站点(如社媒、百科等)之上。此图与文本中对“ChatGPT 的引用分布更分散、跨家庭差异大”的描述相符。 16
图像引用:
图 7: Wider AI search access 对传统搜索的 displacement 路径
描述与要点:事件研究路径(event-study)显示扩展接入后传统搜索查询显著下降,合并效应在多阶段分析后达到 −3.14 查询/户-周(约 −9.4% 的初始均值33.51),并且在 20 周后达到 −17.0% 的更大下降。该图是对三次扩展合并分析的核心证据之一,显示“扩展更广泛的AI 搜索接入”确实对传统搜索产生替代效应。该结论的稳健性在 OA(附录)中多项分析得到进一步验证。 19
图片引用:
表 4: Displacement 随曝光时间的增长(20 周)呈现累积效应
描述与要点:表 4 汇总了 matched-window 的估计,显示在三次扩展下,传统搜索的下降幅度随曝光时间增加而增强,从 9.4% 提升至 17.0%,且在统计上显著。这一结果强调了“暴露-反应”的积累性(exposure accumulation)。引用中还指出 December 16 与 Anonymous 对比的鲁棒性分析也支持该方向。 20
图像引用:Figure 7 与 Table 4 的结合支撑了 displacement 的时间动态。图 7 的图片参照上文。
图 8: 传统搜索损失对信息性站点的分布更重
描述与要点:在学术研究、参考/知识、新闻/报道等信息性域的“外部引用损失”上,传统搜索的下降幅度最大;商业交易和娱乐领域的下降则相对较小,甚至不显著。这解释了 displacement 的类别异质性:AI 搜索对信息性任务的替代效应更强,而对交易/娱乐任务的替代效应较弱。该现象在 Figure 8 的图解中清晰呈现。 20
图片引用:
OA 系列的图表与表格(方法学健壮性与分类)
OA.1 系列:对面板定义、前景过滤、对话端点、会话定义、 intensive vs extensive 的分解等提供了完整的技术实现。图 OA.1.1 展示了对话量与“搜索启用的会话”在 4 月份达到高峰等。图像:
OA.4 系列: surround-context 的稳健性分析(30 分钟窗口对比 15 分钟窗口、纯(pure) vs 混合(mixed)等),以及 dominance threshold 的敏感性检验。图 OA.4.1/ OA.4.2/ OA.4.3/ OA.4.4/ OA.4.5/ OA.4.6 提供了多维稳健性检验的图表证据。图 OA.4.1/ OA.4.2 的图片分别位于页面 50-51;图 OA.4.3、OA.4.4、OA.4.5、OA.4.6 位于页面 52-53 等。51 52 53
OA.6 系列:堆叠 DiD 的鲁棒性、单-expansion 对比、以及 Callaway–Sant’Anna 的稳健性分析与并行趋势测试等,进一步巩固了 displacement 的方向性与统计显著性。相关图表包括 OA.6.1(概念图)、OA.6.5(个体 adopter 的图)、OA.6.4( staggered DiD 的对比)、OA.6.2(单一扩展对比)等,图片分布于页面 65-71 区间。图 OA.6.4、OA.6.5、OA.6.2 的图片分别是: 、 、 等。
OA.2、OA.3、OA.5 系列:进一步对 referral 的定义、分类器的信心与鲁棒性、以及设计上的多种 cutoff 的敏感性进行了系统检验。OA.3.1- OA.3.4 给出分类器在人类标注对照下的一致性与偏差的证据,OA.5.1–OA.5.3 列出 HHI 的定义、不同 cutoff 的稳健性,以及在家庭层面的集中度分析。