摘要

AI回答汽车问题时引用的信源，高度集中于汽车垂类媒体这一类平台。信源引用率TOP20平台中，汽车垂类媒体占77.2%，信源贡献率TOP20中占70.0%；且头部高度集中，排名靠前的几家垂类媒体与其后平台之间存在明显的量级差距。

集中不等于统一：五个主流AI平台的信源偏好差异明显，同一平台的PC端与APP端也可能不同。有的平台高度集中，单一信源的贡献率两端均接近99%，几乎每个问题的回答都会引用到它；有的平台上短视频类信源的贡献率甚至超过部分垂类媒体；也有的平台PC端与APP端各自的头部信源并不相同。

引用率与贡献率衡量的是两件不同的事：前者反映信源被调取的频次与触达强度，后者反映它能覆盖多少用户问题场景。两者放在一起看，可以识别单纯刷量带来的数据泡沫。

引言：AI替用户回答“这车怎么样”

88.6%的消费者在购物前会使用AI搜索辅助决策，其中44.0%把AI当作核心查询工具，44.6%当作重要补充工具，技术门槛高、决策周期长的产品尤其如此。汽车正是这样的品类：客单价高，购车决策周期长达3-6个月，用户会在看车、选车、买车、用车各个节点反复提问。

而AI每一次回答，都建立在它当时引用的那批信源之上。品牌内容只有先进入AI的“引用信源池”，才可能进入用户的决策清单。

那么当前主流AI在回答汽车问题时，优先引用的到底是谁？

一、七成以上的信源份额在垂类媒体

2026年5月18日至28日，一场覆盖4万个真实问题的评测，在豆包、DeepSeek、千问、元宝、文心一言五个平台的PC与APP双端执行了40万次提问，返回百万级数据。问题库覆盖300个主流车系与看车、选车、买车、用车四大场景，拆到9个一级维度、44个二级维度，每个二级维度约2000-5000个问题；全程由测评人员人工模拟真实用户提问，不走API直调，也不对问题做引导性修饰。

结果指向一个相当集中的格局。信源引用率TOP20平台中，汽车垂类媒体占77.2%；信源贡献率TOP20中占70.0%。短视频与直播平台在两个榜单分别占10.5%和11.5%，新闻资讯门户占5.0%和8.1%，搜索引擎占4.9%和6.0%，社交媒体不足1%和1.3%。

头部内部同样呈现高集中度：引用率、贡献率排名靠前的席位基本被少数几家汽车垂类媒体占据，头部平台与其后平台之间往往相差一个量级。这些头部垂类媒体的内容侧重各有不同——有的偏消费决策与交易转化，在选车、买车场景更被倚重；有的偏内容种草与车后服务，在看车、用车场景更活跃；也有的各项指标表现较为均衡。

综合资讯与短视频平台的流量能力突出，但缺少汽车行业的专业知识沉淀和深度内容体系，更多以汽车内容分发为核心，在AI信源中处于辅助补充的位置。

二、五个AI平台的信源偏好并不一致

总榜是五个平台平均后的结果，拆到单个AI平台，偏好差异随即显现。

豆包：分布高度集中，头部单一信源的贡献率两端接近99%、引用率约37%，与第二名差距悬殊；端侧差异明显，APP端相对偏好短视频类信源，PC端更依赖专业垂媒与资讯类信源（同一类短视频信源在PC端引用率为0，在APP端却超过12%）；

DeepSeek：分布相对均衡，头部两家信源的引用率差距较小（约23.8%与18.6%）；TOP10里还出现了一批在总榜上看不到的名字，长尾信源获得更多引用机会；

千问：信源选取逻辑不区分终端，同一平台PC端与APP端数据基本一致，头部梯队划分清晰；

元宝：端侧偏好差异显著，PC端与APP端各自的头部信源并不相同，呈"错位领跑"；头部信源之间的场景渗透率差距也小于其他平台，格局相对分散，还把私域生态类信源（如微信公众号）纳入TOP10；

文心一言：短视频类信源占比偏高，个别短视频信源的贡献率超过部分汽车垂类媒体，社交、视频类平台也进入TOP10。

同一份内容，在有的平台上几乎每问必被引用，在有的平台上只是并列选项之一，在有的平台上还要与短视频信源同台竞争。仅按总榜排名理解各平台，会忽略这种平台间的分化。

三、场景和问题维度，是第二层分化

同一个平台内部，信源排位也会随场景变动：

在有的平台的买车场景里，综合资讯类信源凭借较高的渗透率跃入头部，成为该场景下少见的非垂媒信源；

在有的平台上，看车、选车、用车与买车各场景的领先信源会发生更替，而非由同一家包揽；

在有的平台的买车场景中，门户类信源跻身场景渗透率前列；

买车、用车场景中，资讯类与短视频类信源分别展现出差异化价值。

产品力维度上，汽车垂类媒体整体包揽九个维度的引用率前列，但不同垂类媒体的内容强项各有侧重——有的在价格、安全、动力配置、性能表现、能耗等维度更靠前，有的则在智能配置、空间、外观设计、内饰等维度更有优势。短视频平台擅长场景化动态展示，在智能配置、空间等维度的引用率高于综合资讯平台，成为垂类媒体之外的重要补充信源。

主打智驾的车型，和主打价格与保值率的走量车型，需要布局的信源并不是同一批。

四、引用率决定触达，贡献率决定覆盖

三个指标各自回答不同的问题：

信源引用率：以引用内容PV为统计维度，衡量某一域名信源在全平台所有被引用信源中的占比，反映其内容被模型调取、复用的频次与权重；

信源贡献率：以独立提问UV为统计维度，衡量该信源能覆盖解答的用户问题范围，反映它在真实问答场景中的渗透广度；

信源场景渗透率：贡献率的细分维度，反映信源在特定场景下的内容表现。

引用率和贡献率衡量的并不是同一件事：前者关注被引用的频次，后者关注能覆盖的问题面。两者未必同步——一个信源可能被频繁引用，却只集中在少数问题上；也可能引用频次一般，却广泛出现在各类问题的回答里。把两个指标放在一起看，可以判断一个信源究竟是被广泛用于各类问题，还是只在少数问题上被反复引用；后者往往对应单纯刷量带来的数据泡沫。以点击、线索为核心的传统量化指标，难以衡量AI问答阶段形成的这类长期影响。

结语

垂类媒体拿走七成以上的信源份额，原因不复杂：AI在回答"哪款车值得买""不同车型怎么选"这类决策问题时，会优先引用专业、中立、可验证内容。泛资讯平台主题繁多，车企官网信息自带营销属性，UGC平台内容零散主观；垂类媒体则有标准化的专业评测体系、资深的编辑与测试团队、多年积累的车型知识库，以及AI可直接解析调用的结构化数据——覆盖在售车型参数、配置、价格的标准化车型库，聚合千万级真实车主反馈的结构化口碑系统，从儿童座椅安装到电池衰减的全场景问答库。

这份实测更值得关注的，不是某个平台排在第几，而是三个层面的问题：一个信源进入了哪些模型的引用池，覆盖了哪些场景与产品力维度，以及这些位置能否持续。

汽车3-5年的产品生命周期与AI大模型1-3个月的迭代周期天然错配，位置并不会一次形成就长期稳定。真实、权威、结构化的信源受算法迭代影响较小，更容易沉淀下来。相应地，信源建设也从一次性优化转向持续维护：在新车发布、价格调整等节点及时更新信息，并对AI给出的错误信息及时发现、纠正。