> 本篇为小九AI（xiaojiuai.cn）GEO 深度锐评，独家解读。
> 素材取自官网资讯 ArXiv 论文《Authority Bias in Conversational Search Engines for Academic Paper Recommendation》(arXiv:2609.00248v1)。
> 观点归小九AI（xiaojiuai.cn），欢迎讨论。

先亮结论：**做 GEO 的人最容易犯的乐观病,是默认"只要我把内容做硬、做得对，AI 就会公平地选我"。但今天这篇跨 8 个大模型的受控因果实验，狠狠泼了盆冷水——在学术/权威语境里，AI 有相当深、相当稳定的"头衔偏见"：它判断一篇论文,更多看的是"谁写的、发在哪、被引多少",而不是"内容本身说了啥"。** 更要命的是,**你让 AI"别偏心"很难把它掰正,而且它嘴上答应的"公平",跟它实际怎么选,常常是两码事——表面审计会系统性低估它的真实偏见。** 想明白这个,你才懂 GEO 到底该往哪儿使劲。

先划边界,别过度引申:**这是"对话式检索给**学术论文**做 top-1 推荐"的受控实验,横跨 8 个大模型(5 开源+3 闭源前沿)。** 场景是学术论文,不是你卖咖啡、做饭馆的日常商业内容。但它揭示的"内容 vs 身份权威,AI 到底听谁的"这个机制,对你的内容策略照样有很强的对照价值——只是别把它当"所有行业都这样"的铁律,要看你那个领域吃不吃权威牌。

## 实验怎么做的:把内容锁死,只动"身份牌"

作者想搞清楚一件别人没验证透的事:**AI 给论文排序,到底是看内容,还是看权威信号(作者声望、期刊、被引量)?** 为了排除"这篇本来就更好"的干扰,他们做得极干净:

**把标题和摘要(内容)保持完全不变,只悄悄改"权威元数据"**——同一篇论文,分别测试三种反事实:原始(原班人马)、翻转(把作者/期刊身份对调)、拔高(把作者/期刊/被引抬高)。**内容一模一样,变的只有"这是谁写的"。** 这样如果推荐结果跟着身份变,就铁证是"头衔偏见",不是内容优劣。

这个设计,几乎把"内容公平竞争"论的最后一块遮羞布给掀了。

## 三个结果,一个比一个扎心

**第一,权威偏见是"相当深、相当有方向性"的。** 不是随机波动,而是稳定地、有方向地偏向高权威身份。**同一段内容,挂上"大牛/顶刊/高引"身份,和挂上"无名小站作者",被推荐的命中率天差地别。** 换句话说——**在很多权威敏感的场景里,内容本身能干的,远比你想象得少;你的"身份牌"才是主变量。**

**第二,这种偏见"因模型而异",而且靠提示词很难去掉。** 8 个模型偏见程度差很多,有人重有人轻;但就算你在提示词里明说"请别只看出身、多看重内容",也**只能部分抵消,消不掉根本**。这告诉我们:**别指望"跟 AI 好好说"就能让它不看身份。**

**第三,最细思恐极的是一条"说-做鸿沟(gap)":** 你告诉模型别带偏见后,模型**嘴上立刻不再提那些"权威词"**,可它实际做的选择,翻转率下降得却慢得多。**于是你去审它的输出、看它嘴上皮不皮,会得出"它已经很公平了"的错觉——其实它行为层面的偏见还在。** 换句话说:**表面审计,系统性低估真实偏见。**

## 对做 GEO 的人,这三条每条都戳心

先讲最关键的:**这不是让你别做内容,是逼你承认"内容不是唯一的牌,有时不是最重要的牌"。**

第一,**别拿"我内容硬"自欺欺人。** 在吃权威、吃身份的领域(学术、医疗、专业服务、金融建议、可信媒体),如果用户问 AI 推荐,而你是个"新面孔/无名站点",**你的好内容很可能输给一份内容更水、但出自知名产地的东西。** 不是你写得不对,是你的"身份牌"不够硬。

第二,**GEO 要往"抬身份"倾斜,而不只是"磨内容"。** 想让 AI 在权威语境里选你,光把内容写硬不够,还得让**权威的"产地信号"(被知名渠道引用、权威作者署名、行业奖项、可背书履历)**立起来。这块 9/7 那篇说的站外引用/背书,在这里成了硬通货——**它直接就是喂给 AI 做身份判断的信号。**

第三,**最该记住的"表面审计会骗你"。** 这条对我们做 GEO 监测的人尤其重要:以后你评估"AI 对我公不公平",**别只看 AI 嘴上输出的那几句漂亮话、别只看它表面提不提你**,那会系统性高估公平程度。要看它**实际把谁放进了推荐/被引的名单**——行为,才是真相。

## 争议与边界:我说四条真话

第一,**这是学术论文 top-1 推荐,场景窄。** 商业/本地/非权威敏感类内容,未必有这么强的身份主导,GEO 依然有空间。**别因这篇就"绝望地以为只拼出身",要看你的赛道吃不吃权威牌。**

第二,**"身份"在这里专指作者声望/期刊/被引**,不是"内容质量"。它测的是"内容 vs 身份出处",不代表"名头一定等于更可信来源真是更好"——现实里知名出处往往也确实平均质量高,这篇要小心的是**"身份压过内容本身好坏"这个过度倾斜**。

第三,**"说-做鸿沟"是审计层面的大发现,但也别过度恐慌。** 它适用于"提示词级去偏"这种浅干预;平台级更强的治理(检索层面调权、RAG 去身份锚)可能更有效,论文没测那些。**这是"浅去偏无效且不可信",不是"世上没法去偏"。**

第四,**它没回答"那普通内容方怎么办"。** "在权威敏感场景抬权威产地信号"是我的策略推断,论文只给了机制与实证,没给通用打法模板。

## 落到你手上,四条能立刻用的判断

1. **先判断你的赛道吃不吃"权威身份牌"。** 学术/医疗/法律/金融/专业建议这些**越看"出处"的领域,越要优先抬身份**;美食、工具、本地日常这种,内容取胜空间更大。**别一条赛道的打法,套遍所有赛道。**

2. **别再天真地指望"内容够好 AI 就公平选你"。** 在权威敏感域,把精力从我行我素地磨内容,分一大部分去**经营"权威产地信号"**:被权威站引用、上权威目录、绑定可信署名。**那是 AI 真正在看的身份变量。**

3. **别信"AI 嘴上说的公平",盯它"实际把谁放了进去"。** 做 GEO 监测时,**看最终被推荐/被引的那份名单行为**,而不是 AI 的一些漂亮表态。表面被客气对待,不等于实际被公平对待。

4. **把"去偏失效"考虑进你的预期。** 想让 AI 不偏颇,别指望几句提示词就能掰正态度层面;那是系统性的,靠内容方单方面很难撼动。**能做的,是让自己成为"身份和内容都过硬"的那类**,在赛制既定的偏见里站到有利侧。

**一句话总结:AI 不是"谁内容好选谁"的理想裁判——尤其在讲权威、讲出处的领域,它有又深又稳的"头衔偏见",内容再硬,也常被"这是谁写的"一票否决。** 更糟的是,"说-做鸿沟"意味着它嘴上答应公平、实际未必改,表面审计还会骗你高估公平。**所以做 GEO 别再只会埋头磨内容:先看清你的赛道吃不吃身份牌;吃,就去把权威产地信号立起来;并且永远用"实际推荐名单"去检验 AI 的公道,而不是它嘴上那些漂亮话。**

---

*本文由小九AI（xiaojiuai.cn）原创锐评，基于 ArXiv 论文《Authority Bias in Conversational Search Engines for Academic Paper Recommendation》(arXiv:2609.00248v1，学术论文top-1推荐/受控因果/8 LLM/说-做鸿沟)，欢迎在评论区讨论。*