本篇內容
2026 年 8 月的多方獨立觀測指向同一個方向。ChatGPT 5.6 上線後，搜尋前的 fan-out 查詢變多也變窄，用 site: 限縮範圍、指名官方與高信任來源的檢索大量增加，被引用的網域反而更集中。看起來像一套信任過濾，但 OpenAI 官方沒有證實，成本與速度也同樣可能是原因。
對經營內容網站的人，這直接改變「讓 ChatGPT 引用」的難度。你的頁面可能照樣被機器抓走，卻連答案的門都摸不到；想被點名，品牌與官方訊號的分量比以前更重。觀測怎麼讀、圈內圈外怎麼分、站長能做什麼，一次講清楚。
重點先看
多方獨立觀測同方向。5.6 之後 fan-out 查詢變多、變窄，site: 與官方來源查詢大增，引用網域更集中，像信任過濾，但 OpenAI 未證實。
site: 出現率從約 0.3% 升到 23%，出自 Peec AI 在 5.6 成為預設當天的介面觀測；走 API 的 Nectiv 量到更高。
檢索更拚命、引用更集中。一邊量到檢索來源數翻倍，另一邊量到每個回應引用的唯一網域變少，時間基準一個是 5.6 當天、一個是 5.3 之後。
品牌被點名的頁面引用率 68.9%，只被抓取而未點名的 2.1%。單一帳號側錄，相關不等於因果。
GSC 從 8 月中起的下滑是 logging 問題，Google 已官方確認，不是懲罰。
今天就能做兩件事。花 15 分鐘在 GSC 效能報表查 site: 曝光，再花 10 分鐘把一個核心 prompt 連跑五次，看品牌在不在它自己發出的查詢裡。
2026 年 8 月前後，ChatGPT 的搜尋行為變了什麼
ChatGPT 的搜尋不是「查一個詞、回一個答案」。OpenAI 官方說明過，它會把你的問題改寫成一個或多個更有針對性的查詢，看過初步結果後，視需要再追加。這種拆開、多路發送的行為就是 fan-out，名詞與例子的完整拆解可以看什麼是 Query Fan-out。平常你看到的只有答案，點開回應上方的查詢清單，才看得到它實際跑了哪些字。拿一個示意場景看，你問適合小團隊的專案管理工具，它可能一邊查工具比較文，一邊查各家官方定價頁，再一邊查使用者的真實評論，幾路結果合成一個回答。這份清單後面會一再用到，信任圈的故事，全部寫在那些查詢字串裡。
變化發生在 5.6 這波。OpenAI 在 8 月讓 5.6 的 Sol 成為標準版預設模型，同時間還有一顆更便宜的 Luna，8 月初成為免費與 Go 用戶的預設，模型細節看OpenAI 的更新說明，整體用法可以翻ChatGPT 從註冊到模型選擇的指南。搜尋之外，AI 圖片生成也在 9 月初換了新版本，免費帳號一樣能用。
Peec AI 的 David Konitzny 在 5.6 成為預設當天的量測，數字很直接。只有單一 fan-out 查詢的 prompt 從 94.0% 掉到 43.5%，平均檢索來源數從約 12 個升到 24 個，需要第二輪 fan-out 的 prompt 從約 5% 升到 33.5%，site: 運算子的出現率從約 0.3% 跳到 23%。他還有一組限定交易型 prompts 檢索樣本的分析，產品頁在該分析中成為最常被檢索的頁面類型，占 16.39%、超過 listicle，listicle 從 15.47% 掉到 8.19%，產品頁每日檢索量增加 119%。做電商或產品內容的人，交易意圖的檢索明顯變多了。
Nectiv 的 Chris Long 走另一條路，直接從 OpenAI API 拉 fan-out 紀錄，約 4,000 個 prompts，拿 5.6 Sol 跟自家 2025 年的 baseline 比。Nectiv 的資料研究量到平均每個 prompt 的 fan-out 查詢數從 2.17 升到 7.61，最長的查詢鏈從 4 次拉到 29 次，site: 出現在 64% 的查詢裡。
這不只是付費層的事。Search Engine Land 上 Resoneo 團隊的拆解指出，ChatGPT 逾 90% 週活用戶在免費方案，而 Luna 正是免費與 Go 的預設。Lily Ray 的判斷是這些行為「看來也延伸到免費層用戶」，Luna 本身還沒有獨立量測，這句要當她的推論讀。
版本之間也有差異。Lily 自己測過，ChatGPT 5.4 Thinking 對單一 prompt 可以跑 10 次以上搜尋，裡面含多個 site: 查詢；5.3 Instant 常常只跑 2 到 3 次 fan-out。同一個問題在不同模型上得到不同結論，很多時候只是版本不同。換新版的不只 OpenAI，xAI 的新旗艦也把定位放在寫程式與知識工作。
第二輪 fan-out 也值得看一眼。第一輪搜尋跑完，模型看了結果，覺得不夠，就自己追加新查詢再搜一次，Peec AI 量到的正是這個比例大幅上升。對站長的含義是，你的頁面可能出現在第一輪，可能出現在第二輪，也可能兩輪都缺席，而每一輪的查詢字串都不一樣。所以單次測試看到的結果別當定論，多跑幾次再下判斷。
查詢變多對使用者是好事，對平台的帳本不一定是。每一條 fan-out 都是真實的檢索與運算，答案還得壓在同樣幾秒內生完，規模一大，成本就壓不下來。免費用戶又占了大宗，這個組合讓「把查詢收窄」變成產品端合理的槓桿，先去便宜又快的地方找。這段是我把幾份觀測放在一起讀出來的推論，Lily 後面那句成本與延遲，講的是同一件事。
site: 是什麼，出現在查詢裡代表什麼
白話講。site: 是搜尋引擎的老運算子，在 Google 打 site: 加上一個網址，結果就只會來自那個網站，等於告訴搜尋引擎「只去這裡找」。
所以當 fan-out 裡出現 site:va.gov 這種查詢，意思是模型自己決定把檢索範圍限縮到特定網域。Nectiv 的單字統計裡，site:、official、gov 都是最高頻單字群，official 明列第二，整套查詢語言往「找官方、找特定站」傾斜。問美國退伍軍人的法律補助，fan-out 可能整排都是 .gov 站內查詢，一般內容站根本不在候選池裡。
四組研究對照，數字怎麼量、能證明什麼
這波討論最危險的地方，是幾組數字常被剪貼成一句「研究一致顯示」。不行。方法、時間基準、量測位置都不一樣，先攤開再談。
| 研究 | 方法 | 時間基準 | 關鍵數字 | 能證明什麼 | 不能證明什麼 |
|---|---|---|---|---|---|
| Peec AI（David Konitzny） | ChatGPT 介面擷取 | 5.6 成為預設當天 | 單一查詢 prompt 94.0%→43.5%；來源數約 12→24；site: 0.3%→23%；第二輪 fan-out 5%→33.5% | 介面行為在當天劇變 | 不能推到 API 端，也未必是長期穩態 |
| Nectiv（Chris Long） | OpenAI API，約 4,000 個 prompts | 5.6 Sol vs 自家 2025 baseline | 查詢數 2.17→7.61；最長鏈 4→29；site: 占 64% | 查詢變多變窄在可重現環境成立 | 不等於消費者介面的實際行為 |
| Resoneo（de Segonzac 團隊） | 回應端引用分析 | 5.3 更新後 | 每回應引用唯一網域 19→15 | 引用廣度在變窄 | 基準是 5.3，不是 5.6 |
| Suganthan Mohanadasan | 單一帳號側錄，57 個對話 | 2026 年 7 月 | 27 個初始查詢中 21 個出現未點名品牌；點名頁引用率 68.9%、未點名 2.1% | 品牌點名與引用率強相關 | 單帳號、偏軟體類，因果與推廣都受限 |
兩個 site: 占比差很大，先別急著挑一邊站。Lily Ray 在整理時講明，Nectiv 從 OpenAI API 拉 fan-out，乾淨、可重現；從介面擷取的工具，比較接近真實用戶拿到的行為。一個量 API、一個量介面，講的是同一件事的兩個面，不是誰錯。
這張表還有一個用法，讀任何新數字前先問三件事。量測位置在哪，介面還是 API；時間基準落在哪個版本；樣本是誰的，真人流量還是研究者自己的 prompts。三個答案都對得上，數字才能進你的判斷，對不上就先擺著。八月這波的消息量很大，剪貼的速度遠快於查證，這張表就是擋在中間的濾網。
時間基準也要盯緊。Peec AI 是 5.6 當天，Nectiv 是 5.6 Sol 對 2025 年 baseline，Resoneo 是 5.3 更新後，Suganthan 是 7 月，後面的 Netcraft 品牌研究甚至是 2025 年的。Conductor 也畫出 site: 與 official 查詢上升的圖，但只有圖沒有數字，能說的是趨勢一致，不能替它編數字。
還有一個小地方容易漏看，研究者的量測位置本身就是視角。Peec AI 量介面，Nectiv 量 API，Suganthan 量他自己一個帳號，Resoneo 量回應端的引用。四種位置四種視角，剛好拼出一個立體的圖，但也代表任何單一引用都是切片。看懂切片的形狀，比背下切片的數字重要，轉述別人的二手結論時更是如此。
為什麼有人說 site: 像 spam filter
把整波觀測兜起來的人，是 amsive 的 SEO 總監 Lily Ray。她在 2026 年 8 月 17 日於 Substack 發布的What We Can Learn from Evolving ChatGPT Fan-Out Queries，彙整 Peec AI、Nectiv、Resoneo、Conductor、Ahrefs、Suganthan Mohanadasan、Malte Landwehr 等多方獨立觀測，再給她自己的推論。
她的原話定位得很保守，通篇是 I think 與 appears。她的推論是，site: 運算子至少有一部分在當 spam filter 用；與其判斷一個陌生頁面可不可信，模型看起來直接繞過這個問題，只去它已經信任的地方找資料。她說這讓她想到 Google 測過的 E-E-A-T，一套衡量內容可信度的訊號，只是換成 ChatGPT 版。差別在節奏，Google 那套讓權威與經驗隨時間慢慢被看見，她眼裡的 ChatGPT 版不等你證明自己，先把檢索範圍畫小，一個是慢慢評分，一個是先畫圈再找。
這個推論有它的經濟學。即時評估開放網路上的任意頁面，又貴又難；把 fan-out 收窄到 .gov、既有評測平台、大品牌、官方來源，是花更少力氣拿到相近效果的便宜做法。連鎖超市的採購不會每家小店都試吃，直接跟大盤進貨，快、便宜，出事機率也低，巷仔內的好店就這樣被跳過。這個比喻有個極限要講明，超市採購是白紙黑字的政策，查詢收窄只是外部觀測推出來的行為，OpenAI 從沒說這是政策。
她同時寫了一句容易被剪掉的話，這種收窄可能跟成本與延遲有關，程度不下於品質。就算觀測全對，動機也可能不是品質過濾，而是省錢與跑快，兩種解讀目前都排除不了。
推論要能被檢驗才有價值。這個 spam filter 假說至少有三個可以盯的檢驗點，同類查詢在不同版本上的圈內名單有沒有換；不同領域的圈是不是同一批，法律圈了 .gov，3C 購物圈了誰；免費與付費層的行為有沒有分流。這三個目前都還沒有系統性量測，誰先補上，誰就把討論往前推一步。
對小站來說，這套邏輯不算友善。開放網路原本的公平假設是內容夠好就有機會被讀到，收窄之後變成先被信任、才被讀。你可以不喜歡這個方向，但應對很清楚，被信任的證據要自己做出來，內容好只是入場條件之一。
順著推，誰得利、誰受傷也清楚。得利的是既有品牌、官方來源、政府站，以及本來就有聲量的平台；受傷的是新品牌與長尾內容站，特別是還沒被任何權威來源引用過的那些。過去小站還能靠內容品質在開放網路裡慢慢往上爬，現在的第一關變成「你被信任嗎」，而這一關沒有公開的評分標準，也沒有申訴管道。
她也明說，沒有官方的 ChatGPT Search Console，這一切都是推測。OpenAI 對 fan-out 收窄或 site: 過濾，零證實。講白了，外部證據只撐得到「看起來像」，撐不到「OpenAI 就是這樣設計」，把推論寫成機制的轉述，都超出了證據。
誰在信任圈裡，誰被大量抓又大量丟
圈內名單可以從幾個觀測拼出來。Lily 跑了一批法律類 prompt，約 20 個，每一個回應都只引用 .gov 網域，問退伍軍人的法律補助，fan-out 全部限定在特定 .gov 站內。政府網域難操縱，出錯的問責成本高，被當成預設的安全區很合理。
Ahrefs 整理的最常被引網域榜是另一個參照，它講的是倖存者長什麼樣，要看趨勢得回到前面那四組研究。榜上常客是 Reddit、Wikipedia、Forbes、Merriam-Webster、Consumer Reports、Healthline、Walmart，既有聲量、品牌辨識加上現成的品質控管，都是信任的捷徑。
Reddit 的位置最特別。Dan Petrovic 的量測指出，ChatGPT 抓回來的 Reddit 頁面約 99% 被丟棄不用，先全抓再嚴挑。Wikipedia 則常駐在被引榜上，被抓也常被用。
換個比喻，ChatGPT 搜尋現在像一個只在自己信任的幾排書架找資料的圖書館員，不是每本書都翻開評分的審查者。書架的比喻停在這裡就好，真實機制裡沒有人在「決定」，只是模型行為看起來如此。
擠不進圈內，還有第二條路，被圈內的來源提到。出現在評測平台的比較裡、被媒體報導、被 Wikipedia 條目引用，這些間接訊號都在把信任往外傳；Grok 直接讀 X 討論，品牌怎麼進入 Grok 的回答是另一條值得經營的線。做數位公關的人對這件事不陌生，品牌曝光這門手藝做了十幾年，差別在於受益者從搜尋排名換成了 AI 引用，同一批功夫，現在多賣一次。
| 來源類型 | 誰觀測到 | 為什麼容易被信任 | 站長對應動作 |
|---|---|---|---|
| .gov 等政府網域 | Lily 的批次測試 | 難操縱、問責成本高 | 擠不進去，能做的是被這些站引用 |
| 官方頁（official） | Nectiv 單字統計、Malte Landwehr 的案例 | 品牌辨識明確、查驗便宜 | 把自己網域的官方訊號釘死 |
| 評測平台與大媒體 | Ahrefs 被引榜、Suganthan 的 fan-out 觀測 | 既有聲量、品質控管現成 | 爭取出現在比較與評測裡 |
| Dan Petrovic 的棄置量測、Reddit 自家的反 spam 量測 | 社群討論量、真人語氣 | 長期參與討論，不丟促銷連結 | |
| Wikipedia 等通用大站 | Ahrefs 被引榜 | 穩定、條目有把關 | 確保相關條目正確，不硬塞 |
表裡的動作欄比來源欄重要。圈內名單你改不了，但每一種來源對應的動作都在自己手上，被政府站引用、把官方訊號寫清楚、爭取進評測、在 Reddit 養名聲、讓 Wikipedia 條目正確。信任圈的牆很高，門沒有上鎖，只是每扇門都要排隊。
被檢索不等於被引用，漏斗每一層都在掉
一句話，抓更多、用更少。整條路可以想成四段，被點名、被檢索、被讀、被引用，每一段都在掉人。檢索端，Peec AI 量到平均來源數翻倍；引用端，Resoneo 對 ChatGPT 引用行為的分析量到每個回應引用的唯一網域從 19 掉到 15，時間基準是 5.3 更新後。兩個方向夾在一起，就是檢索量上升、引用廣度下降。
Suganthan Mohanadasan 的側錄分析把漏斗算得更細。57 個對話、3,554 個檢索頁面，終點只剩 110 個、約 3.1% 進入答案。他的標題下得很直白，ChatGPT 在搜尋之前就決定了。
他還觀測到更關鍵的一層。27 個初始查詢裡有 21 個，fan-out 出現使用者從沒提過的品牌名，橫跨 13 個產品類別中的 11 個。搜 the best AI note taking app，第一輪就含 Granola、Notion AI、Otter、Fireflies、Fathom、Mem、Limitless。被品牌點名的頁面引用率 68.9%，只被抓取而未點名的 2.1%。像試鏡，點名等於直接進決選名單，沒被點名的連台詞都拿不到。
這組對比要小心讀。它來自單一帳號（杜拜）的側錄，兩個引用率是同時出現的相關性，被點名的品牌頁面可能品質本來就高，觀測排除不了品質這層混淆。能講的是，差距跟點名同時出現，分岔看起來發生在查詢階段。樣本也偏軟體與 AI 類，推到其他產業要保守。
漏斗也給了站長一個診斷順序。品牌不在查詢裡，問題多半出在品牌與品類定位，改一百篇內容也不會動；品牌在查詢裡、頁面沒被引用，問題多半出在頁面本身，關鍵事實好不好讀、格式機器吃不吃得下；被引用了但流量沒動，問題多半出在呈現，讀者記不記得你的名字。三種情況三種藥，先判斷自己卡在哪一層再花力氣，比亂槍打鳥省得多。
漏斗裡「被讀」這一段最容易被忽略。抓回來的頁面要真的被讀完，關鍵事實才進得了答案，而定價鎖在圖片裡、規格藏在按鈕後面、整頁靠 client-side JS 才生出內容，機器讀到的都是空殼。這也是為什麼純 HTML 那件事在後面的清單裡排前面，它影響的不是排名，是你在漏斗中間那一關的直接存活率。
site: 指錯網域時會發生什麼事
收窄本身帶著風險，因為 site: 指錯路時，模型會很忠實地錯下去。Malte Landwehr 發現的案例是 ChatGPT 反覆用 site:census.com 找新創公司 Census，但那家公司的官方網站是 getcensus.com，census.com 是掛著出售的 parked domain。同型案例還有 lago.io、persona.id、lightfield.ai、mesa.com。
Lily 順著推了攻擊場景，買下那個 parked domain，放上 ChatGPT 正在找的內容，就能餵它錯的定價或假客服電話。這條路已經有人走過一半，Netcraft 2025 年的研究量過，LLM 生成的品牌登入連結約三分之一指向品牌不擁有的網域，約 29% 指向未註冊、停用或 parked 網域，小品牌暴露最大。原因不玄，模型對大品牌有足夠的交叉資料可以校對，官方網域、新聞報導、百科條目互相印證，猜錯的機率低；小品牌的線索本來就稀疏，名字對應哪個網域，一個近似網域就能帶偏。這也是為什麼官方訊號要自己釘，等別人幫你校正，等的時間會很長。
平台端也在反擊。Reddit 用自家 LLM 每天標記約 25,000 則 GEO spam 貼文與留言，想靠灌水進信任圈的路，兩邊都在堵。
對站長的啟示很具體。別人怎麼轉述你的網址、你歷史文件裡的舊網域，都可能把模型帶到錯的地方。網域整併或改版過的站，值得花半小時把自己的品牌名拿去問 ChatGPT，看它檢索的是哪個網域，對了再談其他。檢查時連變體一起查，公司名、產品名、縮寫、舊品牌名，機器不一定分得清楚哪個對應哪個網域，Census 正是品牌名與網域對不上的典型。看它引用的網址清單時，順便確認有沒有把別的網域當成你的官方站，發現錯置，至少能把自家頁面的官方訊號寫清楚，縮小它猜錯的空間。
Google 排名為什麼還是關鍵
有個問題容易被這波討論蓋過，ChatGPT 搜尋的資料到底從哪裡來。它歷史上跑在 Bing 上，這點沒有爭議。Lily 彙整的過去一年多方獨立測試顯示，它也拉 Google 索引，這條線索來自 SerpApi 的訴訟文件，而且越來越依賴自建索引，內部代號 Labrador，是經 Resoneo 的分析揭露的。