1. 直接回答：这个 68% 站不住
它同时存在三个问题，任何一个都足以让它不能作为论据使用：
- 没有一手出处。顺着转述往上找，最终都停在「某机构调查显示」这类表述，没有可点开的原始报告、样本量或调研时间。这在本站 2026-11-09 的数据审计里是明确的删除项。
- 口径被反转。在 TrustRadius 的年度买家研究里，「AI 对采购流程没有影响」长期是多数派答案——这正是 68% 的真实来源。把它读成「68% 受 AI 推荐影响」，方向恰好相反。
- 多个数字被混用。68%、78%、94% 常被并排使用，但它们来自不同机构、不同年份、不同问题，甚至不同报告。并列使用会让读者以为存在一条上升曲线，而这条曲线并不存在。
2. 四组可以点开核验的数字
下面每个数字都能在原始报告里找到对应段落。请注意最后一列——一个数字能支持什么、不能支持什么，比数字本身更重要。
| 数字 | 一手来源 | 样本与时间 | 问题的实际措辞 | 能支持什么 | 不能支持什么 |
|---|---|---|---|---|---|
| 45% | Gartner 新闻稿 2026-05-20 | n=645，2025-08~09 调研 | 最近一次采购中，是否用生成式 AI 收集供应商与产品信息 | 近一半 B2B 买家已在用 AI 做调研 | 不能说「45% 的订单由 AI 决定」 |
| 38% （偶尔 30% + 频繁 8%） |
TrustRadius《Bridging the Trust Gap》2025 | n=2,058 买家 / 490 供应商，2025-01 调研 | 在采购流程中使用 AI 的频率 | AI 使用仍是少数派，但已不可忽视 | 不能外推为所有品类、所有地区 |
| 72% / 90% | 同上 | 同上 | 调研中是否遇到 AI Overviews；是否点击过其中被引来源 | AI 摘要已成为常见入口，且引用链接确实会被点 | 不等于「90% 的人会点你的链接」 |
| 79% | G2《2025 Buyer Behavior Report》 | n=1,169，2025-04 调研 | AI 搜索是否改变了你的研究方式（仅软件与服务买家） | 软件采购的研究方式已被改变 | 不能外推到跨境实物商品采购 |
| −25% | Gartner 新闻稿 2024-02-19 | 机构预测 | 到 2026 年传统搜索引擎查询量的变化 | 搜索入口在收缩，需要新的可见性通道 | 不是「流量减半」，也不是本站自然流量 |
3. 三轮典型失真，以及如何一眼识破
3.1 反转：从「没有影响」到「受直接影响」
TrustRadius 的年度买家研究连续几年问同一个问题：AI 在你的采购流程中起了多大作用？答案的分布一直很稳定——「没有影响」是多数派。转述者把这道题的答案方向整个翻转，于是「多数人说不受影响」变成了「多数人深受影响」。这类失真的特征是：数字很具体，但没有问题原文。
一眼识破：要原文题目。任何一份严肃调研都能给出问题的完整措辞；给不出的，数字再具体也不要用。
3.2 张冠李戴：94% 从「使用者满意度」变成「使用率」
94% 这个数字确实存在于 TrustRadius 2025 年的另一份 AI 报告中，但它的分母是「使用 AI 的买家」，问的是「你觉得有没有帮助」。同一份报告里，软件买家中真正把 AI 用于采购的比例是 45%，而按频率统计的「至少偶尔使用」在另一份研究里是 38%。把 94% 当使用率引用，等于把使用规模夸大一倍以上。
一眼识破：问分母。看到百分比先问「占谁的比例」——是全体买家、还是使用者、还是某一年龄段。
3.3 二手转述：「2028 年流量减半」是怎么长出来的
Gartner 2024-02-19 的官方新闻稿只有一条预测：到 2026 年传统搜索引擎查询量下降 25%。「2028 年下降 50%」不见于该新闻稿，它以「付费报告」的名义在二手文章里流传，无法点开原文核对。本站曾引用过这个二手版本，2026-11-09 已统一改用官方口径。
一眼识破：看链接指向。指向新闻稿、报告 PDF 的可以用；指向另一篇文章的，等于把别人的转述当成了原始证据。
4. 五步核验法：任何 GEO 数字都能过一遍
📋 拿到一个数字，按顺序问五个问题
1有没有一手来源？能点开原始报告或机构新闻稿吗？只有二手引用 → 降级为「有说法称」，不写进标题和数据位。
2样本是多少、什么时候？n 太小、时间超过两年、或只覆盖某一地区/品类的，必须标注适用范围。
3问题怎么问的？「使用」和「影响决策」是两件事；「遇到 AI 摘要」和「点击引用链接」也是两件事。措辞决定结论。
4发布方靠什么赚钱？如果结论恰好利于它卖的产品，检验标准要更严——这不是说结论一定错，而是说不能只靠它一家。
5能不能外推到我的场景？软件采购的数据不能直接套到机械、化工、家居等实物出口；买家角色、客单价、决策链都不同。
5. 我们自己的数据使用规则
这轮审计之后，本站对这些规则做了硬性约束，并写进了发布前必过的校验脚本：
- 只引用能点开的一手来源。点不开的，不写进数据位、不进标题、不进 JSON-LD。
- 每个外部数字标注样本量与调研时间。首页三个核心数字都带证据卡，说明样本、适用范围与解释限制。
- 自有监测数据必须公开口径。在口径公开之前，只作定性描述，不给具体百分比。
- 发现错误就更正，并保留修订记录。本文第 3.3 节与首页证据卡里的「修订记录」就是这条规则的产物。
- 不编造报告名、不把相关性写成因果、不把单一年份写成趋势。这三条是这次审计里最常出现的问题类型。
6. 常见误用清单
- 把「使用 AI 辅助研究」写成「由 AI 决定采购」——中间隔着验证、比价、谈判、样品确认四道关。
- 把「使用者的满意度」当成「全体买家的使用率」——分母换了，结论就反了。
- 把软件品类的调研结果套到实物出口——品类差异远大于地区差异。
- 把机构预测（−25%）当成实测结果，再叠加上自己的解读（「这意味着流量减半」）。
- 把不同年份、不同机构的数字并排列出，暗示一条并不存在的趋势线。
- 用「引用份额」「AI 可见性得分」这类没有公开基准的指标做排名——没有基准的指标只能内部对比，不能对外宣称领先。