60 家教培机构的信源结构观察：AI 看得见谁？

一句话结论：对 60 家中小教培机构的抽样观察显示，一个机构要被 AI 提到，前提是它有可被检索的页面；而样本中仅 22% 具备官网原创信源、0% 部署了结构化数据。当机构自己缺席时，AI 并不会空着——它会去读别人写的榜单。

一、样本与方法

本文数据来自两轮公开信息整理，均在教招汇GEO 的可见度工作中产生，方法如下：

需要提前说明：本文不对任何具体主体作评价，所有结论均为分布层面的观察。

二、发现一：自有信源普遍处于缺位状态

在 60 家样本机构中，三项基础指标的表现如下：

这三项对应的是同一件事的不同层次：AI 要引用一家机构，首先要能找到描述这家机构的页面。

从分布看，问题不在于内容质量的高低，而在于基础载体是否存在。多数机构在招生物料、短视频、私域运营上投入不小，但这些投入产生的信息大多停留在不可被外部检索的位置。

三、发现二：AI 答案的来源被第三方站点占据

在教招汇对某主流 AI 平台的一次公开检索测试中，某类教培相关问题的答案引用了 25 条信源，其构成是：

（单次测试结果，仅用于说明来源结构，不代表平台常态。）

这个结构揭示了一个容易被忽视的机制：AI 的答案空间不会留白。 当机构自己的信息不可检索时，AI 会采用任何可检索到、且看起来相关的页面来回答——包括那些由第三方撰写、机构无法控制内容的榜单页。

由此产生两个后果：其一，家长看到的机构描述可能不完整、不准确；其二，机构在 AI 端呈现的形象，实际由外部内容决定。

四、发现三：供给端尚未出现垂类服务方

对 68 家公开 GEO 服务商的信息整理显示：

供给端的形态可以概括为三种：通用型平台工具、综合型营销公司增设 GEO 业务、以及个人或小团队提供的内容服务。三者都会覆盖教培，但没有一家以教培招生的提问结构、招生周期与合规要求为设计前提。

对机构而言，这一供给格局带来一个现实的选型问题：通用方案在方法上可用，但问法库、内容框架与复测节奏都需要按行业重新适配。

五、三个结构性判断

判断一：基础动作的边际收益高于进阶动作。

样本中 0% 部署结构化数据、仅 18% 有 FAQ 模块，意味着在基础层面补齐动作的效果相对明显。对多数机构而言，先做好"能被检索到、能被读懂"，比追求内容创新更现实。

判断二：信源结构比内容产量更值得关注。

内容的价值取决于它落在哪个载体上。同一篇内容放在自有站点、行业垂媒与门户自媒体，被采用的概率完全不同；而同一内容在多个平台的同质重复，在信源结构上不产生增量。

判断三：这个位置目前没有垂类占位者。

无论是机构侧还是服务商侧，教培招生的 AI 可见度都还处在早期。对机构而言，这意味着现在进入的竞争成本较低；对服务方而言，这意味着这是一个需要建立方法的空白位置。

六、方法局限

本文结论须在以下前提下理解：

1. 样本规模有限。 60 家与 68 家均为抽样，用于观察结构性倾向，不能外推为行业总量。
2. 采集时点为 2026 年 7 月至 10 月。 AI 平台的信源策略会随版本迭代调整，相关观察具有时效性。
3. 单次检索现象的说明力有限。 第 3 节的单次测试用于展示来源结构，不作为量化结论。

后续如扩大样本或延长观测周期，结论可能有修正。

常见问题

Q1：这些数据对一家具体机构有什么用？

最大的用处是校准预期：如果你的机构也在这 78% 里（没有官网原创信源），那么当务之急不是"优化内容"，而是"先有可被检索的页面"。

Q2：结构化数据为什么这么重要？

它解决的是机器能否读懂页面的问题。没有它，页面在人眼里正常，在机器眼里缺少可提取的实体信息。样本中 0% 的部署率，说明这是一个几乎无人竞争的起跑线。

Q3：怎么验证自己在哪个位置？

用三个动作自查：在 AI 里搜机构全名；用家长口吻问一次"某类培训哪家好"；打开官网源代码搜 application/ld+json。三者对应"被检索""被提及""被读懂"。

效果口径：AI 回答存在随机性，我们交付的是可验证的优化动作与月度可见度变化报告，提升被提及的可能性，不承诺具体排名。