零點擊68%還是八成？五個最常被引用的AI搜尋數據，我翻回了原始報告

作者｜晨星行銷　陳俊鳴執行長（網路流量操盤手・企業行銷顧問）

先承認一件事。

這五個數字裡面，有兩個我自己也講錯過。

不是道聽塗說。我是讀了中文報導，覺得有數字、有機構、有年份，看起來很紮實，就把它寫進簡報，也寫進文章裡了。

後來為了寫另一篇查證「GEO優化黑科技」話術的文章，逼自己養成一個習慣：要引用的數字，一定先把原始報告打開來讀一遍。

結果打開之後才發現不對。

那些數字大多不是假的。但它們被講成了另一件事。

這篇文章要做的事很單純：把這一年中文圈被引用最多的五個 AI 搜尋數據，一個一個追回原始出處，看看人家原文到底寫了什麼。

我不是要說「數據都不能信」。那是另一種偷懶。

要說的是：同一個數字，換個講法，意思可以差非常遠。 而差別通常就藏在三個問題裡——誰做的研究、它到底測了什麼、分母是誰。

—

案例一：零點擊 68%——數字是對的，人寫錯了

這是現在最常被引用的一個。中文圈的標準寫法長這樣：

> 「根據 Similarweb 的研究，68% 的 Google 搜尋沒有產生任何點擊。」

數字沒錯。但研究不是 Similarweb 做的。

做研究的是 SparkToro，創辦人是 Rand Fishkin。Similarweb 的角色是提供資料——研究用的是它的點擊流數據。

打個比方：這就像有人用 Excel 做了一份財報，你把它說成「Excel 做的財報」。

聽起來只是小事，對吧？但它會害你判斷錯一件更重要的事。

因為方法論是寫在 SparkToro 那邊的，不在 Similarweb 那邊。而方法論才是重點：

• 範圍是美國，2026 年 1 到 4 月
• 資料來自桌機與行動網頁面板
• 研究者假設三分之二的搜尋來自手機、三分之一來自電腦
• 這份研究沒有算 Google 手機 App 裡的搜尋——而研究者自己說，那裡的零點擊可能更高

看到最後那一條了嗎？

研究者等於自己加了一句：「我這個數字可能還算保守。」

這種話只有原文才會寫。二手轉述幾乎都會掉。

同一份研究裡還有一個更好用的講法：每 1,000 次美國 Google 搜尋，只有 276 次點擊真的流向開放網路。 而在 2024 年那份用 Datos 資料做的研究裡，同樣是美國，這個數字是 360 次。

兩年，少掉約四分之一。

這裡要插播一件事，因為這個坑很容易踩。

2024 那份研究最常被引用的數字是「374」，寫的時候差一點就照用了。

但那份研究的標題其實是：每 1,000 次歐盟搜尋只有 374 次點擊，美國是 360 次。

374 是歐盟的數字。

拿 2026 年的美國數字去比 2024 年的歐盟數字，表面上只差一點點，實際上已經換了一個地區在比。

而且這裡還有一個看起來很合理、但不成立的推論：歐盟的零點擊率比美國高，照這樣推，歐盟流向外部網站的點擊應該更少才對——那 360 才該是歐盟的數字。

事實剛好相反。

歐盟是零點擊率比較高，但流向開放網路的點擊也比較高。原因是 Google 在歐盟分給自己旗下服務的流量比在美國少，一般認為跟歐盟《數位市場法》有關。

換句話說：「沒有點擊」跟「點擊沒有流到你這裡」是兩件事，中間還隔著一個「Google 自己留了多少」。

這件事的教訓很單純：想靠推理省掉查證那一步，通常會出事。 該打開的原始頁面，還是得打開。

這一節的結論是：引用一個數字之前，先確認你講的「誰做的」真的是做的人。因為方法論跟限制條件，只寫在他那邊。

至於零點擊到底是什麼、跟你的網站有什麼關係，我另外寫過一篇零點擊搜尋是什麼講得更完整。

—

案例二：零點擊八成——把「多少人」講成了「多少次」

這一個最嚴重。因為它不是出處寫錯，是意思被換掉了。

中文圈的講法是：「有 AI 摘要的時候，零點擊率高達 80%。」

我去追這個 80%，追到 Bain & Company 的新聞稿。原文是這樣寫的：

> 約 80% 的消費者，在至少 40% 的搜尋中依賴「零點擊結果」。

請讀兩遍。

它說的是有多少比例的「人」，會在一部分搜尋裡依賴零點擊結果。

它完全沒有說「80% 的搜尋沒有點擊」。

換個生活化的例子你就懂了。

「八成的人偶爾會吃泡麵」跟「八成的餐都是泡麵」——這兩句話裡都有「八成」，但講的是完全不同的世界。

前面那句是說很多人有時候會吃；後面那句是說泡麵幾乎取代了正餐。

中文圈那個 80%，就是被從前面那句，講成了後面那句。

而且這裡其實被換掉了兩層。

第一層是分母：「80%」講的是人，不是搜尋次數。

第二層是範圍：原文說的是「零點擊結果」——那是所有「不必點進網站就看到答案」的情況的總稱，天氣、匯率、知識面板、精選摘要通通算，AI 摘要只是其中一種。中文圈把它轉述成「依賴 AI 摘要」，等於又把範圍縮小到一個更聳動的東西上。

更關鍵的是這件事：Bain 自己在同一份研究裡，就有報零點擊的數字。那個數字是 60%。

所以正確的引用應該是「Bain 指出約 60% 的搜尋，使用者沒有點進其他網站就結束了」。不是 80%。

80% 那個數字，被拿去講一件它沒有在講的事。

Bain 同一份研究還有幾個很少被引用、但更值得看的數字：

Bain 原始數字	講的是什麼
約 60%	搜尋在使用者未點進其他網站前就結束
15%～25%	自然網站流量的減少幅度
最多 30%	部分公司網站的流量下降幅度
1,200%	來自生成式 AI 的流量成長（2024 年中到 2025 年初）

最後那一列很有意思：流量不是消失，有一部分只是換了入口。 這也是我在零點擊等於流量歸零嗎那篇想講的事。

那如果你真的想知道「AI 摘要出現的時候，點擊到底掉多少」，我推薦去看 Pew Research Center 的瀏覽行為研究。

這是五個之外，我讀完最信任的一份。 理由就在方法論。

它不是問卷。它是取得 900 位美國成年人同意之後，直接追蹤他們的瀏覽紀錄，範圍是 2025 年 3 月整個月、68,879 次 Google 搜尋。

差別在哪？問卷測的是「人記得自己做了什麼」，瀏覽紀錄測的是「人實際做了什麼」。這兩件事的落差，在網路行為上向來大得驚人。

它的結果是：有 AI 摘要時，點擊傳統搜尋結果的比例是 8%；沒有 AI 摘要時是 15%。而真正點進 AI 摘要裡面那些來源連結的，只有 1%。

還有一個很少被引用的數字：看到 AI 摘要之後乾脆結束整個瀏覽的比例是 26%，沒有 AI 摘要時是 16%。

那個 1% 我特別在意。

因為很多人心裡抱著一個安慰：「沒關係啦，就算被 AI 摘要吃掉，至少我會被引用，還是會有人點進來。」

那個「還是會有人點進來」，是 1%。

這一段的完整推導在Google第一名也沒流量？CTR暴跌真相，還有AI Overview對網站流量影響多大這兩篇。

順帶一提，有人會想「那改砸廣告總安全了吧」——也不成立，付費點擊率同樣在掉，這一輪查證寫在PPC點擊率也在下滑。

還有一個數字要特別交代：中文圈常常跟著出現一個「83%」，說是「有 AI 摘要時零點擊的平均值」。

這個我追不到一手來源，只在二手彙整站看得到。

我不知道它是哪來的，所以我不會用它。

這一節的結論是：看到百分比，先問「分母是誰」。是人，還是次數？搞錯這一個字，整句話的意思就翻掉了。

—

案例三：維基百科掉 15%——挑了最大的那個，還漏了前提

「連維基百科的流量都被 AI 吃掉 15%」——這句話很好用，因為維基百科夠有名、夠中立。

我去查了。維基媒體基金會官方公布的數字是大約 8%，指的是人類瀏覽量，跟 2024 年同期相比。

但真正該一起講的，是這個 8% 怎麼來的。

2025 年 5 月，基金會發現來自巴西的「人類流量」高得不尋常。查下去才知道，那是一批專門設計來規避偵測的機器人。

他們更新了偵測系統，回頭把 2025 年 3 月到 8 月的數據重新分類——原本算成人類的，重新歸類成機器人。

所以「人類瀏覽量下降」這件事，一部分來自 AI，一部分來自量測方式改了。

這就像你原本用一台不太準的體重計，後來換了一台準的，才發現自己一直比以為的輕。你不是突然瘦了，是之前量錯了。

我不是說 AI 沒影響。影響是真的，基金會自己也明講，搜尋引擎「直接提供答案給搜尋者，而且經常是根據維基百科的內容」。

真正的重點是：當一個數字的產生過程中間動過刀，引用它的時候就該把那一刀講出來。

那 15% 又是哪來的？

是獨立研究者用 Wikimedia 的 Pageviews API 做的估算。同一份工作用了不只一種算法，各種算法差距不小，15% 是其中偏高的那一個。

中文圈引用的時候，挑的通常是最大的那個。

如果你真的想找一份方法嚴謹的，我推薦 Lyu 等人發表在 WWW 2025 的〈Wikipedia Contributions in the Wake of ChatGPT〉。

它的做法是拿「內容跟 ChatGPT 能回答的範圍重疊」的條目，去對照「不重疊」的條目，看兩邊在 ChatGPT 2022 年 11 月推出之後的變化。結果前者的瀏覽跟編輯，下降幅度都顯著更高。

它的價值在於分離出「聊天機器人單獨造成的效果」。 單純看總流量掉多少，永遠回答不了一個問題：這是 AI 造成的，還是本來就會掉？

這一節的結論是：同一件事有好幾種算法時，先問「我看到的是哪一種、為什麼是這一種」。挑最大的那個數字很好用，但那不叫引用，那叫選材。

—

案例四：540 組查詢的研究，被拿去證明它沒測過的事

這一個印象最深，因為我自己差點就這樣用了。

中文圈的說法是：「有研究證明，AI 推薦的商家幾乎都是本來就排在地圖前三名的店。」

聽起來很合理。而且很好用——正好拿來說服客戶繼續做在地 SEO。

我把那份 Whitespark 的研究打開來讀，然後發現一件事：

它根本沒有測「AI 會點名哪幾家店」。

它測的是出現率——AI 摘要跟地圖包各自在什麼情況下會出現。研究設計是美國三個城市（休士頓、鳳凰城、丹佛）乘上六個產業（水電、人身傷害律師、牙醫、驗光師、醫療診所、房仲），總共 540 組查詢。

主要發現是：AI 摘要出現在平均 68% 的在地商家查詢裡，地圖包只出現 39%。

我打個比方。

這份研究測的是「今天有沒有下雨」。而中文圈拿它去回答「哪一把傘賣得最好」。

這兩件事都跟雨有關，但後面那題，這份研究一次都沒問過。

而且真正該看的是細分之後那一段，因為結論幾乎是反過來的：

查詢類型	地圖包出現率	AI 摘要出現率
明確在地意圖（例：「台中 牙醫」）	93%	15%
資訊型（例：「根管治療要多久」）	6%	92%
混合型（例：「台中牙套平均費用」）	17%	97%

看出來了嗎？

越接近「我現在就要找一家店」，AI 摘要反而越少出現。那是地圖包的主場。

這跟中文圈拿它去證明的方向剛好相反。原本想說「AI 也在挑地圖前三名」，但研究實際顯示的是「使用者真的要找店的時候，AI 摘要很少插手」。

在地商家該怎麼看這件事，我在在地SEO三個說法那篇整理過三個流傳很廣、但查證後都不成立的說法，這是其中一個。

這一節的結論是：一份研究能證明什麼，取決於它測了什麼。很多誤引不是數字錯，是把 A 研究的答案，貼到 B 問題上。

—

案例五：Gartner 的預測——時間到了，可以驗收了

最後這個最特別，因為它到期了。

中文圈很愛引用的是：「Gartner 預測，到 2028 年自然搜尋流量將減少一半以上。」

我去把 Gartner 的原始新聞稿找出來，發布日期是 2024 年 2 月 19 日。

那份新聞稿的標題預測其實不是 2028 那個，而是：

> 到 2026 年，傳統搜尋引擎的搜尋量將下降 25%。

現在就是 2026 年。

搜尋量沒有掉 25%。Google 的搜尋市佔仍在九成以上，搜尋量甚至還在成長——這件事我在2026 SEO趨勢那篇用財報數字談過。

我要很清楚地說一句：這不是在說 Gartner 造假，也不是說他們不專業。

預測本來就會錯，這是預測這件事的本質，做研究的人自己最清楚。當年這個預測剛出來時，Search Engine Land 就寫過一篇檢視；現在期限到了，國外也有專文回頭檢討它為什麼沒有發生。

我要講的是引用的人。

同一份新聞稿裡，近期、可以驗收的那個預測，已經被現實推翻了。那還沒到期的那個，就不該被當成既定事實搬出來用。

尤其不該拿它當「所以你現在得買一套新服務」的理由。

預測跟資料，是兩種東西。 一個像氣象預報，一個像溫度計。溫度計告訴你現在幾度，氣象預報告訴你明天可能幾度——它們在簡報上長得很像，份量差很多。

這一節的結論是：看到「到某某年會怎樣」的說法，先看那份預測有沒有更近的一期，而那一期發生了沒有。

—

一個小陷阱：兩個「68%」

整理到最後，我發現一件連做這行的人都可能踩到的事。

這個 68%	出自	意思是
68.01%	SparkToro（2026）	搜尋沒有產生點擊的比例
68%	Whitespark（在地搜尋研究）	在地查詢中出現 AI 摘要的比例

兩個完全不同的東西，數字剛好撞在一起。

只要記數字、不記出處，就很容易把「AI 摘要的出現率」講成「零點擊率」。

而這兩件事的商業意義差非常多。前者說的是「你的潛在客戶看到了什麼版面」，後者說的是「有多少人根本沒進你的網站」。

這一節的結論是：數字本身不是識別碼。記住它從哪裡來，比記住它是多少更重要。

—

我自己引用錯的是哪兩個

開頭我說五個裡有兩個我自己也用錯過，這裡要交代清楚。不然這篇文章就變成站在旁邊指指點點。

第一個是零點擊 68%。

我在提案簡報裡寫過「根據 Similarweb 的研究」。那是從一篇中文報導看到的，寫得很完整，有數字有年份，沒有理由懷疑。

直到我要把那頁簡報改寫成文章、需要附連結時，才發現連過去是 SparkToro，不是 Similarweb。

那一刻我才知道，我轉述了一份自己沒讀過的研究。

第二個是維基百科的 15%。

這個我用得更久，因為它太好用了——維基百科夠有名、夠中立，拿來當例子誰都聽得懂。

我一直到查這篇文章時才知道，官方數字是 8%，而且那個 8% 背後還有一整段機器人重新分類的過程。

我把這兩件事寫出來，不是為了自我檢討給誰看。

是因為我發現這兩次犯錯的模式一模一樣：

我不是被騙了。我是看到「來源長得像來源」，就放行了。

有機構名、有百分比、有年份——這三樣湊在一起，看起來就很像已經查證過。

那之後我才把「點進原始出處」變成一個硬性動作，而不是「有空再確認一下」。

這一節的結論是：查證失敗通常不是因為你太好騙，是因為那個東西看起來太像已經查過了。

—

為什麼中文圈會一起傳錯

查完五個案例，我覺得這不是誰特別不用心，而是有幾個結構上的原因。

第一，轉述鏈太長。

英文原始研究 → 英文科技媒體 → 中文編譯 → 中文行銷部落格 → 簡報。

每一手都想寫得更好懂一點，於是限定條件一層一層被磨掉：「美國」不見了、「1 到 4 月」不見了、「排除手機 App」不見了，最後只剩一個乾淨漂亮的百分比。

每一手都沒有說謊，合起來卻失真了。

第二，數字比句子好記。

「80% 的消費者，至少 40% 的搜尋會依賴零點擊結果」——這是一個帶條件的複合句。

「零點擊 80%」——這是一個數字。

人腦會自動記住後面那個。這不是誰的錯，記憶本來就這樣運作。限定條件永遠是最先被忘掉的東西。

第三，這個題材的恐懼值很高。

越嚇人的數字傳得越快，這在任何領域都成立。而在行銷這一行還多一個誘因：嚇人的數字比較好賣東西。

我不認為多數人是故意的。但你可以觀察一件事——被誇大的方向幾乎都是同一邊。沒有人會不小心把「掉八成」記成「掉六成」。

第四，沒有人有動機去查。

查證的成本落在查的人身上，好處卻是公共的。你花兩天把五個數字追回原始出處，換來的只是「你少講錯了幾句話」。

這件事沒有掌聲。

所以它得靠制度做，不能靠自覺——把「點進原始出處」變成流程裡的一個必要步驟，而不是一種美德。

這一節的結論是：會傳錯不是因為人壞，是因為整條鏈上沒有一個環節的利益，是站在「講準確」這一邊的。

—

看到一個數字，我現在會問三個問題

第一個問題：這是誰做的？

不是「誰報導的」，是誰做的研究。

案例一的教訓就在這裡：資料提供者跟研究執行者是兩回事，而方法論寫在後者那邊。

如果一篇報導講不出研究是誰做的，那它多半也沒讀過原文。

第二個問題：它到底測了什麼？

案例四是最好的例子。測「AI 摘要出現的比例」跟測「AI 點名哪幾家店」，是完全不同的兩件事，而後者根本沒被測過。

很多誤引不是數字錯，是把 A 研究的結論安到 B 問題上。

第三個問題：分母是誰？

案例二整個問題就出在這裡。80% 的分母是「消費者」，不是「搜尋次數」。

分母換掉，同一個數字就變成另一個故事。

這三個問題不需要你懂統計，也不需要你會讀英文論文。多數研究的方法論都寫在文章前三段，五分鐘就讀得完。

這一節的結論是：判斷一個數字可不可信，門檻其實比你想的低——低到只要三個問題，而且答案都在原文開頭。

—

那這些數字到底還能不能用

能用，而且該用。

我要提醒的不是「別信數據」，是別讓別人替你讀數據。

我自己的做法是這樣：

• 要引用的數字，一定點進原始出處看過。 看不到原始出處的，寧可不用——就像那個 83%。
• 優先用有畫面的講法。 「1,000 次搜尋只剩 276 次點擊」比「零點擊 68%」有用得多，因為前者你聽完腦中會有畫面。
• 預測跟資料分開放。 Gartner 那種是預測，Pew 那種是量測，在簡報上要分開講，不要並排。
• 看自己的數字，不要只看別人的數字。 別人的研究再嚴謹，分母也不是你的網站。Google Search Console 上你自己的曝光與點擊變化，比任何一份國外研究都更能回答「AI 到底對我影響多大」——只是新的報表要用新的讀法，我把該換掉的指標整理在AI時代SEO KPI怎麼改。
• 有人拿數字來推銷時，先問那三個問題。 這是最省錢的一招。

我知道這很花時間。

我自己查這五個數字，前後花了大概兩個工作天，過程中還推翻了幾件我原本以為對的事。

但這就是我認為專業該長的樣子。

老闆最該做的，是把自己的專業做深、做透——那是一間公司裡真正無法被取代的東西。至於「哪個數字站得住腳、哪個站不住」這種要一份一份回頭核對原始報告的事，交給以此為專業的人就好。

不過委外不等於甩手不管。

你不需要自己去讀 Whitespark 的研究設計。但你要有能力在對方報數字的時候，問一句「這是誰做的」。

這條線我在AI能大量寫文章後，企業為什麼更需要SEO顧問那篇講得更清楚：AI 讓「產出內容」變便宜了，但「判斷哪個說法站得住腳」反而變貴——因為錯誤的說法現在也能被大量生產得很漂亮。

最後給你一個最省事的判斷法。

下次有人拿一張很嚇人的數據簡報來找你，你只要問一句：

「這份研究是誰做的？原文網址給我。」

答得出來，這個人值得繼續談。

答不出來，那張簡報上的每一個數字，你都可以先放著不管。

FAQ

參考資料

零點擊 68%（案例一）

1. SparkToro —《In 2026, Less than One Third of Google Searches Still Send a Click》（2026 年，查證日 2026-08-15）https://sparktoro.com/blog/in-2026-less-than-one-third-of-google-searches-still-send-a-click/ （英文，美國市場）
2. SparkToro —《2024 Zero-Click Search Study: For every 1,000 EU Google Searches, only 374 clicks go to the Open Web. In the US, it’s 360.》（2024 年，資料來源 Datos，查證日 2026-08-15）https://sparktoro.com/blog/2024-zero-click-search-study-for-every-1000-us-google-searches-only-374-clicks-go-to-the-open-web-in-the-eu-its-360/ （英文，歐盟與美國市場——注意標題本身就分開標示了兩個地區的數字）
3. Search Engine Land —《Google zero-click searches reach 68% in early 2026: Study》（2026 年，查證日 2026-08-15）https://searchengineland.com/google-zero-click-searches-2026-study-479717 （英文，美國市場）
4. Search Engine Land —《Nearly 60% of Google searches end without a click in 2024》（2024 年，查證日 2026-08-15）https://searchengineland.com/google-search-zero-click-study-2024-443869 （英文，美國與歐盟市場）
5. Search Engine Roundtable —《Google Zero Click Searches Fall To 27.6%》（查證日 2026-08-15）https://www.seroundtable.com/google-zero-click-searches-fall-41475.html （英文，美國市場；與第 1 筆是同一份數據的反向框架，可對照兩種下標方式）

零點擊八成／Bain（案例二）

1. Bain & Company —《Goodbye Clicks, Hello AI: Zero-Click Search Redefines Marketing》（新聞稿發布 2025-02-19，查證日 2026-08-15）https://www.bain.com/insights/goodbye-clicks-hello-ai-zero-click-search-redefines-marketing/ （英文，全球調查）

AI 摘要出現時的點擊行為（Pew）

1. Pew Research Center —《Google users are less likely to click on links when an AI summary appears in the results》（2025-07-22，查證日 2026-08-15）https://www.pewresearch.org/short-reads/2025/07/22/google-users-are-less-likely-to-click-on-links-when-an-ai-summary-appears-in-the-results/ （英文，美國市場；樣本為 900 位美國成年人、2025 年 3 月、68,879 次 Google 搜尋的實際瀏覽紀錄）
2. Search Engine Land —《Google’s AI Overviews are hurting clicks: Pew study》（查證日 2026-08-15）https://searchengineland.com/google-ai-overviews-hurting-clicks-study-459434 （英文，美國市場）
3. Search Engine Journal —《Pew Research Confirms Google AI Overviews Is Eroding Web Ecosystem》（查證日 2026-08-15）https://www.searchenginejournal.com/pew-research-confirms-google-ai-overviews-is-eroding-web-ecosystem/551825/ （英文，美國市場）

維基百科流量（案例三）

1. Wikimedia Foundation（Diff）—《New User Trends on Wikipedia》（2025-10-17，查證日 2026-08-15）https://diff.wikimedia.org/2025/10/17/new-user-trends-on-wikipedia/ （英文，全球；官方一手來源，8% 這個數字出自這裡）
2. Search Engine Journal —《Wikipedia Traffic Down As AI Answers Rise》（查證日 2026-08-15）https://www.searchenginejournal.com/wikipedia-traffic-down-as-ai-answers-rise/558803/ （英文，全球）
3. Martin Monperrus —《wikipedia-decline-llm》開源估算專案，以 Wikimedia Pageviews API 估算流量下降（查證日 2026-08-15）https://github.com/monperrus/wikipedia-decline-llm （英文；中文圈常引用的較高估算值出自這類獨立估算，同一專案含多種算法）
4. Liang Lyu、James Siderius、Hao Li、Daron Acemoglu、Daniel Huttenlocher、Asuman Ozdaglar —《Wikipedia Contributions in the Wake of ChatGPT》（WWW 2025 / ACM Web Conference 2025 Companion，查證日 2026-08-15）https://arxiv.org/abs/2503.00757 （英文，學術論文；以差異中之差異模型分離聊天機器人的因果效果）

在地搜尋（案例四）

1. Whitespark —《New Research: AI Overviews for Local Business Searches》（查證日 2026-08-15）https://whitespark.ca/blog/case-study-the-prevalence-of-ai-overviews-in-local-search/ （英文，美國三城市：休士頓、鳳凰城、丹佛，6 產業共 540 組查詢）

Gartner 預測（案例五）

1. Gartner —《Gartner Predicts Search Engine Volume Will Drop 25% by 2026, Due to AI Chatbots and Other Virtual Agents》（新聞稿發布 2024-02-19，查證日 2026-08-15）https://www.gartner.com/en/newsroom/press-releases/2024-02-19-gartner-predicts-search-engine-volume-will-drop-25-percent-by-2026-due-to-ai-chatbots-and-other-virtual-agents （英文，全球；一手新聞稿，標題預測是 2026 年下降 25%）
2. Search Engine Land —《Will traffic from search engines fall 25% by 2026?》（查證日 2026-08-15）https://searchengineland.com/search-engine-traffic-2026-prediction-437650 （英文，全球；預測發布當時的業界檢視）
3. Future Factors —《Gartner Said Search Would Drop 25% in 2026. It Didn’t.》（查證日 2026-08-15）https://futurefactors.ai/gartner-search-traffic-drop-prediction-2026-reality/ （英文，全球；這是評論文章不是研究，列在這裡只為佐證「預測到期後確實有人回頭檢視」，不作為數據依據）