SparkToro 分析超 11 万条 ChatGPT 提示词:仅 6.9% 具备购买与品牌调研意图
We Analyzed 118,000 ChatGPT Prompts from 12,000+ Users to Answer: How Do Americans Use AI Tools in 2026?
SparkToro 联合 Verso 分析了 12,321 名美国用户在 2026 年产生的 118,163 条 ChatGPT 提示词,发现图像设计(16.1%)、信息娱乐(14%)和日常琐事(12.2%)是核心场景。
报告通过脱敏真实提示词量化了用户的实际意图分布,为评估生成式引擎优化投入产出比提供了参照依据。
过去4年来,“AI可见度优化”领域一直两眼一抹黑,摸不清究竟有多少AI助手对话与数字营销人员相关。如今,多亏Verso提供的一组样本数据(该公司通过用户授权接入OpenAI并进行匿名化处理),我们离答案终于近了一大步。
Google和Bing这类搜索引擎会(通过其广告产品)提供特定关键词的搜索量数据,但ChatGPT、Claude、Perplexity、Copilot等AI助手却不会公开这些。Google还提供了免费工具Google趋势,方便对比不同关键词的查询热度。然而AI工具没有任何类似的功能。这就导致营销人员和在营销上投入资金的品牌,只能凭空去猜自身行业的AI对话里到底产生了多少产品或服务需求,而且根本无法验证。多年来我一直在寻找解开这个难题的答案,今天终于有了一部分成果可以分享。
Verso联合创始人Aaron Aknin最近联系了我,并提供了本报告背后的数据支持:来自12321名样本用户的41961次匿名完整ChatGPT对话,涵盖2026年1月1日至10月29日期间的118163条提示词。我剔除了131名重度用户,他们平均每月发送超过33条提示词,产生的体量竟占到总量的21%之多(严重扭曲了数据集)。下文中的多数图表和数据均按“每位用户”而非“每条提示词”进行统计,以便平等考量每一位用户。此外,Verso的数据还包含丰富的人口统计学特征——覆盖绝大多数用户的性别、年龄、家庭收入区间及所在国家/地区。
你可以在这里亲自体验他们的ChatGPT连接分析:你的ChatGPT数据报告 · Verso——我今天看了一眼自己的数据,发现它和“普通”ChatGPT用户的行为大相径庭;这也再次说明,千万别拿自己的习惯去推断大众行为。我们这些做营销的人,纯粹是一群特例!
首先来看一张饼图(如果更习惯柱状图,下方附有相同数据的图表)。我们把分析过的数万条提示词归纳为最贴合的12个一级大类(粒度拿捏得当,不至于过细)。如前文所述,这是按用户维度统计的数据,有助于排除样本中那些反复只用ChatGPT做同一件事的人(比如只拿来做作业或玩D&D跑团游戏)。

我尝试过几种不同的分类方式,最终发现这套分类最能清晰解释用户究竟是如何向ChatGPT发送提示词并展开对话的。为了更清楚地说明,我把各类场景逐一列在下方:
- 图像与视觉设计(16.1%):让ChatGPT生成或修改图片,例如编辑上传的照片(消除画面中的物体、把自拍改成动漫风)、根据文字描述作图,或是设计各类平面素材(从传单、Logo到请柬、纹身图样,当然也包括全美每一家普通酒吧似乎都在用的那种令人厌烦的AI海报和落地立牌)。
- 资讯与娱乐(14.0%):出于好奇或求证事实的提问,比如某样东西的运作原理或某件事是否属实。涉及电影、音乐、游戏、明星八卦、体育比分、新闻、博彩预测、占星、塔罗牌,甚至是解梦。
- 日常生活与行政事务(12.2%):打理生活的各类琐事:修缮房屋、汽车故障、宠物护理、菜谱、出行规划、预估驾车耗时、应对繁琐的办事流程——开庭日期、移民材料、租户权益,以及如何向可疑的 Etsy 卖家申请退款等等。
- 写作与沟通(11.9%):起草或修改短信、邮件、社交媒体文案、简历和求职信。主要是校对和核对,不过凭个人感觉,完全从零生成的比例可能还是高了点 😬。
- 健康与养生(10.3%):咨询症状、药物、外伤、备孕怀孕、化验单解读、饮食、健身、减重、睡眠、护肤护发,以及身上起的疹子会不会传染(这也是个让人捏把汗的场景 😬)。
- 金钱、职场与商业(8.5%):赚钱与理财:银行、信用卡、贷款、税务、投资、副业、主业、防范被坑(天呐,那些五花八门的网赚应用!)、求职找工作、职场困扰、小微企业经营(有没有芯片大厂 CEO 来问自己的地下情人是不是间谍?我很识趣地没去看相关数据)。
- 课业与学习(7.6%):课业辅导,绝大多数是写作业(说不定 AI 真能终结布置无意义作业这种蠢事)、随堂测验和讨论发帖、复习备考,或是请教常见的学科知识(有些或许并非学生,但分类模型倾向于归入此类)。
- 购物、品牌与本地生活(5.7%):做消费或去处决策,比如“500 美元以下哪款笔记本最好”、产品对比、查找附近门店,以及获取营业时间、电话或地址。
- 技术支持与编程(4.4%):解决手机、应用、账号、软件或网络连接问题,当然还有写代码和调试代码(占比看着比预期少?先别急,后面我专门把科技从业者单独拎出来分析了)。
- 情感关系与心理支持(3.4%):咨询关于伴侣、家人、朋友和同事的问题,倾诉宣泄、排解孤独,或者把 ChatGPT 当作倾听对象甚至心理咨询师的替身。
- 闲聊与其他(3.0%):寒暄客套、打招呼,可能只是单纯测试 AI,或是询问关于 ChatGPT 本身的问题(我岳母就总这么干);也包括内容过少无法分类的对话,以及少量违规或违禁请求。
- 创意写作与角色扮演(2.9%):出于娱乐或自我表达的创作,例如故事、诗歌、歌词、笑话、互动式角色扮演或游戏互动。
下面是这组数据的柱状图展示,不过做了些扩展。我特意并排对比了三组数据:全量样本的活跃度、用于绝大多数分析的人口普查加权子集,以及单独划分出的“科技从业者”群体(通过结合对话内容和人口统计特征推断判定):

科技圈群体的特征一目了然:他们问编程和技术类问题的频率显著更高,而极少过问课业辅导,也不大用它生成图片或倾诉情感话题(或许是因为他们很清楚,AI 公司未必能保证你的数据绝对私密)。
ChatGPT 中的品牌、产品与公司
接下来,我调研了品牌在用户提示词和 ChatGPT 回复中的出现情况。我把提示词分为三类:完全没有询问品牌/产品/公司的(即用户没有寻求推荐、没有咨询某个产品或服务领域,也没有做任何可能促使回复中出现品牌或产品的操作)、主动要求推荐这类信息的,以及只针对单个品牌/产品/公司进行提问的。

不出所料,回复中给出品牌推荐的频率,要略高于用户主动索取推荐的频率。但整体占比依然很小,远低于 OpenAI 研究报告中常被引用的“信息检索类”提示词占比(我认为他们刻意放宽了分类标准,好让人觉得 ChatGPT 承载了更多与品牌相关的需求)。
即便如此,仍有 12.1% 的回复包含了一个或多个品牌/产品/公司,这绝非小数目。要知道,ChatGPT 宣称在美国每天要处理 3.3 亿条提示词(虽然该样本库的用户使用 ChatGPT 的频率要低得多,但由于统计不包含 API 请求,两者很难直接公平对比)。
随后,我将该样本库的使用情况与 OpenAI 广为引用的同主题研究进行了对比。我把 OpenAI 9 月份的数据与 Verso 1 至 10 月的数据(经人口普查加权处理的人群)放在一起,并套用了 OpenAI 自己的分类标准而非更细致的分类,以便直观对比。

考虑到 Verso 并未统计 API 请求,而 OpenAI 几乎肯定将其计入在内,两者的对比结果显得相当合情合理。与偏向普通消费者的 Verso 样本库相比,OpenAI 数据中技术求助/代码编写以及“其他/未知”的占比高得多。普通消费者更多将其用于“实用指导”和多媒体创作(如图像生成),而 OpenAI 整体上看到的“写作”需求更多。这里没有任何迹象表明 Verso 的样本库存在严重的偏差,我还分别用 AI 分类器和人工方式抽检了部分提示词,以确保数据没有异常。
这一部分的核心结论是:如果你打算在演示文稿或行业报告中引用这组数据,务必注明它的受众构成可能更偏向普通消费者,而在专业用途和 API 调用上的比重低于 ChatGPT 在全美范围内的整体水平。
有多少对话带有购买意图?
对于这批数据,我最后想弄清的是用户的购买或交易意图。我想知道,究竟有多少提示词表明用户正处于购买决策链的调研、比对或决策阶段——毕竟谷歌搜索很大一部分价值就来自于此(这也正是它能跻身全球吸金能力最强科技公司之列的原因)。如果 ChatGPT 上确实存在大量购买调研行为,或许它真的正在分流谷歌的流量,而它刚刚起步的广告业务也确实大有可为。
因此,我划分了三类对话:毫无购买意图的(例如“帮我为 D&D 跑团游戏画一张侏儒法师插画”);带有购买意图、正在调研各种选项的(例如“适合 50 岁患有足底筋膜炎男性的最佳跑鞋推荐”);以及针对某一个具体品牌、产品或公司进行分析并询问购买相关问题的(例如“SparkToro 真的能帮我测出目标受众常去哪些网站吗?”)。

我看这对 ChatGPT 的广告变现前景可不是什么好消息。只有 6.9% 的提示词涉及调研潜在购买品牌。作为对比,两年前我们分析 3.32 亿条 Google 搜索查询时,符合这一定义的比例超过 15%。Google 不仅在“搜索量与提示词量”的总规模上是 ChatGPT 的 5.5 倍,而且带有购买意图的搜索比例也是后者的约 2.8 倍(甚至可能更高)。保守估计,用户向 Google 提出购买决策相关查询的频次,是 ChatGPT 的 16 倍以上。这一体量差距,基本与 Google 和 Bing 之间的市场份额比例无异。
数据,数据,还是数据
如果你是个数据控,那这一节就是为你准备的。我把 Verso 样本库中分析的三个群体拆解了出来:全量群体(剔除了异常值)、按人口普查数据加权校准的群体,以及专门用于分析使用场景分类的科技从业者群体。

需要说明的是:我拿到的原始数据远不止这些,但做了多维度的清洗与精简——剔除了贡献了 21% 提示词的 131 个极端异常值、将指标归一化到人均使用量,并排除了没有人口统计学数据的用户(针对大样本群体)以及人口特征不符合美国人口普查加权标准的用户(针对加权子集)。即便如此,你依然可以看出各群体间的使用习惯并没有显著差异。无论是平均每次会话提示词数、每条提示词的回复字数,还是单次会话的字数中位数,这些指标都落在一个极其接近的区间内。
Rand 的核心观点
这份数据算不上完美,但比起我自 2023 年以来见过的任何数据都要详实得多(那时我们还能通过点击流数据观察 ChatGPT 的对话)。而且它与 OpenAI 此前公布的数据高度吻合,这让我坚信我们看到的是真实的对话记录,并能据此算出大致准确的人均使用水平。基于这项分析,我认为:
- ChatGPT 本质上是一款高度面向 C 端的消费级应用,谁要是鼓吹别的说法,那就是大错特错。人们在形形色色的各种日常任务中频繁使用它。虽然我们看不到 API 请求的数据,但我推测 API 占到了总用量的 50% 到 75%,而且其承载的提示词形态可能与普通用户在手机和电脑上输入的截然不同。
- 营销圈媒体和网红大 V 严重夸大了它与 Google 的竞争。只要顺着提示词和对话记录一条条看下去,你就会意识到它根本不是 Google 或 Bing。它不是搜索引擎,用户也完全没把它当搜索引擎用。它更像别的角色:倾诉对象、创作工具、娱乐消遣产品或是贴身助手。对比人们使用 ChatGPT 和 Google 的方式,两者的重叠度远没有我 LinkedIn 动态里吹嘘的那么高。
- 话虽如此,ChatGPT 仍有 12% 的使用场景切入了消费者的购买决策链路。这绝非无足轻重,只是其体量更接近 Bing,而非 Google。
- AI 曝光度(AI Visibility)确实至关重要!这是绝大多数企业、尤其是 B2B 品牌眼下最关键的营销工作之一。但核心驱动力绝不是 ChatGPT,而是 Google 以及 Google 推出的 AI Overviews 和 AI 模式,是它们让 AI 曝光度变得如此举足轻重。那值得去监测品牌在 ChatGPT 里的曝光度吗?也许值得,但前提是你同时也监测了自己在 Bing 上的关键词排名和 AI 曝光度。如果你觉得 Bing 盘子太小不值一顾,却认为 ChatGPT 值得你大把投入时间、预算和营销资源,那么从数学和逻辑的角度来看,这完全就是自欺欺人。
我对这个新数据源感到非常兴奋,也希望 Verso 能继续发展壮大,并期待未来与他们开展更多研究与分析。如果你想进一步了解他们,不妨访问 https://tryverso.ai/。
研究方法详情
该数据集来自一个由同意分享聊天记录的美国 ChatGPT 用户组成的主动加入型样本库。它涵盖了 12321 名用户在 2026 年 1 月 1 日至 10 月 29 日期间产生的 41961 次对话。在开展任何分析之前,我们先剔除了 131 名使用频次最高的用户(即在活跃月份平均发送超过 33 条提示词的用户)。他们虽然仅占受试样本的 1%,却贡献了全部提示词的 21%;如果将他们保留在内,分析结果反映的就会是一小群重度用户,而非普通受众。随后,我们建立了一套包含 34 种细分意图的编码手册,并将它们归入 12 个大类。每次对话都会根据其主要目标被打上唯一的标签。当用户要求 ChatGPT 生成某些内容(如图片、邮件、文章)时,输出内容的类型优先于话题本身。例如,“写一封发给 PayPal 的退款邮件”会被归为“写作与沟通”,而非“购物”;“回答这些关于心脏的测验题”会被归为“课业”,而非“健康”。
每段对话都由一个 AI 模型(Anthropic 旗下的 Claude)对照该编码手册进行阅读和标注,而非基于关键词规则直接打标。标注模型在处理每段对话时,会查看自动生成的标题、用户最多前 6 条提示词、ChatGPT 前几次回复的开头,以及回复中出现的任何产品卡片、地点卡片和加粗名称。这样一来,它还能记录 ChatGPT 是否推荐了两个及以上具体品牌,以及用户询问特定品牌的方式是否可能带有引导倾向。为了核验标注质量,第二位独立的标注人员在盲审状态下对随机样本进行了重新编码。两者在大类标签上的一致性达到 90%(κ ≈ 0.88),在品牌标签上的一致性达 97%–99%。绝大部分分歧仅出现在相近类别之间,比如常识问答与课业。第二位标注员标记品牌问题的频率高于第一位,因此我们统计的品牌相关问题占比可能偏保守。Rand 也对这些数据进行了人工抽检,准确率超过 98/100(不过目前来看,他的精准度可能还比不上 Claude)。
与所有主动加入型样本库一样,该样本库并不能完全代表美国总体人口结构,整体偏年轻化、女性偏多、收入偏低。为了验证这种偏差是否影响了研究结论,我们将拥有人口学记录的 9675 名受访者,按 2024 年美国人口普查的年龄、性别、地区、受教育程度和家庭收入目标进行了加权调整。结果显示,没有任何类别的波动超过 1.4 个百分点。此外,我们还从两个维度考察了结果:“对话占比”(即平等对待每一次对话)和“人均占比”(即先计算每位用户自身的分布比例,再对所有用户取平均值,避免高频用户产生过度影响)。两种视角呈现的结论基本一致。由于绝大多数受访者的数据记录来自手机端,因此桌面端和工作账号的使用情况可能被低估(尽管我们已通过估算进行了控制)。同时,该样本库更适合用来了解人们向 ChatGPT 问了什么,而不太适合用来评估大家使用了多少(因为缺失了 API 请求数据,且桌面端/笔记本端的使用比例可能偏低)。
来源:SparkToro (Rand Fishkin) · sparktoro.com