先说结论:会,但方式不一样

先说结论:AI搜索确实会引用图片和视频,但方式跟传统搜索完全不一样,而且真正的红利期可能比想象中短。
传统搜索里,图片和视频是"结果"本身。你搜"西安城墙",搜索引擎给你一屏图片,点进去看。AI搜索不是这样。你问豆包"西安城墙什么时候建的",它给你一段文字回答,里面可能配一张图,但图只是装饰,信息全在文字里。所以现在AI搜索里的多模态,更多是"文字为主、图片视频为辅"。
AI搜索到底怎么"看"多媒体
大部分靠的还是旁边那圈文字。图片的文件名、alt描述、周围段落,视频的标题、简介、字幕,才是它真正读取的东西。也就是说,视频画面它看不懂,但视频的标题和字幕它能看懂。我们测过一个做装修的账号,把工地视频传到抖音,标题里带"西安 旧房翻新 报价",结果豆包回答"西安旧房翻新大概多少钱"时,真引用了这个视频页面,来源标注就是视频标题加账号名。所以给视频起标题这件事,从GEO角度看,比拍得精不精美重要得多。
谁在吃多模态红利:三个场景
目前有三个场景比较明显。一是教程类内容,比如"怎么换灯泡""怎么做红烧肉",AI回答里越来越爱带视频链接,因为它知道用户要的是步骤,视频比文字直观。二是本地生活,问"附近有什么好吃的",AI经常引用点评平台带图片的商户页。三是产品测评,AI引用B站、抖音测评视频的概率在涨,数码和汽车类尤其明显。
但也要说句实在话:纯图片和纯视频内容,现在被AI引用的价值仍然有限,因为AI从里面摘不出文字信息。你发一百张产品图,不如配一段三百字的产品说明。图片视频是加分项,不是替代项。
另外提醒一句,音频内容现在最吃亏。AI搜索几乎不引用音频本身,播客、语音回答都只能靠配套的文字稿被识别。所以做播客的企业,记得把每一期的文字稿同步发在官网上,否则这期内容等于白做。
现在能做的三件事
第一,给网站和社交账号上的每张图、每个视频配好标题、描述和字幕,把该有的文字信息补齐。第二,做图文混排,重要的信息用文字写出来,图片负责直观展示。第三,去AI搜索里把行业核心问题问一遍,看看被引用的视频都有什么共性,照着改。多模态的机会是真实的,但它的前提,永远是文字。