二十一个席位，三个来自你的城市
对一座城市的一个行业，ChatGPT和Gemini安排的名字中位数只有21个，其中仅3个出现在本地企业地图上。货架不是地图，是名气。
21
每个城市×行业的席位中位数(2个助手×2种问法=4份回答)
简短的回答：对一座城市里的一个行业，ChatGPT和Gemini愿意点名的全部，装进一个中位数21席的货架。把这个货架叠在城市实际登记的企业地图上，两边都有的名字只有3个。 其余是全国连锁、名店，和几片建议的碎屑。AI的货架不是你所在城市的地图，而是名气的地图。
3
其中在本地企业地图上找到的名字的中位数
≤ 11.8%
有网站的登记企业中，AI名字曾经触及的比例
不在地图上还能活下去。不在货架上就等于隐形。
测量了什么
我们自己的两套数据，第一次交叉。一边是美国研究(13座城市，2026年9月13日采集)：每个城市×行业组合里ChatGPT和Gemini在4份回答中给出的所有名字，用此前各期的规则清洗。另一边是地图：9月20日从OpenStreetMap读出的同批城市与行业的企业，按网站去重，只保留城市里至少有25家的组合 - 剩下36个可比组合。名字匹配刻意从宽(包含关系，或共享一个特征词)，所以百分比偏高而不偏低。总体上，722个AI名字中的133个(18.4%)能在自己城市的地图上找到对应企业。
| 城市 | 行业 | 地图上(≥) | AI席位 | 找到 |
|---|---|---|---|---|
| 纽约 | 美发沙龙 | 171 | 19 | 3 |
| 西雅图 | 美发沙龙 | 118 | 25 | 4 |
| 纽约 | 牙医 | 95 | 22 | 6 |
| 纽约 | 律师 | 69 | 22 | 5 |
| 纽约 | 房产中介 | 61 | 19 | 10 |
| 洛杉矶 | 美发沙龙 | 55 | 21 | 0 |
| 奥斯汀 | 牙医 | 38 | 24 | 9 |
| 休斯顿 | 汽修店 | 27 | 22 | 0 |
谁占着席位：会旅行的名字
席位不来自城市，那来自哪里？来自一座城又一座城反复出现的名字。在询问的13座城市里，几乎处处是同样的名字坐在货架上：
| 行业 | 出现在多座城市的名字(共13座) |
|---|---|
| 水管工 | Roto-Rooter (10/13) · Benjamin Franklin Plumbing (8) · Mr. Rooter (4) |
| 保险经纪 | HUB International (10/13) · Brown & Brown (8) · Gallagher (8) |
| 会计师 | RSM US (9/13) · Deloitte (7) · KPMG (6) · BDO (6) |
| 汽修店 | Midas (8/13) · AAMCO (7) |
| 电工 | Mister Sparky (7/13) |
| 美发沙龙 | Fox & Jane (6/13) · Spoke & Weal (6) · Butterfly Studio (5) |
| 房产中介 | Compass (5/13) · Keller Williams (4) · RE/MAX (3) |
问"丹佛的会计师"，得到的是RSM、德勤和毕马威。本地水管工要和Roto-Rooter抢席位 - 它坐在13座城市中的10座。而在牙医这行，最能旅行的名字之一根本不是诊所：是Zocdoc，那个平台，坐在4座城市里 - 昨天那期的机制，从另一头看到的样子。
如果被问的是你的企业
这场游戏不是"做本城的好店"：地图上登记着几十家，AI只安排三个。游戏是登上一个由名气统治的短货架 - 而名气可以经营：清晰的实体、引用、评价、让模型真正遇到的存在感。存在与被找到之间的这段距离，正是审计所测量的。
这项测量没有证明什么
- 地图是下限，不是名册：OpenStreetMap没有收录一切，我们又只保留了有网站的企业。"不在地图上"绝不等于"不真实"：AI点名的Rita Hazan和Warren Tricomi是真实存在的纽约名店，只是缺席于我们这片地图切片。
- 从宽匹配会匹配过头：18.4%和11.8%是上限，不是精细测量。
- 名字抽取器仍会放过建议碎片("consultations"、"get multiple quotes")。显眼的已手工剔除，引用的每个连锁例子都经过阅读核实。
- 仅美国，13座城市，每问一次，2026年9月13日采集。每组4份回答：换更多问法，货架会略有增长 - 那是9月16日那期。
- "找到3个"的中位数掩盖了真实的离散：纽约房产中介是10个，洛杉矶美发和休斯顿汽修是0个。
- 这里没有任何东西说明一个名字为何在座：名气、链接、评价与训练数据混在一起，这项测量不区分它们。