“五一”旅游新风向：AI大模型推荐背后，信源争夺战暗藏哪些玄机？

每经特约记者：林晓晨 每经编辑：陈思涵

今年“五一”假期，旅游市场迎来新变化——利用豆包、点点等AI大模型制定旅游攻略成为主流趋势。从目的地筛选、行程规划到餐饮住宿推荐，人工智能正全面重塑传统旅游决策模式，为游客提供更智能化的出行方案。

但鲜为人知的是，这些看似“无所不能”的AI推荐背后，隐藏着复杂的信源体系。根据QuestMobile最新数据，豆包在旅游推荐中高度依赖字节跳动生态，对抖音和今日头条的内容引用率分别达到97.7%和84.5%；而千问、DeepSeek等平台则采用“OTA平台+内容媒体”的双轨信源结构，形成差异化竞争格局。

“不同AI平台的互联网基因决定了其训练数据和算法偏好，进而影响信源选择方向。”QuestMobile研究总监陈燕向徽声在线记者分析道，当前主流大模型在旅游信源引用上呈现明显分化，形成“生态闭环”与“开放整合”两条发展路径的博弈态势。

随着AI与文旅产业的深度融合，各大平台争相布局旅游推荐领域。这种变革不仅改变了游客的消费决策方式，更在悄然重构旅游行业的竞争生态。

AI旅游推荐信源争夺战：豆包构建字节生态闭环

QuestMobile监测显示，OTA平台仍是AI旅游问答的核心信源，其中携程以82.6%、75.9%和64.0%的引用率，分别位居豆包、千问、DeepSeek三大平台的首位。但具体到不同场景，各平台的信源策略呈现显著差异。

以豆包为例，其在旅游推荐中几乎实现流量自给自足。数据显示，在目的地推荐类问题上，豆包对抖音内容的引用率高达96.9%；攻略类问题更是达到98.5%。这种设计形成完整的内部循环：用户提问→AI解析需求→调用抖音内容库→生成个性化答案→引导用户返回抖音生态。整个过程在字节跳动体系内高效完成，AI可精准捕捉用户兴趣偏好，提供高度匹配的推荐内容。

相比之下，千问等平台采用“OTA+内容媒体”的双轨模式，既保证专业数据的可靠性，又兼顾内容的丰富性。DeepSeek则更进一步，整合专业旅游平台、垂直消费社区和综合资讯等多元信源，提供更全面的旅游信息。

“平台基因决定AI的‘原生口味’，算法机制决定信源筛选标准，问题场景决定具体调用哪类信源。”陈燕向徽声在线记者进一步解释，最新AI感知数据显示，4月13日至17日期间，豆包App的信源TOP2均为字节系产品（抖音97.7%、今日头条84.5%），而千问App和DeepSeek App的首要信源均为携程（引用率76%和64%）。

不同大模型的“解题思路”存在本质差异。陈燕指出：“目的地推荐类问题更依赖泛内容平台，因其拥有大量时效性强的热点话题，适合生成发散性建议；而攻略类问题需要准确的交通、住宿、路线等结构化数据，因此更依赖垂直平台。”

这种信源策略的差异带来利弊权衡。陈燕认为：“优先引用自身生态内容，可使AI输出风格与信源生态保持一致，既满足用户对内容调性的偏好，又降低跨平台理解门槛。但生态闭环也可能导致视角单一化，使用户接收的信息局限于特定生态的审美和商业逻辑。”

浙江省旅游景区协会数字化专委会副主任、杭州优数云旅CEO李洋在接受徽声在线采访时直言：“豆包在文旅领域形成了典型的闭环生态，其推荐信息虽能激发灵感但不够客观，用户仍需到其他平台交叉验证，决策链路并未实质缩短。千问在B端企业应用上优势明显，但在C端旅游决策所需的核心数据（兴趣、价格、口碑、事件）上存在短板，数据源不够丰富。”

超六成用户持谨慎态度：AI旅游推荐何时能赢得真心？

传统文旅行业曾遵循“搜索排名决定客流”的规则，各家通过SEO优化、竞价排名和广告位争夺流量。但AI的介入彻底改变了这一格局——用户更倾向于直接向大模型提问，甚至跳过小红书等攻略平台。

对文旅商家而言，吸引用户的逻辑已从争夺搜索引擎流量入口，转向争取成为AI高频引用信源。陈燕向徽声在线记者预测：“在旅游场景下，随着履约能力的深度耦合，OTA很可能成为预订和交易的最终出口。”她建议，豆包等平台应提供从“目的地推荐”到“行程规划+预订”的一站式服务。

尽管AI看似无所不知，但信息真实性仍是制约行业发展的关键痛点。《2026年上半年AI旅游应用趋势洞察报告》显示，仅15.2%的用户会完全信任AI推荐并直接下单，而66.2%的用户会在获取建议后，通过传统App进行二次核实。

李洋指出，信任鸿沟是当前最大障碍。“要缩短从灵感到下单的链路，需深入研究用户决策心理（如价格敏感度、兴趣偏好等），将多信息源对比提炼后，像人类助理一样提供‘结论+依据+建议’。只有精准描绘用户画像、揭示决策对比因子，才能真正帮助用户快速决策。”

未来，什么样的信源体系能让AI旅游推荐更可信？陈燕认为：“旅游涉及线下履约，‘事实数据’是用户的核心需求。因此，‘生态化信源’模式将成为主流，但不会唯一。这种模式能更好控制流量分发，实现广告或交易的内生化变现，满足商业闭环需求。同时，自有生态的数据结构统一，清洗成本低，质量可控，可提升AI回答的稳定性和响应速度。”