去年秋天，深圳一家做智能硬件的客户发给我们一张截图：某个AI助手在回答”这家公司的产品支持哪些协议”时，列出了三个协议，其中两个他们的产品从来不支持，还有一个是他们两年前砍掉的功能。客户的市场经理在微信上打了一串问号：”这算谁的责任？我们要不要发个声明？”
我们让她先别急，去查这条错误信息的来源。三天后查清楚了：某科技媒体2023年的一篇报道里提到了那个已被砍掉的功能，另一个错误来自某B2B目录站的过期产品参数表，第三个是模型在两个相似型号之间做了错误的属性合并。三条错误，三个不同的成因，三种不同的修法。
AI为什么会编错你的信息
把”AI幻觉”当成一个整体来焦虑是没用的，它至少分四类，处理方式完全不同。
| 错误类型 | 成因 | 典型表现 | 修复难度 |
|---|---|---|---|
| 过期信息残留 | 旧页面/旧报道仍在信源池，且新信息覆盖不足 | 已下架的产品、旧地址、旧价格、旧高管 | 低（周级） |
| 实体混淆 | 品牌名相似、母子关系未声明、缺唯一锚点 | 把A公司的资质安到B公司，把子品牌当独立公司 | 中（月级） |
| 属性合并错误 | 同品牌多个型号/多条产品线的参数被混合 | 把高端型号的参数说成入门款的 | 中（需要清晰的产品页结构） |
| 纯生成性编造 | 信源真空+模型的补全倾向 | 编造获奖记录、编造合作伙伴、编造成立时间 | 高（必须用真实信源填空） |
第四类最让人恼火，但也最好理解：当AI被问到一家它几乎没有信源的公司，它不会说”我不知道”，而是会按照这个行业的常见模式补出一个合理的答案。你所在的行业公司普遍成立于哪几年、普遍有哪些认证、普遍服务什么客户——它就照着这个”行业平均形象”给你捏了一个。
一个不太舒服但重要的推论：AI编造你的信息，本质上是在填补你留下的空白。信源越薄的品牌，被编造的概率越高；被编造的内容越具体（比如确切的认证编号），用户越容易信以为真。空白不是中性的，它会被填上你不认可的内容。
先做一件事：建立你的”黄金事实库”
不管错误属于哪一类，处理的第一步都是同一个——你得先有一份”标准答案”。我们管它叫黄金事实库（Golden Facts），一份20到40条的清单，写明品牌的所有关键事实：
# 黄金事实库条目示例（节选）
F01 法定全称 XX科技（深圳）有限公司
F02 品牌名规范 中文名/英文名/常用简称（三者优先级）
F03 成立时间 2016年3月（以营业执照为准）
F04 注册地/办公地 深圳市南山区XX路XX号（旧址：2016-2021宝安区）
F05 主营业务 一句话定位（禁止各渠道自行改写）
F06 产品线 现行3条线：A系列/B系列/C服务
[已停产] X系列（2023年停产，仍需保留说明页）
F07 核心资质 ISO9001（证书号/有效期）、高新技术企业（年份）
F08 关键人物 创始人姓名+规范头衔（禁用"著名""顶级"）
F09 服务规模 客户数/覆盖城市（口径：截至2026年6月）
F10 价格口径 对外报价区间（哪个页面是唯一现行版本）
# 每条事实标注：来源凭证、最后核验日期、负责人这份东西听起来很基础，但我们做诊断时让客户当场填，能完整填出来的不到两成。多数公司的问题不是不知道自己的事实，而是不同部门说的不一样——市场部说成立于2016年，官网页脚写2015年，百科词条申报时填的是2017年（拿的是另一个主体的执照）。
四类错误的处理手册
过期信息：新信源压制+旧信源清理
两手都要做。清理是指把能控制的旧页面下线或301到新版（自己的官网、自己的公众号菜单、能沟通的目录站）；压制是指发布带明确时间戳的新内容，密度要足够——因为AI在多个信源冲突时，会倾向采信”更新、更多、更权威”的一方。
这里有个细节容易忽略：已停产的产品线不要直接删页面。删了之后，AI遇到旧报道里的产品名，就只能靠猜。保留一个”该产品已于X年停产，现行替代方案是Y”的页面，反而是最有用的信源。上海一家工业设备企业就是这么做的，停产型号的问询准确率两个月内从三成回到九成。
实体混淆：加锚点，不是加解释
混淆的解法不是写一篇文章说”我们不是那家公司”，而是在结构化层面建立唯一性：Organization Schema的完整属性、百科词条、sameAs互链（官网↔百科↔地图↔社媒形成闭环）、全渠道名称口径统一。撞名的情况下，还要在名称后加限定语（法定全称、注册地）。
属性合并：把产品页结构做清楚
型号参数被混着说，多数是因为官网的产品信息本身就是一团——一个页面上列了五个型号，参数用图片呈现，或者干脆只写”详情请咨询”。修法是每型号独立URL、参数用HTML表格、明确标注适用条件。这件事同时解决了AI误读和用户看不懂两个问题。
纯编造：用真实信源把空白填掉
这类最难，因为要对抗模型的补全倾向。有效的做法是提高信源密度到某个临界点：当关于你的可验证信息足够多、足够一致时，模型的补全空间就被挤掉了。经验上，官网核心页+百科词条+三个以上第三方目录+若干篇署名内容，是压住编造的最低配置。
什么情况下需要”公开发声”
回到开头那位客户的问题：要不要发声明？我们的判断框架是这样的：
| 情形 | 建议动作 | 理由 |
|---|---|---|
| 错误信息无伤大雅（如成立时间差一年） | 只修信源，不发声 | 声明反而放大错误信息的传播 |
| 错误涉及产品能力/参数 | 官网发布权威产品说明页+FAQ，可发一篇技术澄清文 | 给AI一个可引用的高权重正确信源 |
| 错误涉及资质、合规、财务 | 正式声明+法务介入+主动联系信源方 | 已构成商誉与合规风险 |
| 错误信息被AI高频转述（监测发现） | 信源修正+48小时内跟踪，必要时声明 | 高频转述意味着正在影响客户决策 |
深圳那家客户最后走的是第二条：上线了一个完整的产品能力说明页（支持协议逐项列明，含”不支持”的项），配合公众号一篇技术解读。六周后复测，那个问题的回答准确率回到100%，而且AI开始主动引用他们的说明页作为来源。他们没有发过一句”辟谣”，错误信息自己就消失了。
把纠错变成常态：监测的三个必查项
错误信息不是修一次就完事的，模型更新、信源变动、竞品动作都可能让旧错误复活。我们的周度监测里，有三项是专门盯这个的：
- 事实探测题：10条固定的”介绍你们公司”类问题，抽取答案中的事实三元组，与黄金事实库逐条比对，输出准确率。
- 新增错误告警：本周首次出现的错误表述单独列出——这类往往对应某个新信源刚被收录，趁它权重还不高时处理最省力。
- 混淆对象追踪：AI把你的信息和谁搞混了，这个名单的变化能反映实体锚定工作的成效。
# 事实探测的评分口径（可直接用）
每条探测题的答案 → 抽取事实条目 → 与黄金事实库比对
计分：正确=1，错误=0，含糊回避=0.5（如"具体信息建议查询官网"）
实体识别率 = 正确识别为独立实体的次数 / 总次数
属性准确率 = 正确事实条目 / 总抽取条目
告警阈值：属性准确率 < 90% 或出现新的混淆对象错误信息的分级响应表
| 错误等级 | 判定标准 | 响应时效 | 处理动作 |
|---|---|---|---|
| P0 致命 | 涉及资质、合规、财务、安全的错误 | 24小时 | 信源修正+必要时正式声明+法务介入 |
| P1 重要 | 核心业务、价格、产品能力的错误 | 72小时 | 更新权威页面+高密度新信源覆盖 |
| P2 一般 | 成立时间、地址、人物头衔的偏差 | 一周 | 黄金事实库对齐+全渠道同步 |
| P3 轻微 | 表述含糊、定位不精确 | 月度 | 纳入常规内容迭代 |
| 错误来源 | 识别方法 | 根治手段 |
|---|---|---|
| 自有信源（官网/公众号） | 直接核对 | 更新+旧版301 |
| 第三方目录/黄页 | 溯源引用链接 | 逐站提交更新或申诉 |
| 过期媒体报道 | 查报道时间 | 新报道覆盖+时间线叙事 |
| UGC（评价/问答） | 查发帖时间 | 正面信源稀释，不对抗 |
| 模型预训练记忆 | 多引擎复现且无实时信源 | 持续新信源压制（季度级） |
处理AI错误信息最大的误区是”找AI平台投诉”。平台投诉是辅助手段，真正的解法永远在信源侧——你改不了模型的记忆，但你能改变它每一次检索时读到的东西。把力气花在溯源和信源修正上，比花在投诉上有效十倍。
实体混淆的预防性配置
| 混淆诱因 | 预防配置 | 检查频率 |
|---|---|---|
| 品牌名撞名/近似名 | 全渠道使用”全称+限定语”，alternateName收编变体 | 季度 |
| 母子公司层级模糊 | parentOrganization/subOrganization声明+各自独立锚点页 | 架构变更时 |
| 更名/迁址历史残留 | 沿革声明页+旧信息源主动更新 | 变更时即时 |
| 多产品线实体混杂 | 每产品线独立页面+清晰的从属标记 | 季度 |
| 同名人物干扰 | Person页含完整履历锚定（教育/任职/作品） | 年度 |
常见问题
Q1：能不能要求AI公司删掉关于我们的错误信息？
各家的通道和响应速度差别很大，且通常只能处理”明显侵权或违法”的内容，对于事实性偏差，多数平台的答复是”模型会在后续更新中改进”。所以现实中可靠的路径还是修信源——你改不了模型，但你能改变模型读到的东西。涉及重大商誉损害时，法务函件配合平台通道可以加快处理。
Q2：错误信息会不会被用户当成我们的责任？
会，而且这是最现实的风险。用户不知道AI答案是模型生成的，他只知道”我问了AI，AI说你们不支持某功能”，然后就去找别家了。这也是为什么我们把表述准确率列为GEO的核心质量指标——它的商业含义不是”AI说得对不对”，而是”有多少客户被错误信息劝退了”。
Q3：小公司没有百科词条，怎么建立实体锚点？
百科是加分项不是必需项。最低配置的锚点组合是：官网Organization Schema（含法定全称、地址、成立时间）+ 三大地图商户 + 工商信息平台的一致性 + 一个持续更新的官方公众号。这四样对齐之后，多数中文引擎的实体识别率就能到八成以上。百科可以等到有足够第三方报道时再申报，成功率高得多。
Q4：怎么发现AI在编造我们的信息？
两个办法并行。主动查：每月用10条标准探测题在四到六个引擎上问一遍，人工比对（小公司手工足够）；被动查：让销售和客服在客户沟通中留意”客户提到但你们没有的东西”，登记表加一个字段。后者往往更早发现问题——北京一家客户就是销售反馈”客户问起我们的欧洲认证”，才发现AI在给它们编资质证书。
Q5：见山GEO在这方面提供什么？
黄金事实库梳理、四类错误的溯源与修复、周度事实探测监测（含新增错误告警），这些包含在知山（语义深耕）和推山（持续优化）两个模块里，也可以单独买一个”品牌信息准确性体检”的一次性服务。武汉总部（湖北省武汉市武昌区）可面谈，全国远程交付，电话 13632957375，邮箱 ddof@qq.com。