AI 说错你的品牌信息？四步纠错手册

错比没有更贵：为什么错误结论是代价最高的缺口

AI 的回答总是带着一种笃定、不留余地的语气，像一位已经替你核实过的同事。可这份语气并没有配得上的底气。Tow Center for Digital Journalism 测试了八款 AI 搜索工具识别新闻片段出处的能力，结果这些工具整体上在超过 60% 的查询中给出了错误答案，其中 Perplexity 错误率为 37%，Grok 3 高达 94% —— 而且它们在答错时很少表现出任何不确定。

追溯新闻片段的出处，和总结一家供应商的信息，任务并不相同，但失效模式完全可以迁移：一个具体的、可核查的事实被流畅地、毫无保留地断言出来。对于正在用对比类提问做选型的买家来说，这和“做过调研”没有区别。

现实后果是：错误结论会滚雪球。各个助手在互相引用同一套生态 —— 一条过期的目录站信息喂给了某篇摘要，那篇摘要又被抓取，错误就获得了第二个看似独立的出处。早修远比等错误被三道中间环节“洗白”之后再修便宜得多。请把错误结论排在你AI 可见度待办队列的最前面，优先级高于浅层提及和缺失的对比场景。

• 第一步 —— 在跟它争论之前，先把这条结论钉死
• paragraphs [],

第一步 —— 在争论之前，先把这条结论钉死

含糊的反馈（“ChatGPT 说我们的价格不对”）既没法追溯也没法验证。像提 bug 一样记录它：完整的提问原文、助手与模型版本、是否开启了联网搜索或浏览、日期，以及包含全部引用的完整回答。截图保存，同时把文字复制下来，方便日后检索。

有两个条件很关键，却经常被跳过。第一，在关闭记忆和个性化的全新会话里重跑提问 —— 否则你读到的可能只是自己此前对话的回声，而不是模型对你的默认认知。第二，测试买家真实会用的问法，而不是你自己习惯的说法：“X 多少钱”“X 还在卖吗”“X 和 Y 哪个好”“X 和 Y 是同一家公司吗”。错误结论高度集中在带购买意图的提问里，因为这类提问要的就是具体细节。

然后给错误分类，因为修法不同。检索型错误是指助手引用了一个在线页面，而这个页面本身就是错的。参数型错误是指结论直接来自训练数据，没有任何引用。混淆型错误是指两个实体被合并了。大多数价格投诉属于检索型错误，大多数同名投诉属于混淆型错误。

第二步 —— 追引用，别追模型

直接问：“支持这个说法的来源是什么？”然后逐条打开 URL，核对它是否真的写了助手声称的内容。仅这一步就能定性绝大多数案例，并把它们拆成三种截然不同的修法。

如果来源真实存在、上面的信息确实已经过期，那你今天就能动手解决内容问题。如果来源真实且正确，只是助手读错了 —— 价格藏在图片里、脚注被当成主价格、旧版套餐被当成现行套餐 —— 那你面对的是清晰度和结构问题。如果压根没有来源，或者被引用的 URL 里根本没有这条内容，那你面对的是模型记忆或纯粹的杜撰，改一个页面解决不了。

有个前提值得知道：检索层是一次你能施加影响的实时抓取。OpenAI 在其爬虫文档中分别说明了用于训练和用于搜索回答的爬虫，Anthropic 公开了Claude 如何抓取网页内容，Perplexity 也公布了它的爬虫与 user agent 列表。这些爬虫今天能在你页面上读到什么，就是明天答案的原料。

第三步 —— 在源头修正，按撬动力排序

从自己的网站开始，因为这是唯一完全归你控制的来源。给每一条有争议的事实一个权威页面，用 HTML 文本明确写出来，并标注日期。你自己域名内部的自相矛盾，是 AI 出错的常见原因：一个旧活动落地页、一份 PDF 参数表、一篇帮助中心文章、一条更新日志，各报一个数字。模型无从判断你认可哪一个是最新的，只能自己挑 —— 而且常常挑错。

接着让这条事实变得机器可读。Product 和 Offer 结构化数据能让你无歧义地声明价格、币种和库存状态；Google 在其商品信息结构化数据指南中列出了必填和推荐字段，schema.org 也定义了包括Discontinued在内的可售状态取值。只存在于截图或前端组件里的价格，对大多数爬虫来说是隐形的。

然后是第三方数据集。Wikidata 和 Wikipedia 对实体如何被描述有着不成比例的影响力；如果你要在那里编辑，请遵守 Wikipedia 的利益冲突指引，在讨论页提交编辑请求，而不是自己直接改条目。同步更新你的 Google Business Profile，修正行业目录站和评测站上的厂商页面，并联系仍在报旧价的经销商与合作伙伴更新信息。

最后，主动邀请重新抓取。更新 sitemap 的 lastmod 值，并通过IndexNow推送发生变更的 URL —— Bing 支持该协议，而这一点很关键，因为 Copilot 的联网回答依赖 Bing 的索引。

最容易翻车的三类纠错

价格、停售产品和同名撞车，占据了我们见到的大部分有杀伤力的错误结论，而且各有一套固定的失效套路。

价格错误之所以顽固，是因为旧数字存在的地方比新数字多得多 —— 媒体报道、经销商页面、评测站的对比表格、你自己归档的旧页面。发布一个新价格并不会删掉那些旧的。修法是：让某一个价格页明确成为权威页并标注日期，用文本形式写出数字并配 Offer 结构化数据，然后逐一去追那三个仍在报旧价的头部第三方页面。

停售产品的翻车方向正好相反：团队把页面删了。404 意味着你连陈述事实的能力都放弃了，于是助手只能继续拿缓存的第三方描述和过期评测来作答。保留 URL 可访问，用纯文本标明状态和停售日期，在结构化数据中把可售状态标为已停售，并在同一页面写明继任产品。你想让助手说“该产品已于 2024 年停售，由 X 接替” —— 而这只有在一个可抓取的页面上白纸黑字写着时才会发生。

同名撞车是实体问题，不是内容问题。两家公司共用一个名字，只要知识图谱没把它们分开，就会被合并。全渠道统一使用同一个法定名称加品类描述词，把已验证的各平台主页作为 sameAs 标识互相交叉链接，保持 Wikidata 条目准确；如果这种混淆已经在让你丢单，就发布一句简短、客观的消歧说明，声明你与另一实体没有关联。

第四步 —— 验证答案是不是真的变了

没验证过的修复只是一个假设。在关闭记忆的全新会话中，跨所有出现过该错误的助手，重跑你记录的原始提问，并记下每个答案发生变化的日期。变体提问也要测 —— 助手经常在直接提问上改对了，而对比类提问里仍然带着那个旧数字。

要预料到时间线是不对称的。基于实时检索的答案可能在重新抓取后几天内变化。而已经烙进模型权重的说法，可能要等到模型更新才会改，所以让多个独立来源广泛佐证，胜过打磨一个完美页面。如果错误结论只在关闭联网时才出现，那你等的是训练数据，不是你的 CMS。

用多轮重跑中正确答案的占比来衡量，而不是靠一张截图，因为不同会话之间输出本就会波动。这正是Growli为客户自动化的循环 —— 同一批提问在 ChatGPT、Gemini、Claude、Perplexity、Copilot 和 Grok 上定期重跑，一旦已修正的错误结论卷土重来就发出告警；产品原理一页讲清了具体机制。

当答案就是不肯变

针对那条具体回答使用产品内的反馈入口 —— 各大助手都有点踩和举报路径，这也是唯一能把出问题的原文一并送达平台的渠道。保留你的 bug 日志；一份附带完整提问、日期和正确事实的举报，比一句笼统的抱怨可操作得多。

如果错误结论涉及可识别的自然人 —— 比如把某件事错误地归到某位创始人头上 —— 数据保护法可能直接适用。在欧盟，更正权覆盖不准确的个人数据，各家服务商也专门公布了隐私请求的提交路径。法律层面的升级请留给具有诽谤性或造成商业损害的内容，而不是用来纠正语气。

有一种做法务必避免：因为答案错了就去屏蔽 AI 爬虫。这只会把你的页面从检索层撤走，却不会删掉模型里已有的任何东西，结果是助手转而依赖你更管不着的第三方来源。让自己成为关于自己最清晰、最新鲜、最机器可读的来源，才是可持续的纠错方式。

FAQ