AI 也会“胡说”:工厂怎么管理自己的 AI 信息?

假设一位海外买家在 AI 里问：“这家中国工厂能不能做我们的供应商？”

AI 很快给出一段完整介绍：成立时间、主营产品、认证、出口市场，还附上几个链接。买家看完，可能继续询价，也可能直接把这家公司从候选名单里划掉。

但如果介绍里有几处错误呢？

比如，把你们过去代理的产品写成自主生产，把某个型号的检测结果扩大到整个产品线，把早年的起订量当作现在的合作门槛。

（以上是用于说明问题的假设场景，并非某家企业的实测记录。）它提醒我们：管理 AI 信息，需要同时关注有没有被看见，以及被看见时说得对不对。

对外贸工厂来说，AI 信息错误最终会落到具体业务上：合适的客户因错误信息放弃询盘，不合适的客户带着错误预期来询价，销售则要花时间解释那些企业从未作出的承诺。

这也给 GEO 提出了一个更完整的任务：让企业的身份、能力和合作条件，有准确、清楚、可核验的公开依据。

— 01 —

先把“AI 胡说”拆开，才能知道应该改哪里

语言模型可以生成语气肯定、实际错误的陈述。OpenAI 在关于幻觉的研究说明中指出，训练和评估中鼓励猜测、没有充分奖励承认不确定性，是这类问题持续存在的原因之一。（来源：OpenAI《Why language models hallucinate》，点击文末“阅读原文”查看）

不过，企业排查时，不能把所有错误都归为模型“凭空编造”。至少有五类情况值得分别处理：

▲ 建议收藏这张表：下次看到 AI 说错，先对照定位错误类型

同一句错误答案，也可能同时涉及几类问题。因此，看到一段回答，通常还不能断言错误是怎样产生的。

例如，AI 说你们有某项认证。可能是模型补全，也可能是经销商页面写错，或者证书确实存在，但持有人、型号、有效期没有对上。

处理方法显然不同。来源错了，要推动来源更正；范围被扩大，要把适用边界写清楚；没有依据，则需要补充可核验的信息，并保留平台反馈记录。

“所有产品都能快速交付”“任何规格都可以定制”“服务过某国际大客户”，听起来像免费的宣传。如果这些内容不真实，采购进入验证阶段后，就可能变成信任问题。

所以，信息管理的标准必须包含两面：遗漏优势要补，夸大能力也要纠正。真实存在的不利记录，应如实说明时间、对象与后续处理，不能简单当成需要消除的“负面信息”。

工厂能直接管理的，是自己的事实和公开资料

这里要分清两个对象：企业自建的官网客服机器人，可以调整知识库、权限和回答规则；海外买家使用的公共 AI 平台，企业通常无法直接修改其底层知识或指定统一答案。

在一次对话里告诉 AI“你说错了”，最多能验证这次对话中的修正，不能据此认定其他用户以后也会得到正确答案。

同样，上传一份公司介绍、上线一个新页面，都不能证明相关信息已经进入所有平台的后续回答。

更可行的做法，是建立一套持续维护的企业事实底稿，再把适合公开的部分落实到买家和搜索系统能够访问的页面上。

这份底稿不必复杂，一张共享表就能开始。关键是每条事实都有依据和负责人。

▲ 「GEO 工具箱」栏目配套资产：企业事实底稿模板（5 类信息 × 5 类确认人）

每条记录再补上：证据在哪里、何时生效、何时复核、能否公开、已经发布到哪些渠道。

例如，“月产能十万件”要说明是设计产能、实际产量，还是某个产品组合下的测算；“服务某知名品牌”要分清直接供货、通过中间商参与，还是仅做过样品。

这些细节决定了企业是否有资格作出那句公开陈述。

证据还要与主张相匹配。联系方式可以由企业确认，产品参数需要对应规格和测试条件，资质状态则应核对原始文件及可用的签发机构查询记录。官网适合解释和汇总这些信息，但企业自己写一句“已获得”，不能替代相应凭证。

同一篇宣传稿被十个网站转载，也不能算十份独立验证。多渠道发布可以方便买家找到信息，证据的可信程度仍取决于原始依据。未经核实的 AI 文案如果直接进入官网，再被其他渠道引用，还可能让最初的错误获得表面上的“来源”。这是企业发布流程需要防范的风险。

内部事实底稿可以保存完整材料，公开页面只发布经过授权的内容。客户名单、价格底线、未公开项目和完整合同，不应为了让 AI“更了解你”而一并公开。

把事实写进网站时，最值得改进的是信息的完整程度

很多企业已经有资料，问题在于资料分散：产品页有参数，下载中心有证书，旧新闻有产能，销售目录里又是另一套交期。一个采购问题需要拼接好几份文件才能回答，而且它们未必属于同一时期。

建议先为重要事实确定一个主要维护页面，再让其他位置引用它。产品能力由对应产品页说明，资质由资质页解释适用范围，企业身份由公司介绍页讲清楚。

网站文案可以按这样的结构检查：

以交期为例，“快速交付”几乎没有可验证的信息。下面这段假设性写法就清楚得多：

实际发布时，数字必须由企业确认。这里要借鉴的是表达结构。

一个实用检查方法是：如果买家只看到这一段，他会不会误以为它适用于所有型号、所有订单、所有时间？

如果会，就把限定条件放回这一段。不能只在网页最底部写一句“具体以实际为准”，而在正文中留下过度宽泛的承诺。

英文版本也要单独核对。中文写“可评估定制”，英文不能变成“支持全部定制”；中文写“某型号完成检测”，英文也不能扩大为“全线产品获得认证”。

技术层面，先保证关键页面可访问、重要事实有文本说明、结构化数据与页面可见内容一致。Google 明确说明，其 AI Overviews 和 AI Mode 沿用基础 SEO 要求，不需要专门的 AI 文本文件或特殊结构化标记，也不保证满足要求后一定收录或展示。（来源：Google Search Central《AI features and your website》）

公司名称容易混淆时，可以配置准确的 Organization 结构化数据。Google 将其作用之一说明为帮助理解企业信息、区分不同组织。这个作用有明确边界，不能据此承诺“加完代码，所有 AI 就会认识你”。（来源：Google Search Central《Organization structured data》）

对企业来说，判断一个技术动作是否值得做，首先看它能否改善事实的表达、识别和访问，再通过监测观察实际变化。

发现 AI 说错后，把错误当成一个可以追踪的问题

建议按下面五步执行：

① 保存原始记录。留下问题原文、完整回答、日期、平台、可见的模型或模式、语言、地区设置、联网情况及引用链接。截图用于留证，完整文字用于逐条核查。

② 定位具体错误。写清楚是哪句话、错在哪里、正确事实是什么、证据由谁确认。不要只记录“介绍不准确”。

③ 检查引用和候选来源。有链接就打开原文，核对主体、时间与适用范围；没有链接可以搜索排查，但应把找到的页面记为“可能来源”，不能直接认定它导致了这次回答。

④ 推动更正并记录。自有页面直接修正；第三方页面向发布方提交证据；平台提供反馈入口时，提交具体错误与依据。同时检查产品目录、社媒介绍和经销商资料是否还留着旧版本。

⑤ 在新会话中复测。保留原问题和测试条件，另测相近问法，观察错误是否仍出现，以及引用页面有没有变化。

核查链接时尤其需要谨慎。Gemini 的官方说明区分了来源与相关内容，回答中的链接可能只是与部分内容相关。因此，“附有链接”本身不足以证明某个认证、参数或客户关系成立，仍需逐项比对原文。（来源：Gemini 帮助《View related sources from Gemini Apps》）

如果答案涉及错误联系方式、付款对象、型号资质或可能误导选型的参数，应优先核实处理；一般介绍性遗漏可以安排在后续更新中。处理顺序应由业务影响决定。

旧信息也不宜一律删除。搬迁、停产、品牌更名等历史，可以保留清楚的时间说明和当前页面入口。否则，其他渠道仍引用旧资料时，买家反而找不到解释。

一次更正至少有三个不同状态：原始页面已经改好，搜索系统是否获取了新版本，AI 在本次复测中是否准确回答。三者要分别记录，不能用“官网已修改”代替“AI 已全面纠正”。

监测时，只问“AI 知不知道我”，得到的信息太少

对外贸工厂，更有价值的测试应覆盖三种采购行为：

核实身份：这家公司和这个品牌是什么关系？官网是什么？生产主体是谁？

核实能力：某型号能否满足指定条件？某项资质覆盖哪些产品？哪些能力还需要工程确认？

寻找供应商：在明确产品、应用、目标市场和订单要求后，AI 是否提到你，以及推荐理由是否准确？

带品牌名的问题用于检查“介绍得对不对”；不带品牌名的问题用于观察“采购场景里能否出现”。两组结果应分开统计。

例如，只问“介绍一下某某工厂”，即使每次都得到回答，也不能证明海外买家在寻找供应商时会遇到它。

小团队可以先建立 12 个核心问题，在 ChatGPT、Gemini、Google AI Overview 分别测试，再在不同时间复测。这是便于起步的工作量建议，不代表统计上充分，也不是平台规定的标准样本量。针对海外买家，应优先使用目标市场实际使用的语言和采购表述。

测试时使用新会话，尽量固定可记录的条件，不要先把正确介绍贴给 AI，再把它的复述算成品牌表现。若想测试“提供资料后能否理解正确”，可以另外建立一组，标明这是资料理解测试。

Google AI Overview 未触发时，应单独记录“未触发”；不能把它写成“AI 没有推荐这家工厂”。各平台结果也应分别保留，不能混成一个看似精确的“AI 信任分”。

对回答中的具体事实，建议分为“核验正确”“核验错误”“证据不足”三类。找不到证据，并不自动等于事实为假；AI 没有提到一项能力，也不等于否定这项能力。

这样记录，才能避免监测报告本身制造新的误导。

衡量成果，需要同时看信息质量与采购机会

可以从四项记录开始：

事实正确比例：在抽取核查的事实陈述中，有多少得到证据支持；同时报告错误和证据不足的数量。

采购问题覆盖：在固定的不带品牌名问题中，有多少次提及企业；另外标明推荐理由是否准确。

重要错误复现：联系方式、资质、关键参数等错误，在后续测试中是否再次出现。

纠错进度：哪些源页面已更新、哪些第三方尚未更正、哪些问题仍待复测。

这些数字必须附带平台、日期、样本量和统计口径。它们用于观察固定样本中的变化，不能直接当作所有海外买家看到的结果，更不能据此推算询盘或订单。

一个值得保留的判断是：当没有足够证据时，AI 回答“需要向供应商确认”，可能比给出漂亮而错误的结论更有价值。

因此，企业也不必把“每个问题都必须出现肯定答案”设为目标。合理的不确定性，可以把采购带回正确的验证流程。

这项工作最终需要明确负责人。运营负责维护页面、监测和留档，工程人员确认产品能力，质量人员核对资质，销售确认商务条件。小公司可以一人兼任多个角色，但每类事实都应有人确认。

不必一开始就采购复杂系统。先把最影响成交的十条事实整理清楚，把散落在官网、目录和第三方渠道的冲突信息找出来，再建立固定复核时间。产品发布、证书状态变化、搬迁、品牌调整等事件发生时，立即触发更新。

把这件事放进企业日常资料管理中，它才不会在一次“AI 可见度检测”之后结束。

下一次打开 AI 查询自己的工厂时，可以追问：

当买家带着 AI 的介绍来核实时，你的产品页、资质材料和销售回复能够相互印证，这次被看见才更有机会转化为信任。