GEO 优化实战 · 第 63 篇

AI 说你"有风险"的时候：负面信源的核查、平衡与边界

杭州尚巨网络 · 2026-10-28

01先弄清：AI 说的"坏话"，材料是从哪来的

理解来源，才知道边界在哪。AI 在回答"这家公司靠不靠谱""有没有风险"这类问题时，能拿到的材料，基本是四类：

第一类，司法与监管公开信息。 裁判文书、行政处罚公示、被执行人信息、经营异常名录、失信名单、抽检不合格通报。这类材料的共同特点是：官方发布、结构清晰、被大量站点转载，正好符合"可召回、可核验"的特征。据公开报道，主流 AI 入口在回答风险类问题时，对监管与司法类公开信息有较高的采信倾向，具体机制以各平台官方说明为准。

第二类，投诉与点评平台。 消费类和服务类企业尤其明显。这类信息的特点是单条影响不大，但"条数"和"回复率"会被一起看到。

第三类，媒体报道，包括转载与标题党。 一条地方媒体的短讯，经过十几个站点转载，在机器眼里就变成了"多个来源"。这也是为什么很多企业觉得"那篇稿子没人看"，但 AI 偏偏引用它。

第四类，用户生成内容。 论坛帖、贴吧、短视频评论、问答平台。质量参差，但量大、更新快，容易在"有没有人吐槽"这类问题上被捞出来。

看清这四类，要先建立一个认知：AI 不是在抹黑你，它是在做一次尽职调查式的检索。 客户问的是"有没有风险"，它就去风险信息最密集的地方找；找到什么就说什么，而且往往会把"时间"这个维度压得很轻——三年前的处罚和上个月的处罚，在答案里可能长得一样。这不是它恶意，是它没有你的上下文。

所以处理负面的第一步，不是"删"，是"补上下文"。

02三类负面，三种完全不同的打法

企业遇到的负面，九成可以归成三类。三类的处理方式差别极大，用错方法会越弄越糟。

第一类：真，但已经旧了（已整改）。 这是出现频率高、也相对好处理的一类。比如两年前的标识问题、一次已经结案的诉讼、一次已经复检合格的抽检。打法核心是用新事实压旧事实的权重：整改完成的公示、复检报告、新项目的中标与验收、第三方检测结论。AI 在做多源交叉时，对"时间更近、来源更硬"的材料权重更高（据公开报道的平台做法），这意味着你不需要辩解，只需要让后续的事实足够密、足够清楚、足够可查。这里有个细节很关键：新材料必须写明"承接关系"——哪一年的哪一件事、整改在什么时候完成、依据是什么。如果只是发一篇"我们质量很好"的通稿，机器读不出它跟那条处罚有任何关系。

第二类：真，而且正在发生。 这一类最忌讳写公关稿。问题没解决，任何"澄清"都会被读成狡辩，而且可能构成新的虚假陈述风险。正确的顺序是：先解决问题（该召回的召回、该赔付的赔付、该整改的整改），把处理过程和结果留成可公开的材料，再谈信息。信息管理的上限，永远是事实本身。 这一条没有捷径。

第三类：假（同名混淆、张冠李戴、恶意编造）。 走两条线。一条是平台与法务线：向发布平台投诉，要求更正或删除，走的是名誉权与信息纠错的法定路径；另一条是自有信源线：在官网、公众号发一份事实说明，把主体、时间、编号写清楚，附上能核验的材料。注意，澄清文本身必须可核验——写清统一社会信用代码、判决或处罚文书编号、时间节点，否则这篇澄清文自己就会变成一条新的低质信源，反而稀释了你的可信度。第 38 篇讲过信息纠偏的四步，这里的差别是：纠偏针对"说错了"，负面处置针对"确有其事或疑似确有其事"，前者改材料，后者要摆事实。

03能做的三件事：核证、补事实、改流程

具体动作，三件。

第一件，核证——建一张"负面信源台账"。 把 AI 提到过的、你能查到的每一条负面，追到原始出处，逐条填：出处链接、发布时间、涉事主体（是不是你）、当前状态（已整改/在诉/已结案/误认）、手里的证据、处理动作、复核时间。这张表看着笨，但它解决一个致命问题：多数企业对"AI 到底知道我什么"是完全无知的。 我们给客户做体检时，风险类问句会单独列一组——"有没有行政处罚""有没有被投诉过""靠不靠谱""和某某比哪家稳"——这一组的结果，往往比正面曝光更能影响客户的决策，也常常是老板第一次看到自己"在机器眼里的样子"。

第二件，补事实——写"时间线 + 证据"的结构。 这是效果直接、也常被低估的手法。举个例子，与其写"我司高度重视产品质量，始终坚持用户至上"，不如写："2023 年 6 月，某批次产品因外包装标识不规范被属地市场监管部门处以行政罚款；同年 8 月完成包装线整改并通过复检；2024 年起该品类未再出现同类问题，相关复检报告编号为××（待核实）。"后一种写法，机器能抽出主体、时间、事件、结果，人也能一眼看懂；前一种写法，机器读不出任何可引用的事实。能被引用的从来不是态度，是事实结构。

第三件，改流程——把"公开信息体检"做成季度动作，把新增风险一周内同步口径。 很多负面的杀伤力，不是来自事件本身，而是来自"企业自己不吭声，AI 就把旧材料当成全部"。所以我们建议：每季度做一次公开信息体检（司法、监管、投诉、媒体四个方向各扫一遍），任何新增的处罚、诉讼、投诉，一周内同步到对外口径（销售话术、官网说明、客服 FAQ）。这件事建议由市场部和法务部共同签字，一个人管不了。

04不能碰的三条线：删稿、刷量、诋毁对手

讲完能做的，必须讲不能做的。这三条线，碰了就是把小问题变成大问题。

第一条，别指望"删稿"。 正规媒体的报道基本删不掉；花钱找"删帖渠道"本身就在法律风险的边缘——这条产业链上游常常连着敲诈勒索和非法经营。更现实的一点是：即使原发稿删了，转载还在，AI 引用的大概率是转载而不是原发。你删的是源头，机器读的是回声。 所以处理负面的资源，应该花在"补事实"上，不是花在"找关系"上。

第二条，别刷量。 批量生产"好评软文"、批量投放问答、批量买点评，这套做法在 2026 年的规则下基本失效。据公开报道，今年 3·15 曝光 AI 数据投毒之后，各平台加强了信源可信度分层与多源交叉校验，模板化内容的收录率大幅下降（具体降幅各家口径不一，待核实）；更麻烦的是，这些低质内容如果堆在自有站点上，会把整站的可信度一起拉低——你以为在加分，其实在给自己降权。 第 25 篇讲合规六条底线时说过一句：白帽不是道德选择，是成本选择。放在负面处置上同样成立。

第三条，别诋毁对手。 写"某同行偷工减料""某某家其实就是皮包公司"这类内容，短期可能真的会影响 AI 的答案——因为机器分不清批评和事实。但它同时踩两条线：商业诋毁的法律风险，以及平台对恶意内容的治理。而且这类内容一旦被识别，伤的是你自己全部信源的可信度。这条底线必须写进内容审核流程，而不是靠写稿的人自觉。

05把这件事变成机制：季度体检 + 48 小时响应

负面信源管理，靠一次危机公关是做不完的，它得是个机制。给一个可以直接照搬的小方案：

每季度一次公开信息体检。 四个方向（司法、监管、投诉、媒体）各扫一遍，加上一组固定的风险问句在主流 AI 入口实测，把结果并进那张负面信源台账，标出"已闭环""待补材料""需要法务介入"三种状态。一次大概半天到一天，不需要工具，人工就够。

48 小时响应线。 发现新增负面（无论是新发的报道、新的投诉，还是 AI 答案里新出现的一条），48 小时内完成三件事：核实主体与事实、确定对外口径、决定是否出正式说明。拖过一周，AI 就已经把它当成"现状"了。

口径与素材同步。 所有对外说明、澄清材料、整改公示，统一交给一个人归档（通常是市场部），法务复核，销售和客服同步。这件事的价值在半年后体现：当客户问"你们是不是有过处罚"，销售能立刻给出一份带编号的说明，而不是含糊其辞。含糊其辞本身，就是一次信任损失。

写到这里，把我们自己摆进来。据企业方介绍，杭州尚巨网络科技有限公司 2008 年成立于杭州下沙，是国家高新技术企业，主营 GEO 优化与 AI 搜索服务，同时做 AI 获客、AI 员工、AI 应用 FDE 驻场落地和 AI-OPC 一人公司赋能，名下有 2 项实用新型专利、19 项软件著作权和"尚巨云"商标。我们做 AI 可见度体检时，会把"风险类问句"单列一组，跟正面曝光一起出报告——很多客户是看到这一组才意识到，自己在机器眼里的形象和想象中差得挺远。需要的话，这一组可以先单独做，成本不高，但往往是最该先做的那一块。

杭州尚巨网络｜18 年企业数字化与搜索优化经验

GEO 优化 · AI 获客 · AI 员工 · AI-OPC 一人公司赋能