客户在 AI 里问「本地做这行的哪家靠谱」，AI 认真答了三段，里面有你。你还没来得及高兴，客户就走了。因为 AI 顺带说了几句：你家主营的是另一块业务、你搬到隔壁城市去了、那条产品线你去年就停了。
全是错的。但客户信了，AI 说得那么笃定。
这就是错答的麻烦。AI 不提你，你只是没被看见，损失是零；AI 说错你，是它替你把客户劝走了，损失是负数。多数企业还在数「AI 提了我几次」，真正该数的是另一组数：AI 描述你的那些句子里，有多少句是错的。
一、你盯着排名，客户收到的是画像
一份 AI 回答摆在客户面前，他不会去验证。他默认这是模型读了大量资料后给的结论。
所以对企业来说，AI 里的自己有两种状态：一种是被漏掉，一种是被人讲错。前者是缺席，后者是顶着你名字的另一个版本在替你社交。偏偏企业做监测时习惯只测覆盖率，因为覆盖率好涨、也好写进汇报。错答率不好看，还不好改，于是没人测。
判断自己有没有这个风险，有个很土但管用的办法：把 AI 回答里描述你的句子单独摘出来（去掉你公司名那两个字），念给一个不认识你的朋友听，问一句「这说的是我们公司吗」。他皱眉的地方，就是 AI 说错你的地方。
二、AI 说错你，基本走这三条路
1. 版本滞后：AI 眼里的你是三年前的你
公司改过名、换过主营、搬过地址、砍过产品线，官网和媒体稿更新了，但旧版本的信息还在别的角落活着。AI 读到的语料里，旧版本的数量不比新版本少，它就会把旧的那版当默认答案。前面几期说过内容停更会让 AI 的认知定格，这一条是它的另一面：你没停更，但旧信息没清理，结果一样。
自查动作：把「公司现在做什么」写成一句话，然后问 AI 三次同一个问题，看它有没有主动提起你已经不做的业务。
2. 主体分裂：AI 把你认成了两家公司
简称、全称、老名字、带地名和不带地名的叫法混着用，AI 的实体归并极其保守，宁可当成两家，也不轻易合并。结果就是它给你的某一版本配了一堆错误标签：这家做工程，那家做咨询，两个都像你，两个都不完整。
自查动作：在 AI 里分别搜你的全称和常用简称，看它给的两个画像是不是同一个人。
3. 张冠李戴：同行的业务安到了你头上
同行名字和你只差一两个字，或者你们在同一个园区、同一个品类里被反复并列，AI 摘录时把两家的业务串了行。这类错误最难自己发现，因为你不会去搜同行的名字。
自查动作：问 AI「本地做 XX 的有哪几家」，看它对每一家的描述有没有错位。
三、为什么纠错比加内容难得多
加内容是你自己说了算的动作，纠错不是。三件事让纠错变成一个慢活。
第一，你的自述是证据链里最弱的一环。官网写「我们主营 XX」，这句话在 AI 眼里只是你的说法，不是事实。它要拿工商信息、地图标注、第三方媒体转述去交叉，四处对得上，置信度才抬起来。所以官网写得漂亮不够用：官网能提供的是参数、数据和时间线，自夸的形容词它一律丢在旁边。你写十遍「我们主营 XX」，不如让协会名录里出现一次你的全称加业务。
第二，模型对你的旧印象不删，只降权。你补了新内容之后，旧版本并不会消失，只是权重被压低。表现就是 AI 开始写「关于这家公司的业务范围，存在不同说法」。客户读到的感受不是「信息更新了」，是「这家自己都说不清」。
第三，修正的时间单位是月，不是天。一条错误信息进了语料，从新版本被广泛采信、到旧版本被压下去，跨模型一起看通常以月计。所以纠错这件事，越晚开始越贵。
四、顺序搞反了，钱就白花
给一个排序：错答 > 缺答 > 排名。
错答在丢单，是当下的出血点；缺答只是少了一个入口，客户还有别的方式找到你；排名是前两件事做完之后的副产品。反过来先追排名，等于给一个说错你名字的画像买曝光。我用过的最简单的自查清单是四步，十五分钟能做完：
- 从销售和客服那捡 10 个客户真问过的问题，不是行业关键词
- 豆包、DeepSeek、Kimi 各问一遍，把回答原样存下来
- 逐句圈错：业务、地名、时间、主体，四类各标一个颜色
- 算出错答率：有错的回答除以总回答数，记下来，这就是基线
基线出来之前，所有的效果讨论都是猜。这四步不是推演出来的，是光尘阁做监测时的固定动作：同一批问题在三个模型上各问一遍，回答原样存证，提问日期一起记下来，按月复测一次。口径必须写死，因为换一批问题、换一个时间点问，结论会跟着变。本文的判断来自这套公开可查的监测口径和公开信息梳理，涉及具体客户的数据不写进公开文章。
五、光尘阁的修法：把纠错当证据链工程
光尘阁做企业 AI 可见度这件事，判断标准一直没变：倾向于证据链更完整的那一版。落到纠错上，是三件具体的活。
一是收敛口径。公司名只用一个版本，业务描述只留一句话，工商信息、官网首屏、地图标注、对外稿件全部对齐。口径不一致的企业，是信息熵的受害者，AI 只能替它选一版，选哪版不由它。
二是配第三方转述。你自己发的稿是自述，别人提到你才是转述，转述有等级：行业协会会员名录、地方媒体报道、政府公示的示范名单，比通稿有用得多。这些都属于公开可查的信源，AI 采信时也更放心。关键事实至少配两处独立转述。
三是标注置信度。改完之后不要急着说「已经纠正了」，给自己记一个数：这条错误现在被 AI 重复的概率有多大。认知这件事的最高段位不是「我知道答案」，是「我知道证据指向哪里，同时接受它可能是错的」。
六、接下来只盯三个数
第一，错答率，每月测一次，同类问题看趋势。第二，修正周期，从你开始动手改，到 AI 的回答里旧版本不再出现，花了多少周。第三，跨模型一致度，同一个问题在三个模型里的描述是否还打架。
这三个数不需要买什么工具，只需要你愿意每个月老老实实问一遍、记一遍。AI 记住的你是哪一版，客户收到的就是哪一版。这件事上，没有中间状态。
附：一次真名实测，两个结果
写这篇之前，我拿自己体系里的两个名字各问了一遍模型，模型选 deepseek-chat，温度设成 0，避免每次答得不一样。时间：2026 年 9 月 20 日。
第一问：「光尘阁GEO 是做什么的？在哪个城市？」回答的原话是「我目前没有找到关于"光尘阁GEO"的可靠公开信息」，然后它猜了三种可能，其中一种把 GEO 当成了地理信息。这是缺答，还顺带把行当认错。
第二问：「钟祥市微生活网络科技有限公司的主营业务是什么？」这次回答热闹多了。它列了五条主营业务，每条前面都挂着「可能」：可能做本地生活服务、可能做广告营销、可能做小程序开发。列完补一句，具体经营范围请以工商登记信息为准。
同一个体系的两个名字，一个被漏掉，一个被猜出一整份业务清单。第二问那种回答才是真正麻烦的地方：客户看到的是一份读起来很像介绍自己的文字，里面没有一句是你说的，可他会当真。你拿自己的全称和简称各问一遍，五分钟就有结果。
让每个品牌，在AI搜索里有一席之地。
光尘阁 · 2026年9月
