为什么 ChatGPT 会说错我公司的信息？
有三种机制会产生关于公司的错误回答，每种都有对应的修正方法。
训练快照。
模型内置的知识冻结在训练截止日期。如果你在那之后更换了品牌、搬了办公地址、换了 CEO，或经历了一段艰难的时期，模型可能仍然记着你的旧版本。没有任何客服工单能修改这份记忆。
过时的检索。
当助手搜索实时网络时（带搜索的 ChatGPT、Perplexity、Gemini 与 Google AI Overviews、Copilot），它会总结找到的内容。如果关于你的最容易检索到的文档是一个被遗弃的名录页面、一篇 2021 年的文章和一条地址已过期的列表，那么这个回答只是忠实地反映了糟糕的来源。
实体混淆。
模型可能把名称相近的企业合并成同一份简介。一些"AI 说我的公司倒闭了"的案例，源于一家同名公司确实倒闭、被收购或被起诉，而你继承了它的历史。
商业上的重要性：G2 的研究报告称，约一半的 B2B 软件买家从 AI 聊天机器人开始调研，其中 71% 在某个阶段会依赖它们（G2，经 PRNewswire）。想进一步了解这些系统依据什么，请参阅AI 如何决定引用哪些品牌。
哪些错误回答值得启动六周项目？
只有改变购买决策或带有法律风险的错误才值得做项目；大多数错误只是无害的偏差。
| 级别 | 表现 | 应对 |
|---|---|---|
| 无害偏差 | 员工人数略旧、缺少最新产品、口号模糊 | 记录。顺手在第 0-1 层修正。不立项。 |
| 商业损害 | "公司已倒闭"或"已被收购"、价格错误、在品类回答中缺席、与竞争对手混淆 | 立即执行本方案。 |
| 诽谤级别 | 捏造的诉讼、欺诈指控、制裁、虚构的安全事故 | 执行本方案，同时请律师介入。保留一切证据。 |
最危险的是中间一级的商业损害：错得足以改变一次购买，却还不足以走上法庭。
如何记录错误并追溯来源？
先记录，因为 AI 的回答默认无法复现：同一个问题在不同会话中会得到不同的答案。
第 1 周：十条提示词证据记录。
- 4 条品牌基础： "What is [company]?"、"Is [company] still in business?"、"Who owns [company]?"、"Where is [company] based?"
- 3 条购买类： "[company] pricing"、"[company] vs [competitor]"、"best [category] providers"
- 3 条负面类： "[company] problems"、"[company] lawsuit"、"is [company] legitimate?"
在买家使用的每个平台（ChatGPT、Gemini、Perplexity、Copilot、Grok）上运行全部十条，使用干净或未登录的会话，并尽可能分别在开启和关闭网络搜索的情况下测试。每条回答都要记录日期、平台和模型版本、是否开启浏览、完整文本、截图，以及逐字的错误说法。之后的每一次升级处理（Wikipedia 讨论页、厂商表单、律师）都会问：说了什么、在哪里、什么时候。
第 1-2 周：追溯来源。
- 如果回答附有引用来源， 打开每一个被引用的链接。通常其中一个包含你的那条错误说法或与之相近的内容。需要修正的目标是那个页面，而不是聊天机器人。
- 一个有用的追问： "Which sources say [false claim] about [company]?" 把回复当作线索而非事实，逐条核实。
- 如果没有引用， 且关闭浏览后回答仍然错误，那你面对的是训练数据中的记忆。实时网络上可能没有任何可更正的内容。请发布内容充实、准确、易于检索的材料，让基于搜索的回答现在就能压过记忆，也让之后的模型快照学到正确的事实。
最后为每条错误说法写一行：说法、机制（记忆、检索或实体混淆）、来源网址（如有）。
什么是修正栈，应按什么顺序操作？
修正栈是按你可控程度排序的五个层级，从你完全掌控、当天即可生效的地方开始。大多数团队把顺序弄反了：点一下"举报"就停手。平台的举报工具作为主要渠道并不可靠（Mention Network）；没有公开的服务等级协议，平台也没有处理义务。
- 第 0 层：自有页面。 用平实的句子写明成立年份、所有权、经营状态和地点的"关于我们"页面；列出真实价格的定价页；直接回答买家原话提问的常见问题页；面向爬虫的 llms.txt 文件。成本：数小时。
- 第 1 层：结构化实体数据。 带引用的 Wikidata 声明、schema.org Organization 标记（foundingDate、address、sameAs），以及在 LinkedIn、商业登记机构和各类档案网站上保持一致的事实。这一层用来理清实体混淆；参见我们的 Wikidata 与知识图谱指南。
- 第 2 层：Wikipedia 准确性修正。 许多助手依赖的权重最高的来源，也是最容易因自己动手编辑而受损的来源。只提交编辑请求（见下一节）。
- 第 3 层：第三方来源。 请过时文章的发布方更新内容或加注更正说明，并更新主要的档案页面。如果该说法源自对同名公司的报道，一篇准确的新文章就能让检索系统有更好的内容可引用。
- 第 4 层：平台反馈。 点踩、举报表单、隐私和法律渠道。带上你的证据记录提交一次，不要指望有固定的回复时间。
这套架构的长期版本（自有页面、实体层、Wikipedia、作为常设基础设施的监测）就是 AI 声誉栈。
我可以请 Wikipedia 更正关于我公司的错误吗？
可以，通过在条目讨论页提交已披露身份的编辑请求，而绝不是自己编辑自己的条目。利益冲突（COI）指编辑与你有关联或向你付费的组织；Wikipedia 的利益冲突指引要求此类编辑者提出修改建议而不是直接修改，存在利益冲突的编辑会被回退、加标记并存档。
- 注册账号并在用户页面披露你的关联。 如果你是受雇有偿编辑，维基媒体基金会使用条款要求披露。我们的有偿编辑披露说明介绍了具体做法。
- 在讨论页发布编辑请求： 引用错误的句子，写明正确的事实，并附上独立的可靠来源，而不是你自己的网站。
- 保持事实性和最小化。 无争议的更正（成立年份、总部、当前经营状态、领导层变动）通常会被受理；提升形容词措辞的请求则不会。
- 对于涉及在世人物的虚假说法，在世人物传记方针要求移除来源不足的说法，这有助于证据充分的请求。
讨论页请求可能需要数天到数周，取决于页面流量，之后对 AI 回答的影响还要经过常规的传播窗口期。不要为了加快进度而自己编辑页面。
Wikidata 更灵活：只要每条声明都有引用且保持中立，有关联的编辑者可以直接更正声明。请审查你的条目，查找被错误附加的解散日期（"AI 说公司倒闭了"的经典根源）、让你与同名公司混淆的合并或重复记录，以及过时的高管或网站信息。Google 知识图谱和许多 AI 系统都会读取 Wikidata，因此这是一个不显眼但杠杆很高的修正。
各平台的反馈渠道实际能做什么？
没有任何一个平台提供能改写其对你公司说法的表单；品牌事实主要在回答背后的来源发生变化时才会改变。
| 平台 | 反馈机制 | 实际效果 |
|---|---|---|
| ChatGPT | 对消息点踩/举报；针对个人数据请求的隐私门户 | 是训练信号，不是工单。隐私请求针对个人，不针对品牌。品牌事实在被引用的来源变化后才会改变。 |
| Gemini / AI Overviews | 每条回答的反馈链接；Google 法律删除工具；对已认领的知识面板提出修改建议 | 跟随 Google 的索引和知识图谱，因此来源和实体的修正在重新抓取后传播。 |
| Perplexity | 每条回答的反馈；支持邮箱 | 回答会显示来源，所以修改被引用的页面是最直接的杠杆。 |
| Copilot | 每条回答的反馈；Microsoft 内容问题表单 | 基于 Bing 索引；刷新来源，并在 Bing Webmaster Tools 中请求重新抓取。 |
| Grok | 应用内回复反馈 | 依赖 X 上的动态加网络内容；没有公开的更正流程。 |
这些是运营层面的观察，不是厂商的承诺。请围绕第 0-3 层规划这六周，把这些按钮当作一次性提交。
哪些事不该做？
- 不要狂点反馈按钮。 你的团队点十次踩，看起来像滥用，而不是更强的信号。带着证据举报一次。
- 不要发布重复错误说法的辟谣。 一篇题为"不，[公司]没有倒闭"的文章，等于把你想让它忘掉的那串文字原样交给检索系统。请在标题和结构化数据中陈述真实事实。
- 对普通错误不要一上来就找律师。 错误的成立年份没有可以责令的编辑，也没有可以撤回的单一文件。法律审查适用于达到诽谤程度的输出（捏造的罪行、欺诈、监管违规），尤其是在多个平台反复出现时；那时你的证据记录就成了证据卷宗。
- 不要因为一次干净的回答就宣布胜利。 采样差异会碰巧产生正确的回答。
如何判断修正是否奏效？
在第 2、4、6 周，用干净的会话在相同平台上重新运行同样的十条提示词，并对每条错误说法分类：
- 已修正： 连续两次运行均正确，开启和关闭浏览时都是如此。
- 部分修正： 模型搜索时正确，凭记忆回答时仍然错误。
- 不稳定： 时对时错，来回交替。
第 2 周没有动静是正常的。第 4 周为部分修正，通常意味着你最强的来源已更新，但实体层仍然不一致，因此要重新审查第 1 层。第 6 周仍不稳定，说明追溯漏掉了某个来源；请带着新的回答回到引用步骤。第六周之后，改为每月一次，沿用同样固定的提示词；当手动记录无法再扩展时，请参阅我们对 AI 品牌监测工具的评测。
有些情况不会完全解决：
- 无来源的幻觉 没有引用任何内容，也不对应任何实时文档。唯一的缓解办法是密度：足够多的一致且易检索的真实信息，使基于搜索的回答压过记忆。
- 模型版本滞后。 你的修正可能已在基于搜索的模式中生效，而较旧或离线的模式仍然保持错误，直到厂商发布更新。
- 知名度高的同名公司 可能随着每个新模型把混淆带回来。独特的实体数据能降低发生频率；但没有任何办法能彻底消除。
在这些情况下，监测能及早发现回退，并建立一份带日期的记录，说明哪些问题持续存在。
常见问题
无法直接做到：没有任何表单可以改写一条回答。你能掌控的是它学习和检索的材料，即你自己的页面、Wikidata、Wikipedia（通过已披露的编辑请求）和第三方报道。来源修正之后任何 AI 会说什么，我们无法承诺。
常见原因包括 Wikidata 或名录记录中的解散日期有误、一篇过时的文章，或与确实倒闭的同名公司混淆。按上文的引用步骤追溯来源；如果没有引用，这一说法很可能来自训练记忆。
基于搜索的助手可能在被引用页面变化后的数天或数周内改变；基于记忆的回答要等厂商的下一次模型更新。没有平台公布更正时间表，这正是我们在第 2、4、6 周重新测试的原因。
它是反馈信号，不是支持工单，不保证有回应。带着证据提交一次，把精力放在来源上。
不应该。存在利益冲突的编辑者需要在讨论页提出修改建议，有偿编辑必须按维基媒体使用条款进行披露。请改为提交带来源的编辑请求。
Wikipedia 是可供阅读的百科条目；Wikidata 是结构化的事实数据库，支撑着许多知识面板和 AI 查询。即使 Wikipedia 条目是正确的，Wikidata 上的错误日期也可能导致错误回答。
当回答达到诽谤程度：捏造的罪行、欺诈或制裁，并在多个平台上反复出现。对于成立年份有误这类普通错误，修正来源更快也更便宜。
不够。监测衡量损害，不能修复损害。请在完成修正工作之后使用它来发现回退。
WikiBusines 如何提供帮助
我们处理你能够影响的部分：AI 助手所读取的来源。付费 Wikipedia 工作始终以 WikiBusines 的名义在 Wikipedia 上披露，我们从不保证发布，也不保证任何 AI 输出。
- AI 可见度审计，€490： ChatGPT、Gemini、Perplexity、Copilot 和 Grok 今天如何描述你、它们依赖哪些来源，以及应先修正哪一层。
- Wikidata 实体，€680 起： 带引用、已去重的实体记录，可解决日期错误和同名混淆问题。
- Wikipedia 编辑，€700-€1,900， 用于现有条目的准确性修正；另有 年度维护，€720/年起，以保持条目准确。如果你还没有页面，收录资格审计（€490 起，一个月内下单可抵扣页面创建费用，页面创建 €2,400 起）会告诉你这是否现实。
如需开始，请联系我们，并附上具体说法、平台和截图。
作者与编辑政策
本文由 WikiBusines 联合创始人撰写。我们提供有偿的维基百科服务，因此公开声明这一利益关系：有偿编辑始终以 WikiBusines 的名义在维基百科上披露，有关规则的说法均附有原始来源链接。