AI 说错了你的公司
先看一个真实发生过的例子。
一家做企业培训的公司，销售在电话里开始听到一个新的反对意见：「ChatGPT 说你们 2015 年成立的，有五百多个客户。」这家公司 2019 年成立，八十个客户。
同一时期，另一个 AI 把它描述成「通过了 ISO 9001 培训交付认证」。这家公司从来没有申请过这个认证。有两家客户把这一条写进了供应商评估标准，然后在正式评估环节，这家公司没通过。
这两个错误花了几周才修完。修的过程里最值得说的是：三个错误，来自三个完全不同的地方，需要三种完全不同的动作。
先说一件不舒服的事
你改不了模型。
你现在发布的任何内容，都不会改变已经训练好的权重。你能改变的只有一件事：模型下一次训练时能读到的证据，以及在这之前每一次检索能抓到的内容。
这句话听起来像坏消息，其实它决定了后面所有的判断。因为它意味着：修错的可行性和时间，取决于这个错误是"读来的"还是"记着的"。
读来的，你可以改来源。记着的，你只能等。
四种错误，四种解法
把 AI 说错你的情况拆开，落在四类里。关键在最后一列：每一类的解法，对其他三类都是无效的。
| 错误类型 | 它是什么 | 该动什么 | 现实时间 |
|---|---|---|---|
| 检索错误 | AI 联网搜了，引用了一个真实存在但本身过时的页面 | 改那个页面本身，然后让它被重新抓取 | 几天到几周 |
| 训练数据错误 | AI 从记忆里回答，用的是训练截止前学到的 | 没有直接办法，只能等模型或数据更新 | 按模型更新周期 |
| 实体混淆 | AI 把你和一家名字相近的公司混在一起 | 做实体消歧：结构化标注、统一名称、明确区分 | 四类里最慢 |
| 引用冲突 | 旧版本和正确版本都在线上，都能被抓到 | 下线、改版或重定向那个旧页面 | 四类里最好处理 |
这张表是这篇文章最有用的一张。 因为大多数人的第一反应是"去改官网"，而改官网只对第一类和第四类有效。
那 61% 和 24%
有一组厂商统计给了分布。它在 2025 年 9 月到 2026 年 5 月之间追踪了 63 家 B2B 企业的 412 个已确认的品牌事实错误，分布是：
- 检索错误 61%
- 训练数据错误 24%
- 实体混淆 15%
需要说明这个数据的性质：它来自一家做 AI 可见性监测的厂商，错误确认方法没有公开，而它统计的问题正是它自己产品要解决的问题。 所以这个分布只能当方向性参考，不能当结论引用。
不过方向本身是有意义的，而且它和其他来源的观察一致：多数「AI 说错你」的情况，是 AI 忠实地引用了一个本身就错的页面。它没有编造。
它做的事是对的，它信的那个来源不值得信。
这也解释了一个很多人遇到过但说不清的现象：你更新了自己官网，AI 还是说错的。 因为错误的那份来源根本不在你官网上。它可能是一个 2023 年没人维护的收录站，一篇转发的旧新闻，一条企业信息平台的过期条目。
最常见的错误来源，是你自己
这句话值得单独一节。
一份来自 AI 可见性服务商的观察给出了一个很具体的事实：关于一家公司的过时说法，最常见的来源是这家公司自己归档的旧页面。 页面还在、还能被抓、还能被读到。
三类最容易犯的：
旧的价格页。 改过定价之后，旧页面没有下线，只是新页面上线了。两个版本都在，检索到哪个看运气。
旧的产品页。 停产的产品、改过名的服务、已经不做的人群，页面还挂着。
Web 快照。 一个已经被改掉的错误说法，在网页存档服务里还有旧版本，而旧版本仍在被读。前面那个培训公司的"2015 年成立"，源头就是一篇 2021 年由外包作者写的博客，正文后来改过，但存档里的原件还在。
修的做法是让那个错的页面本身消失，或者指向正确的地方。在旁边加一个新页面没有用。 加新页是最容易做、也最没用的那个动作。
一个反直觉的发现：品牌越大，越容易被编造
这一条和直觉相反，但它有数据。
一项针对 100 家 B2B 企业的研究统计了"编造引用"的比例：第一梯队品牌是 52.69%，第三梯队是 37.87%。 当提问带着监管、合规这类框架时，编造比例进一步升到 56.77%。
研究者的解释是：知名度过高会制造"更容易产生看似合理的错误续写"的表面。
也就是说，你做得越有名，AI 对你的错误描述可能越多。 原因是它对你「半了解」的地方更多了。而半了解，是最容易生成合理错误的状态。
这条对一种常见的自我安慰有直接反驳作用：有些公司觉得"我们品牌小，AI 应该不会乱说我们"。实际的方向是反的。小品牌的典型问题是根本没被提到，而不是被说错。
怎么判断你遇到的是哪一种
有一个很简单的判断法：看那次回答有没有给出引用来源。
有引用，且点进去那条来源本身就是错的。 这是检索错误。解法在来源上。
有引用，但那条来源讲的是另一家公司。 这是实体混淆。要去处理的是你的身份辨识度，而不是那条事实。
没有引用，或者引用一条打不开的链接，而内容像是"合理推断"出来的。 这是训练数据错误或者典型的编造。前面那个"ISO 9001 认证"就属于这一类：查不到任何来源，看起来是模型把这家公司官网上的质量管理措辞，推断成了一个它其实没持有的认证。
这个动作花不了几分钟，但它决定了后面几周该做什么。判断错了，你付出的是几周时间加上零效果。
三类动作，按效果排序
第一类，改被引用的那份来源。 如果是你自己的页面，改掉。如果是第三方的，联系对方更正。如果对方不回应，就把正确版本做得更显眼、更结构化。这一类见效最快。
第二类，做实体消歧。 如果你的品牌名和另一家公司相似，或者你们有自己的法定名称、交易名称、产品名称三种叫法，机器会分不清。处理方式是：在自己站上明确声明你的身份和关联的官方档案（工商登记、官方社媒、行业数据库），并且在正文里用一句自然语言把区别说出来。后面这个动作看起来笨，但它直接对应那句会把机器搞混的提问。
第三类，检查抓取权限。 有一组统计说，在 7% 的案例里，唯一的修复动作是解除了爬虫拦截。意思是内容早就改对了，但抓取方被 robots 规则挡住了，所以永远读不到。这一条花十分钟就能查完，属于投入产出比最高的检查。
多久能好
按类型给现实的时间预期：
| 类型 | 时间 | 原因 |
|---|---|---|
| 检索错误 | 几天到几周 | 等重新抓取和索引 |
| 引用冲突 | 几天到几周 | 同上，但你已经能控制来源 |
| 实体混淆 | 数周，四类里最慢 | 需要多处信号同时改，且要等它们被读到 |
| 训练数据错误 | 没有承诺 | 只在模型或数据更新时改变 |
对最后一类，一个必要的态度是：别承诺时间。 任何说"我们两周就能让 AI 改口"的说法，如果错误的来源是模型的记忆，那它做不到。
三个经常白费的动作
给 AI 直接发消息或者在对话里纠正它。 这一段对话结束，纠正就消失了。它不影响记忆，也不影响来源。
只在旁边加一个新页面。 旧页面还在，两者都能被检索到，结果是你制造了一个引用冲突，情况变得比原来更复杂。
把 llms.txt 当成解药。 这个文件本身是便宜的保险，但各抓取方对它的采用程度不一致。它可以作为附加动作，不能作为主方案。
我们处理这件事的方式
上面这些判断和动作，构成我们事实修复流程里的前半段。
顺序是固定的：先做三段归因，把错误分成检索不到、没抽取、不信任三种，定位问题在哪一环；然后针对那一环产出纠错稿，过质量门禁并经过人工终审之后才发出；最后用同题集复测并排对比，确认 AI 的引用是否真的改过来了。
两个细节和上面的判断直接对应。
第一，验收标准是 AI 引用到了正确的 URL。稿子发出去不算生效。 发出不等于生效，中间隔着抓取和索引。
第二，修不好就再跑一轮，工单不限次数。 这个承诺能成立，是因为我们把不可控的部分分开了：检索类的错误我们有能力推动，训练数据类的错误会如实告诉客户只能等。产品页上写的是「不保证 AI 排名与上榜」，同一件事。
如果你想先知道自己被说错了什么，可以先做一次免费体检：查看你的品牌在 AI 里被怎么描述，包括事实错误的具体位置。
常见问题
问：AI 说错了，是不是因为它讨厌我们？
不是。多数情况是它引用了一个错的来源，或者用记忆里的旧信息做了一个合理推断。这两种都不带情绪。
问：我给 OpenAI 或者字节反馈了，有用吗？
如果你遇到的是模型记忆里的错误，反馈是唯一能做的一件事，但它没有承诺时间。如果是检索错误，反馈不如直接去改那条被引用的来源。
问：我们公司名和另一家很像，一直被混，怎么办？
这一类要处理的是辨识度，不是那个具体的事实。三个动作：统一名称、在自己站上明确声明身份和官方档案、在正文里用一句话把两者的区别写出来。
问：修一次要多久，会反复吗？
检索类的问题通常几天到几周生效，但如果你只改了官网、没管第三方来源，它会反复。所以修完之后要把那几条常被引用的来源固定下来，按周看一次。
相关阅读
延伸阅读：你的官网内容，AI 根本不想引用：3 个常见问题与改法、AI 把你的品牌价格说错了，怎么改：一套可复测的事实修复流程、小红书笔记被限流：7 个可自查的方向，以及"玄学"为什么会流行。
三条交付线的额度与价格在定价页，基础版免费，可以先跑一次看结果。