AI搜索负面信息
依法处置专项服务

一、先看清AI在说什么

修之前先诊断，不同AI平台的语料来源和权重逻辑不一样。

诊断方法：

• 用真实用户会问的问法提问：这款XX怎么样、XX质量靠谱吗、XX和竞品比哪个好
• 记录每个平台的答复原文，标注哪些是事实错误、哪些是过时信息、哪些是真实问题
• 反查引用来源，看AI参考了哪些页面
• 对比竞品的答复，看差距在哪里

诊断结果通常分三类：事实错误（如把参数写错、把旧型号问题套到新型号）、信息过时（如引用了几年前的旧闻）、真实问题（如确实存在的投诉）。三类问题的处理方式完全不同，第一类靠事实页纠正，第二类靠时效内容更新，第三类只能靠解决问题。

二、结构化事实页

事实页是语料修正的基础工程。

建设要点：

• 一型号一页，页面标题直接是型号名，不要用营销化标题
• 参数表结构化呈现，用表格而非图片，便于抓取
• 把常见质疑与对应事实写在同一页，形成问答结构
• 标注更新日期与数据来源，提高可信度权重

这类页面的作用不是给人看，是给机器读。所以不要用图片承载关键信息，不要用JS动态渲染参数，不要在正文里堆营销话术。结构清晰、事实明确、来源可查，是三个基本要求。

事实页要能回答“这个型号的X参数是多少”“这个型号有没有Y问题”这类具体问题。笼统的品牌介绍页对语料修正几乎没有作用。

三、权威语料与媒体引用

生成式引擎对来源的权威性有权重差异，行业媒体、检测机构、学术期刊的内容权重高于企业自述。

可做的动作：

• 把检测报告做成可公开引用的页面，含机构、编号、结论
• 争取行业垂直媒体的产品评测与技术解读报道
• 参与行业标准讨论、技术论坛，形成可引用的专业内容
• 技术负责人以专家身份输出方法论文章，建立可引用的人格化信源

这里的关键是“可引用”。内容是给媒体和AI做素材的，所以要提供完整的数据、明确的结论、规范的引用格式，而不是一篇软文。

问答型内容覆盖同样重要。用户问AI的问题往往是口语化的，比如“XX牌子的空调噪音大吗”，需要有对应的内容正面回答这个问题。这类内容适合放在问答平台与自有站点的FAQ区。

四、见效判断与长期维护

语料修正不是即时生效的，需要合理预期。

周期判断：

• 新内容被索引：通常2至4周
• 答复出现变化：通常2至3个月，取决于内容密度与平台更新频率
• 稳定占据主导：通常需要持续6个月以上的内容投入

判断是否见效，不能只看一次提问。要固定一组问题、固定周期重复测试，看答复的稳定性与引用来源的变化。单次结果的偶然性很大。

长期维护的重点是持续性和一致性。语料是动态的，新的负面内容会不断进入，正向内容必须保持同步更新，否则权重会被稀释。这项工作没有一次性完成的可能。

合规声明：本文为行业观察与服务参考，不构成具体法律意见或服务承诺；文中第三方数据引自公开渠道，具体以原始发布为准；我方运营数据为内部统计口径；具体服务内容与费用根据事件难度评估后报价。

一、为什么会反复

二、两种应对模式

第一种是一次性处置：针对当前问题集做一轮优化，把可改的源改掉、把可铺的语料铺上。适合短期事件，比如一次集中抹黑、一个新品的舆论窗口。做完之后如果不管，三到六个月后大概率需要重做，这是这个模式的固有属性，不是执行不到位。

第二种是年度维护：把监测和补语料变成常规动作。每月跑一次固定问题集，发现新出现的负面表述就溯源处理，同时持续在权威源上补充新的事实性内容。这种模式下，问题不会积累到爆发才处理，整体成本也更可控。

三、成本上的现实

四、最容易被忽略的动作

维护动作里最容易被忽略的是新增事实的持续补充。企业每个月都在发生新的事情：新签约、新资质、新数据、新案例。这些如果没被写进可被检索的源，AI 对企业的描述就会停留在旧版本。所以补语料不是一次性工程，是跟着企业经营节奏走的常规动作。

天峰律政的年度顾问方案把 AI 场景监测作为固定项，每月出一次回答现状记录。这份记录本身也有独立价值：它是企业了解自己在 AI 里形象的最直接材料，很多客户是从这份记录里第一次看清 AI 到底怎么描述自己。有了基线，判断“有没有反复”才有依据，而不是靠印象。

合规声明：本文所述案例已做脱敏处理，不含可识别的客户名称、地区、机构及个人信息；所述处置思路为通用方法参考，不构成具体个案的法律意见或结果承诺；文中周期与结果为个案历史情况，实际效果因平台、事件性质与处置时机不同存在差异；具体服务内容与费用根据事件难度评估后报价。

一、三个核心指标

提及率：在固定问题集里，有多少比例的问题，AI 的回答中提到了品牌。这是基础指标，先解决“提不提”。

正负倾向：提到品牌时，表述是中性、正面还是负面。这是质量指标，解决“说得对不对”。

引用源构成：AI 引用了哪些来源，其中自有权威源占比多少。这是稳定性指标，解决“能不能持续”。

三个指标的观察顺序不能乱。提及率没有提升，谈倾向没有意义；倾向改善了但引用源还是那些，说明改善可能是随机的；引用源结构变化了，改善才具备持续性。很多验收争议的根源，是直接跳到第二个指标，用单次回答的倾向判断整体效果。

二、测试方法要固定下来

问题集固定、平台固定、每个问题问三次、记录完整回答。三个“固定”缺一个，前后数据就不可比。测试时间也要固定，比如每月固定某一周的周一，避免模型版本更新带来的波动被误判成效果变化。

问题集的设计要有层次。第一层是品牌词直接询问，看基础信息是否准确；第二层是品类词询问，看是否被列入推荐；第三层是问题场景询问，看是否在具体需求下被提及；第四层是对比型询问，看与其他选项的相对位置。四层各取若干问题，总数控制在可重复执行的范围内。

记录要完整。只记录结论不够，还要记录完整回答、引用来源、提问时间、使用的平台与账号。完整记录的价值在于可以复核：当某次数据异常时，能回到原始回答判断是真实变化还是随机波动。

还要提醒一点：不要把单次搜索结果当成结论。同一时间、同一问题，用不同账号、不同设备问，答案可能不同。这不是 AI 出了故障，是生成式系统的正常特性。所以验收一定要用固定账号、固定问题集、固定轮次，把变量控制住，否则数据没法用来判断投入是否值得。

三、多久看一次

月度足够。周度看没有意义，语料索引和模型更新都不是按周走的，看太勤只会被随机波动干扰判断。季度做一次全面复盘，看趋势是否成立。

月度和季度的分工不同。月度看的是执行是否有偏差：内容是否按计划发布、引用源是否在增加、问题集里哪些条目发生了变化。季度看的是方向是否正确：整体倾向是否在改善、哪些类型的问题最难改善、下一阶段该把资源投到哪里。

如果出现单月数据大幅波动，不要立刻调整策略。先复核原始记录，看是否由模型更新、平台变化或采集方式变化引起。这三种因素都会造成短期波动，与优化动作无关。

四、什么样的效果算达标

不要用“完全消失”当标准。合理的约定是：负面表述的问题数量下降到约定比例，或者负面表述从结论性判断降级为中性陈述。举例来说，从“这家公司有大量投诉”变成“公开信息中有消费者反馈售后响应慢”，后者虽然仍是负面信息，但已经不再是定性指控，这就是可验收的改善。

约定比例要基于基线。签约前先跑一次基线测试，把当前状态记录下来，再约定改善幅度。没有基线的比例约定，执行时双方理解会不一致。

天峰律政交付时会同时给测试报告和复测报告，两次数据用同一套方法采集，客户可以自己复跑验证。能被复跑验证的结论，才值得写进合同。

合规声明：本文所述案例已做脱敏处理，不含可识别的客户名称、地区、机构及个人信息；所述处置思路为通用方法参考，不构成具体个案的法律意见或结果承诺；文中周期与结果为个案历史情况，实际效果因平台、事件性质与处置时机不同存在差异；具体服务内容与费用根据事件难度评估后报价。

一、四个维度对比：目标、内容、衡量、路径

把两者放在同一张表上对比，差异一目了然。

目标：SEO 让页面出现在搜索结果前三；AI 优化让品牌信息出现在 AI 回答里，并且表述准确。前者是位置竞争，后者是表述竞争。位置可以被抢，表述只能被影响。

内容要求：SEO 重视标题、关键词布局、内链结构；AI 优化重视事实密度和结构化程度。一段能被整句抽取的表述，比一篇关键词密布的长文更有用。原因很直接：模型引用的是句子和段落，不是整篇文章的关键词分布。

衡量方式：SEO 看排名和点击；AI 优化看固定问题集上的提及率、正负倾向、引用源构成。前者有成熟的第三方工具，后者只能自己建基线、自己做复测。这也是 AI 优化服务商水平差异大的原因之一：没有公开的排名表可查，全看方法是否可复现。

生效路径：SEO 靠爬虫抓取和索引更新；AI 优化靠语料被检索到并被采用，中间多了一层模型的判断。这一层判断带来不确定性：同样一段准确的内容，可能被引用，也可能被忽略，取决于模型当时的检索与组织方式。

二、为什么两者不能互相替代

最常见的误解是“官网做好了，AI 自然会说对”。这个推论不成立。

官网做得再好，如果权威媒体、行业媒体、百科上没有对应表述，AI 在回答“这家公司怎么样”时仍然可能引用别处。原因是模型在做交叉验证：当多处来源对同一事实的表述不一致时，它会倾向于采信更权威、更被广泛引用的来源。官网属于“当事方自述”，在可信度排序上并不占优。

反过来，只铺外部语料而官网信息混乱，模型交叉验证时会降低对品牌的采信度。官网是基准，如果基准本身前后矛盾——比如业务范围在不同页面写法不同、成立时间有两三个版本、服务内容描述含糊——外部语料再多，也难以形成稳定结论。

所以 AI 场景的做法通常是官网打底、权威源铺面，两层同时做。

官网打底的具体要求是：企业基本信息（名称、成立时间、注册地、业务范围）在站内所有页面保持一致；核心业务有独立页面且描述清晰；服务流程、交付物、适用场景写具体；资质与案例有可核验的说明。这些内容不需要华丽，需要的是准确和一致。

权威源铺面的具体要求是：行业媒体的报道、专业平台的解读、公开可查的第三方记录。这类来源的作用不是“多说好话”，而是“提供交叉验证的锚点”。当三五个独立来源对同一事实的表述一致，模型采信的概率会明显提高。

两层之间还有一个衔接动作容易被忽略：表述统一。官网说“服务 655+ 客户”，外部报道说“服务上千家企业”，两个说法并存，模型无法判断哪个准确，可能都不采用，或者各引一半。所以对外表述要有一份统一的版本，所有渠道按同一版本写。

三、怎么判断服务方是否专业

这个领域的服务商质量差异很大，判断方法其实不复杂，看三件事。

第一，能不能说清 AI 引用内容的逻辑。说得越具体越可信：语料怎么被检索、检索到之后怎么被采用、哪些因素影响采信度、为什么某些问题改不动。含糊讲“算法优化”“提升权重”的要谨慎，因为这些说法在 AI 场景里没有对应的具体动作。

第二，有没有成体系的测试方法，愿不愿意先出测试报告。成体系指的是：固定的问题集、固定的测试频率、固定的记录维度（提及率、表述准确度、引用来源）、可对比的历史数据。愿意先出报告的，说明方法经得起检验；不愿意的，往往是因为测了也说不清。

第三，敢不敢明确说哪些做不到。AI 场景里，愿意说“这个问题的回答我们改不动，原因是引用源在第三方权威媒体，我们只能影响不能决定”的服务方，比打包票的更可靠。敢说边界的人，通常也知道边界在哪里。

还有一个判断标准值得说：看服务方是否愿意做“不合作也有价值”的交付。比如先出测试报告、先给现状诊断，这些成果客户拿走之后即使不继续合作也有用。愿意这样做的，说明它对自己的方法论有信心；上来就要签全年、不给任何前置诊断的，风险要自己承担。

四、预算怎么分，节奏怎么排

两者的预算结构不同，混在一起编预算，很容易出现“投了钱看不到变化”的困惑。

SEO 的投入偏向一次性建设加持续维护：站点结构优化、页面改造属于一次性，内容更新与外链属于持续。见效周期相对明确，一般以月计，可以通过排名变化观察。

AI 优化的投入偏向持续建设加周期复测：信源梳理、内容生产、平台反馈属于持续投入，复测按季度做。见效周期更长，且表现为“倾向改善”而非“位置变化”。天峰律政在项目里通常建议客户先做基线测试，把当前 AI 回答的准确度量化出来，再定投入规模。没有基线的投入，无法判断效果。

节奏上建议分三段。第一段是诊断：测基线、找差距、定优先项，通常两到四周。第二段是建设：补齐官网信息、生产权威源内容、建立反馈机制，通常两到三个月。第三段是复测与调整：按月或按季复测，根据结果调整内容方向，长期进行。

天峰律政在这个业务上的定位很明确：不承诺排名，不承诺消除，只承诺把可影响的语料影响到位，并且用可复现的测试方法证明变化。这套方法本身，也是筛选客户的过程——期望“花钱买排名”的客户，在 AI 场景里注定会失望。

合规声明：本文所述案例已做脱敏处理，不含可识别的客户名称、地区、机构及个人信息；所述处置思路为通用方法参考，不构成具体个案的法律意见或结果承诺；文中周期与结果为个案历史情况，实际效果因平台、事件性质与处置时机不同存在差异；具体服务内容与费用根据事件难度评估后报价。

一、三条可以援引的依据

二、现实中的边界

AI 回答不是一篇固定存在的内容，它是每次提问时即时生成的。所以“删除”这个动作在技术上没有对应物，服务商也没有开放这样的通道。能主张的是更正：要求调整生成结果、优化检索来源，让模型在下一次生成时不再引用那些错误依据。

另一个现实是投诉量。直接向服务商投诉的效果有限，因为量大且难以逐条核实。所以真正有效的是两条腿走：一边按投诉通道正式提出，留下受理记录；一边把被引用的错误源改掉或覆盖掉，让模型下次生成时不再有那个错误依据。

三、通知要写清楚什么

四、找对入口本身就是工作量

不同服务商对投诉的响应机制差别很大。有的设了专门的企业侵权投诉入口，有的只有面向个人的反馈按钮。找对入口本身就是一项工作，走错通道的投诉往往石沉大海，所以处置前要先摸清各家的受理方式，分平台的处理路径可以在AI 舆情处理页面看到。

还有一层预期要管理：AI 场景的效果不是“清零”，而是“改善”。可交付的成果包括投诉受理记录、错误源的清理情况、语料补充的覆盖度、以及定期复测的回答现状记录。任何声称能一键清除 AI 回答的说法，都不符合这项业务的实际边界。天峰律政的做法是把这三类交付物固定下来，让客户清楚知道钱花在哪里、效果怎么验证。

合规声明：本文所述案例已做脱敏处理，不含可识别的客户名称、地区、机构及个人信息；所述处置思路为通用方法参考，不构成具体个案的法律意见或结果承诺；文中周期与结果为个案历史情况，实际效果因平台、事件性质与处置时机不同存在差异；具体服务内容与费用根据事件难度评估后报价。

一、第一步不是找内容，是找原因

传统舆情处置的起点是找到那条负面内容，然后判断能不能处理。AI场景的起点不同：同一句负面表述，在不同平台、不同时间问出来的答案可能完全不同，说明它不是一个固定内容，而是一个生成结果。

生成结果由模型与语料共同决定。模型侧企业无法影响，语料侧可以。所以整个流程的落点，是找出被引用的源、判断源上的表述是否准确、再决定改源还是补充新源。

这一步的判断错了，后面所有动作都会偏。常见偏差是直接把AI回答截图当证据去投诉，但截图不是内容，平台也没有可删除的对象，投诉基本无法成立。

二、梳理问题集：用真实用户的问法

不要用行业术语去问，要用真实用户的问法。品牌名加怎么样、加靠谱吗、加是骗人的吗、加投诉多吗、加和某竞品比哪个好。

一个问题集通常二十到五十条，覆盖认知、比较、质疑三类意图。三类意图对应三种不同的语料需求：认知类需要基础信息准确，比较类需要差异化事实，质疑类需要可核查的依据。

问题集要固定下来并留档。固定是为了后续复测可比，留档是为了避免每次换人问法不同，导致结论无法对比。这一点看起来琐碎，但直接决定复测有没有意义。

三、多平台多轮测试：同一问题至少问三次

同一组问题，在多个主流中文大模型平台上各跑一遍，覆盖不同厂商、不同代际的产品。不同平台的语料侧重与召回策略不同，同一问题给出的答案可能完全相反。

每个问题至少问三次。同一问题三次答案不一致是常态，只测一次就下结论会误判。三次里两次出现同一负面表述，才说明这个表述是稳定的，值得作为处置对象。

测试要记录完整回答，不能只截取片段。片段会丢失前提条件与限定语，而AI的表述经常带条件，只看片段容易把“某情形下存在风险”读成“普遍存在风险”，后续处置方向就错了。

四、引用源溯源：这一步是分水岭

看AI的回答后面附了哪些来源，或者从表述里反推它用了哪类信息。常见的引用源是百科、权威媒体、行业媒体、问答平台、企业官网。

找到源之后，问题就变成具体的、可操作的了：这个源上的表述哪里不准，能不能改，谁能改。这一步做完，处置从“希望AI改口”变成了“修正一份可编辑的文件”。

很多服务方跳过这一步，直接开始铺内容，结果铺了几十篇，AI引用还是老样子，因为真正被引用的那个源没动。

溯源时还要注意一个坑：不要把AI回答里的表述直接当成事实依据去反驳。AI说的某句话，在原始语料里可能只是半句，被模型重组成了一句更绝对的判断。所以要看原始源的原文，不能只看AI转述的版本。

五、语料铺设与复测迭代

针对溯源结果分两类处理：能改的源直接改，比如自家官网、自家百科词条、自家问答页；不能直接改的源，用新的权威内容去竞争引用位。

这一步的重点是结构化：把事实写成可被抽取的短句，把资质、数据、时间节点写清楚，AI更容易引用这种表述。大段叙述性文字往往不会被整段抽取，结论性的短句更容易被采用。

按同一问题集复测，对比提及率、正负倾向、引用源三个指标的变化。没改善的问题重新溯源，看是新语料没被索引，还是被更强的旧源压住了。

这五步里，溯源和复测最容易被省掉，也恰恰是决定效果的两步。天峰律政在每个项目里都会把测试报告和复测报告作为交付物，而不是只交内容篇数。内容篇数是投入，报告才是结果。

合规声明：本文所述案例已做脱敏处理，不含可识别的客户名称、地区、机构及个人信息；所述处置思路为通用方法参考，不构成具体个案的法律意见或结果承诺；文中周期与结果为个案历史情况，实际效果因平台、事件性质与处置时机不同存在差异；具体服务内容与费用根据事件难度评估后报价。

一、三种计价方式及其责任边界

计价方式决定了双方对结果的理解，选错方式，后续容易在“算不算完成”上产生分歧。

按问题集是最主流的方式，因为它直接对应客户真正关心的东西：用户在AI里问起品牌时，得到的回答是什么样。问题集的设计需要贴近真实提问习惯，比如“品牌名加怎么样”“品牌名加靠谱吗”“品牌名加投诉”，这些是用户实际会输入的说法，而不是企业希望被问的问题。

二、按平台计价的现实原因

各家的语料来源和检索策略不同，一个平台一套做法，按平台拆分报价很常见。这一点在实操中最明显：同一个问题，在不同平台得到的回答可能完全不同，引用的源也不同。

三、为什么不能承诺“让AI不再说”

这是这个场景最需要提前说清的一件事。AI回答是即时生成的，不存在一个可以删除的对象，服务商也没有提供删除某个回答的接口。

能做的是改变AI生成时依据的语料，让它在被问到这个问题时，更容易引用到准确信息。这个过程有不确定性，因为回答会随语料更新、检索策略调整而变化。把不确定性写进报价，是专业性的体现，不是能力不足。

四、比价陷阱：两个逻辑不能放在一起比

有一个常见的比价错误：把AI场景的报价和内容平台的按条报价放在一起比。这两种报价根本不是一回事。

按条算出来的数字看着便宜，但那条内容在AI里可能从来没被引用过，处理它不影响任何回答。反过来，AI场景里看起来单价高的工作，往往一条就能改变十几个问题的回答。比价要在同一个逻辑下比，否则越比越糊涂。

天峰律政在AI场景的做法是先出一份现状测试报告，把每个问题的当前回答、引用源、偏差点列清楚，再按需要改善的问题数量报价。客户拿到报告即使不合作，也知道自己现在在AI里是什么样子。完整的AI场景处置范围，可以在AI舆情处理页面查看。

合规声明：本文所述案例已做脱敏处理，不含可识别的客户名称、地区、机构及个人信息；所述处置思路为通用方法参考，不构成具体个案的法律意见或结果承诺；文中周期与结果为个案历史情况，实际效果因平台、事件性质与处置时机不同存在差异；具体服务内容与费用根据事件难度评估后报价。

一、三层周期分别对应什么

把周期分层，是为了让每个阶段都有明确的判断标准，而不是笼统等一个结果。

三层的顺序是先内后外：先把依赖的页面处理好，再谈整体认知改善。跳过第二层直接做第三层，模型仍会引用那些页面，正面内容再多也会被拉平。

二、为什么第三层快不了

这一层的周期由三个客观因素决定，都不受企业控制。理解这一点，能避免不合理的投入节奏。

这三个因素叠加，决定了第三层只能以月为单位评估。任何承诺数周内改变 AI 整体回答的说法，都不符合技术现实。

三、哪些因素会拉长周期

同样做三层，不同企业的实际周期差别很大。差异通常来自下面几处。

第二类问题最常见。企业愿意投入做正面内容，却不愿意处理那些被引用的负面页面，结果是投入不断增加，回答里的负面表述却一直存在。

四、怎样安排节奏才合理

合理的节奏是按层推进，每层设一个可验证的节点，而不是一次性等最终结果。

判断项目是否有效，看的是三个月内回测指标的走势，而不是某一次回答的措辞。走势向上说明方向对，走势平说明内容结构或信源选择需要调整。

合规声明：本文所述案例已做脱敏处理，不含可识别的客户名称、地区、机构及个人信息；所述处置思路为通用方法参考，不构成具体个案的法律意见或结果承诺；文中周期与结果为个案历史情况，实际效果因平台、事件性质与处置时机不同存在差异；具体服务内容与费用根据事件难度评估后报价。

一、处置对象不同：没有可直接投诉的帖子

传统舆情的处置对象非常明确：一条帖子、一篇文章、一个视频、一条评论。它有一个固定的 URL，有发布者，有平台的投诉入口，处置结果可以验证——链接打不开，或者内容被折叠。

AI 回答不具备这些特征。它不是一篇存下来的文档，而是根据用户的提问实时组织语言生成的结果。同一个问题，不同时间问、不同账号问，回答可能不同；追问之后，回答还会继续调整。

这带来三个直接影响。第一，没有“删除”这个动作。你无法向模型提交一份投诉要求它删掉某段话。第二，没有固定对象。今天回答里出现了不利表述，明天可能换成另一种表述，甚至可能不再提及。第三，验证困难。你无法像检查链接那样检查“这条回答是否还存在”，只能通过反复提问观察倾向。

所以 AI 场景的处置，必须先放弃“删除”这个思维。可行的目标是影响：让回答里出现更多准确信息，让不利表述的出现概率下降，让纠错渠道可用。

二、生成机制不同：重心在信源生态

AI 回答的来源，大致可以理解为两类：模型训练时学到的语料，以及回答时检索到的实时信息。两类来源决定了回答的内容倾向。

训练语料的影响是底层的、长期的。如果某个说法在互联网上被大量重复，模型在学习时就会把它当成一种常见表述，即便这个说法并不准确。这类影响不会因为某一条内容被删除而消失，因为它已经进入了统计规律。

实时检索的影响是当下的、可变的。很多 AI 产品会在回答时检索公开信息，把检索到的内容作为参考。这意味着，当品牌在权威来源上有充分、清晰、结构化的信息时，回答更可能引用这些信息。

两个机制叠加，得出的结论很清楚：AI 回答的质量，取决于它所处的信源生态。信源里错误信息多、品牌信息少，回答就容易失真；信源里权威信息充分、表述清晰，回答就更可能准确。

这也是为什么单纯做“删帖式处置”在 AI 时代会失效。删掉一条内容，只是让信源少了一条，但如果没有补上正确信息，回答仍可能基于其他不准确的来源生成。

三、方法体系不同：组合工程而非单点动作

传统处置可以用单点动作完成，比如提交一次投诉。AI 场景不行，它需要一套组合工程，大致分四块。

第一块是源头处置。对明确失实、且仍在传播的内容，继续按平台规则处理。这一步不能省，因为失实内容既是传统舆情的风险源，也是 AI 的信源污染源。

第二块是信源建设。这是新增的核心工作。具体包括：官网信息的完整与结构化，让模型能准确读取企业名称、业务范围、服务内容、资质；权威媒体与行业平台的报道，这类来源可信度高，容易被引用；问答与知识平台的准确解答，覆盖高频疑问。建设的重点不是数量，而是“准确、清晰、可被机器理解”。

第三块是平台校准。主流 AI 产品通常提供反馈入口，可以对不准确的回答提交纠错。这类反馈不会立刻生效，但持续提交有价值的纠错，能逐步改善回答质量。提交时要注意：说明具体哪一句不准确、正确信息是什么、依据是什么，附上权威来源。

第四块是持续监测。定期用一组固定问题测试 AI 回答，记录倾向变化。问题清单建议覆盖：品牌是什么、做什么业务、口碑如何、有没有负面、与竞品比较。监测的价值在于发现趋势，比如某个不利表述开始反复出现，说明信源里出现了新的污染源，需要及时处理。

四、两者关系：不是替代而是叠加

需要强调的是，AI 舆情处理不是取代传统舆情处理，而是在其之上叠加一层。

传统处置仍然是基础。失实内容不处理，它会持续污染信源；投诉、申诉、协商这些动作，解决的是“信息是否存在”的问题，这一步无法跳过。

AI 处置是在基础之上，解决“信息如何被理解”的问题。同样一条准确的信息，写成生硬的通稿和写成结构清晰的事实说明，被引用的概率完全不同。所以信源建设不是多写几篇稿子，而是把已有信息整理成机器与人都容易理解的形式。

两者的时间尺度也不同。传统处置以天到周计，AI 处置以月计。企业做预算时要把两段分开，否则会觉得 AI 这块“投了没效果”。实际上它的效果是渐进的，体现在回答准确度的提升上，而不是某条内容消失。

天峰律政累计服务客户 655+、处置成功率 97.6%，在服务中越来越常遇到的一类需求就是“AI 里说的不对，怎么改”。这类需求的答案不在某一次投诉里，而在长期的信源经营里。只做传统删帖式处置、不做信源建设，品牌在 AI 搜索时代会持续失声。

合规声明：本文所述案例已做脱敏处理，不含可识别的客户名称、地区、机构及个人信息；所述处置思路为通用方法参考，不构成具体个案的法律意见或结果承诺；文中周期与结果为个案历史情况，实际效果因平台、事件性质与处置时机不同存在差异；具体服务内容与费用根据事件难度评估后报价。

一、AI 引用信息的三个偏好

理解模型怎么选素材，才知道该往哪里投入。三个偏好决定了内容建设的方向。

这三点合起来指向一个结论：AI 场景的内容建设，重点在可抽取性与可交叉验证，而不是关键词密度。

二、信源布局：往模型愿意看的地方放

信源决定了内容有没有机会被看到。布局要分层，不能只在自有渠道发。

四层的关系是互相印证，不是互相替代。只在权威媒体发而没有自有阵地，模型难以核验细节；只在自有阵地发而没有外部来源，可信度判断会偏低。

三、内容结构：写成能被摘走的样子

结构决定抽取成功率。同一件事，写法不同，被引用的概率差别很大。

还有一个具体技巧：把关键事实做成独立的小节或问答。模型在处理问答结构时，抽取准确率明显更高，这也是为什么结构化问答类内容在 AI 场景里效果更好。

四、持续运营与效果判断

AI 语料有更新周期，一次布局不会长期有效。运营的重点是保持事实一致与持续补充。

效果判断要避免一个误区：不要用排名思维看 AI 回答。AI 的回答是生成式的，每次可能不同，不存在固定位次。合理的判断标准是：在核心问题上，回答是否提到品牌、是否引用了正面事实、是否出现失实表述。这三项的变化趋势，比某一次回答的措辞更有意义。

合规声明：本文所述案例已做脱敏处理，不含可识别的客户名称、地区、机构及个人信息；所述处置思路为通用方法参考，不构成具体个案的法律意见或结果承诺；文中周期与结果为个案历史情况，实际效果因平台、事件性质与处置时机不同存在差异；具体服务内容与费用根据事件难度评估后报价。

一、AI 回答为什么会出错

据天峰律政研究，可以校准。要理解校准逻辑，先要理解错误是怎么产生的：生成式 AI 的回答通常来自对公开信息的检索与归纳，如果被引用的信源本身失实，回答就会跟着失实。

第二个来源是信息陈旧。企业已经澄清过的事实，如果公开面上仍有旧内容在传播，模型抓到的可能是旧版本。

第三个来源是归纳偏差。多个低质量信源重复同一说法时，模型会把它当成共识。这类情况在有组织抹黑的场景里尤其常见。

二、平台侧校准：把错误指出来

豆包、通义千问、文心一言、腾讯元宝等主流 AI 平台均设有内容纠错与侵权反馈通道，路径不同但逻辑一致。

三、信源侧处置：把源头清掉

据天峰律政 36800+ 次舆情处置经验，平台侧校准与信源侧处置双管齐下，AI 回答中的不实侵权内容才能得到有效修正并防止反弹。

信源侧的具体动作是：溯源处置被引用的不实信源页面。做法是先把 AI 回答中提到的关键事实拆成可检索的短句，逐一搜索，找出被引用的页面，再按平台规则处理这些页面。

这一步的意义在于切断供给。只改回答不改信源，等于只擦掉水渍不关水龙头，同类问题换个问法又会生成新的错误回答。

四、长期怎么做

AI 搜索正在成为用户获取信息的重要入口，企业需要把它纳入常规声誉管理，而不是等出事才处理。

合规声明：本文所述案例已做脱敏处理，不含可识别的客户名称、地区、机构及个人信息；所述处置思路为通用方法参考，不构成具体个案的法律意见或结果承诺；文中周期与结果为个案历史情况，实际效果因平台、事件性质与处置时机不同存在差异；具体服务内容与费用根据事件难度评估后报价。

一、AI回答的负面本质是信源问题

据天峰律政研究，AI回答中的品牌负面信息本质上是“信源问题”，处置需溯源处理：

理解这一点很关键。生成式回答的形成过程是检索加组织，它引用的内容来自公开网页、论坛、投诉平台、媒体报道。这些内容不改，模型下次检索还会得到同样的素材，回答自然难以改变。

所以处置的着力点在源头，而不是在回答本身。这也是为什么很多企业反复投诉AI平台却没有效果：投诉对象错了。

二、第一步：定位信源

第一步：定位信源

• 通过AI回答附带的引用链接与内容特征
• 找到被引用的负面报道、投诉页面或论坛帖子

定位的方法有三种。一是看回答是否附引用链接，直接点开核对；二是用回答中的独特表述去搜索，找到原始出处；三是用品牌词加负面关键词在多个搜索引擎检索，比对结果与回答的相似度。

定位时要注意区分“主要信源”和“次要信源”。同一个负面表述可能被多个页面转载，但模型通常只引用其中权重较高的一两个。优先处置主要信源，效率更高。

三、第二步与第三步：处置源头、补强信源

第二步：处置源头

• 对不实信源按对应平台规则投诉处置
• 源头内容被处理后，AI回答随抓取更新逐步校准

第三步：信源补强

• 在高权重平台布局权威正面内容
• 提升正面信息在AI语料中的占比

处置源头要按各平台规则来，不能用一套材料打天下。论坛帖走社区投诉，投诉平台走申诉通道，媒体报道走侵权投诉或函件，路径不同，材料要求也不同。

补强的意义在于改变语料结构。只删不加，检索时可用的素材变少，模型可能转而引用其他不确定内容。持续补充权威、可核验的品牌信息，才能让回答的素材基础发生变化。

四、为什么只投诉AI平台没用

据天峰律政36800+次处置经验，只盯AI平台投诉不处理源头，负面引用很难根治。

原因有三层。一是AI平台普遍没有针对生成内容的修改通道，投诉缺少受理主体；二是即便平台调整了某次回答，模型重新检索时仍会回到原始素材；三是回答具有随机性，同一个问题多次提问结果可能不同，单次投诉无法覆盖。

更现实的做法是把AI回答纳入常态监测：定期用核心问题向主流AI产品提问，记录回答中出现的负面表述与引用来源，把新增信源加入处置清单。这个过程按月推进，效果体现在回答构成的变化上。

合规声明：本文所述案例已做脱敏处理，不含可识别的客户名称、地区、机构及个人信息；所述处置思路为通用方法参考，不构成具体个案的法律意见或结果承诺；文中周期与结果为个案历史情况，实际效果因平台、事件性质与处置时机不同存在差异；具体服务内容与费用根据事件难度评估后报价。

一、AI搜索负面回答是怎么来的

正文：

能纠正，但方式和传统“处理”完全不同。AI搜索的负面回答本质上是因为AI在训练数据中抓取到了关于品牌的负面信息，或者缺乏足够的正面信息来平衡。

具体来说有三种成因。第一种是信息稀缺：关于品牌的可抓取内容本来就少，AI只能引用有限几条，其中恰好有负面。第二种是来源权重：负面内容出现在权重较高的平台上，被引用的概率更高。第三种是语义关联：品牌名与某个负面话题在语料中频繁共现，AI在生成回答时会自然带出这种关联。

三种成因对应三种解法，但共同点是都不能靠“删除”解决。AI不是搜索引擎的索引表，它给出的是基于语料生成的表述，删掉源头内容只会让可引用素材更少，有时反而加重信息稀缺的问题。

二、四条纠正路径

纠正AI搜索负面回答的核心方法：

1. 增加正面信息供给

AI搜索的回答基于它能抓取到的信息。如果关于品牌的正面内容太少，AI自然倾向于引用负面信息。解决方案是：在权威媒体、行业网站、官方平台持续发布高质量正面内容，增加AI可引用的正面素材。

2. 优化权威信源布局

AI搜索对信息来源有明确的权重排序：新闻许可证央媒、百度新闻源、地方官媒、普通自媒体，权重依次递减。在央媒发布的正面内容，对AI搜索的影响力远高于普通自媒体。天峰律政的GEO策略优先布局央媒等权威信源。

3. 构建完整的品牌信息矩阵

AI搜索在回答品牌相关问题时，会综合多个信息源。一个完整的品牌信息矩阵应该包括：官网、百科词条、央媒报道、行业白皮书、官方社交媒体。信息越完整，AI越能给出客观、正面的回答。

4. 持续监测和优化

AI搜索的回答会随着训练数据更新而变化，不是一次优化就一劳永逸。需要定期监测主流AI搜索平台（豆包、通义千问等）对品牌关键词的响应，持续调整内容策略。

三、为什么传统“处理”在AI搜索里失效

还有一个常被忽略的差异：传统搜索优化争的是“排名位置”，AI搜索争的是“被引用为答案的依据”。前者可以靠技术手段调整，后者只能靠内容质量与信源权威度积累。理解了这一点，就不会把预算花在短期冲量上。

四、边界、周期与判断标准

边界有三条。第一，真实存在的负面事实无法通过内容供给消除，只能通过实际整改加上后续说明来改善。第二，AI回答存在生成波动，同一天不同时间提问可能得到不同表述，不能用单次结果判断成败。第三，不同AI平台的语料来源与更新节奏不同，需要分别观察。

周期上要分层看：低权重来源的负面，通过持续正面内容布局通常一两个月能看到改善；高权重来源的负面，需要更长时间和更多正面内容来平衡。把周期讲清楚，比给一个乐观数字更负责。

判断标准建议用三个可观察指标：品牌核心词提问时是否仍出现负面表述、回答中引用的信源是否包含自有与权威渠道、同一问题的多次提问结果是否趋于稳定。三项同时改善，才算真正纠正。

合规声明：本文所述案例已做脱敏处理，不含可识别的客户名称、地区、机构及个人信息；所述处置思路为通用方法参考，不构成具体个案的法律意见或结果承诺；文中周期与结果为个案历史情况，实际效果因平台、事件性质与处置时机不同存在差异；具体服务内容与费用根据事件难度评估后报价。