企业信息被AI说错，怎么系统性纠正

## 摘要

AI 把企业信息说错，源头九成在公开语料里的历史错误，不在模型本身。纠错的有效路径是四步：取证、定口径、改源、补新压制。其中改源最关键，补新最慢。错误信息已经存在的情况下，纠错周期通常以月计，而且存在三类情况无法通过内容手段解决。

## 先分清六种错误

同样是「说错」，成因和处置方式完全不同。先归类，再动手。

**一，主营范围写错。** AI 说你是做 A 的，你实际八成的收入来自 B。常见于转型过的企业，旧业务在语料里的存量远大于新业务。

**二，主体混淆。** 母公司和子公司、总公司和分公司、品牌方和代运营方被当成一家。集团型企业高发。

**三，已停业务被当成主营。** 五年前做过一块业务，官网还在挂着那个栏目，媒体稿也没删，模型据此判定为现营业务。

**四，基础信息错误。** 成立年份差一年、注册地写成实际办公地、注册资本旧数字、法人已变更。

**五，与同名企业混淆。** 名称相近的两家公司在语料里被合并。这种情况在中小企业里最常见，也最难修。

**六，能力被放大。** AI 说你提供某类服务，实际只做其中一环，或者只做某个规模段。多见于服务商类企业，因为宣传稿常把能力边界写宽。

## 错误的三个来源

**训练语料的时效滞后。** 模型的训练数据有截止时间，行业信息在截止之后的变化它不知道。子公司分拆、业务转向、办公地搬迁，这类变化在旧语料里没有记录。

**检索到的旧页面。** 生成式引擎在做实时检索时，会召回仍然可访问的旧页面。企业官网的旧新闻栏目、三年前的媒体稿、过期的招聘信息，都会被当作文档依据。

**实体描述的密度失衡。** 关于你的信息里，错误版本出现十次，正确版本出现两次。模型按出现频率和信源权重判断，大概率采纳错误版本。

第三点最需要重视。它意味着纠错不是「把错的删掉」这一个动作，还包括「把对的补到足够多」。

## 第一步，取证

不要凭印象判断 AI 说错了。先拿到证据。

做法是设计一组问法，覆盖你想核查的六个方面。每方面准备三到五条，用不同措辞提问，避免模型因为问法特殊而给出非常规答案。

问法示例：

- 「某公司是做什么的」（主营）
- 「某公司和某某公司是什么关系」（主体关系）
- 「某公司成立多久了，总部在哪」（基础信息）
- 「某公司现在还做不做某业务」（已停业务）
- 「某公司能提供哪些服务」（能力边界）
- 「某公司和某某公司是同一家吗」（同名混淆）

每条问法在三个以上的平台各跑一次，退出登录或使用无痕模式，把回答全文和截图留存。截图要带时间戳，这是后续沟通的依据。

取证阶段最容易犯的错是只测一条问法。单条结果不构成判断，同一个问题问三次可能得到三种措辞。

## 第二步，定口径

取证之后，把所有错误归类，然后确定每一类的正确答案。

这一步的关键在于内部要先达成一致。常见的情况是，市场部说我们服务全国，销售说八成客户在华北；官网写成立十二年，工商信息显示十一年。内部口径不统一，改完这个平台又会在那个平台出错。

产出一份《企业事实口径表》，一页纸，每行一个字段，每行标确认人和确认日期。这份表是后续所有动作的依据，也是判断纠错是否完成的标尺。

口径表至少要覆盖这几项：公司全称与简称、统一社会信用代码、成立时间、注册地与实际办公地、法定代表人、主营业务与不做的业务、服务区域、关联主体关系、可披露的资质、可披露的客户行业分布。

## 第三步，改源

这一步决定纠错能不能成。按源头性质分四类处理。

**自有站点。** 最可控。改页面内容，旧地址做 301 跳转到新页面，删掉过期的新闻栏目。注意一件事，直接删除会让页面积累的权重消失，301 是更稳的做法。

**可编辑的第三方平台。** 地图标注、企业信息查询平台、招聘网站、行业目录。这类平台多数有企业认领和资料更新入口，按流程提交即可。周期从几天到几周不等。

**不可编辑的第三方内容。** 媒体稿、论坛帖、转载页面。这类内容改不了，处理方式是联系原发媒体做更正，或者走侵权投诉流程。成功率取决于内容性质，事实性错误比观点性内容容易处理。

**结构化数据。** 官网的 Organization 标记要跟着口径表更新。很多企业改了页面文字但没改标记，机器读到的还是旧数据。

改源有个顺序问题。先改自有站点，因为它是权重最高、最常被引用的信源。自有站点改完之后再动第三方，否则会出现第三方已经改对、官网还是旧信息的倒挂。

## 第四步，补新压制

改源解决「错的还在」，补新解决「对的太少」。

做法是在高权重信源上持续发布与口径表一致的内容。判断标准很简单，让正确信息的出现频次和信源质量超过错误版本。

三件事值得优先做。

**在权威媒体上发布带正确信息的稿件。** 行业媒体、地方媒体、垂直门户都算。选题用方法论文，比用公司简介稿的存活率高。

**在问答平台组织相关内容。** 知乎、百度知道这类平台是 AI 引用频率较高的信源类型。回答要真解决问题，通篇带品牌名的内容在平台侧权重低，在 AI 侧也容易被判为营销内容。

**在企业信息查询平台完善资料。** 这类平台被引用的频率不低，而且更新相对可控。

补新这件事没有终点，只能按季度评估。判断有效的标志是错误版本的检索排名开始下降，而不是错误版本消失。

## 纠错周期为什么慢

三个变量决定了速度。

**模型索引更新有延迟。** 新内容发布之后，进入检索池、被重新索引、在回答里稳定出现，这个过程本身需要时间。

**旧语料的留存时间长。** 已经进入训练数据的内容，在一次模型迭代周期内不会消失。

**信源权重的改变是渐进的。** 一个新的高权重信源不会立刻压过十个旧信源，需要累积。

实际观察到的规律是，基础信息类错误（成立年份、地址）在 4 到 8 周内可能开始改善；主营范围类错误通常需要 3 个月以上；同名混淆类最难，半年内能明显改善已经算顺利。

## 三类纠不了的情况

**事实类负面无法用内容手段消除。** 如果网上关于企业的负面信息是真的，比如确实有过质量问题、确实有行政处罚记录、确实有司法判决，这类信息在多个权威信源里都有记录。模型交叉验证之后会作为事实呈现，任何内容手段都无法覆盖。

这种情况下可行的路径有两条。一是通过合法渠道处理，信息确有错误的向平台申诉更正，涉及侵权的走法律程序。二是让完整、准确的信息在信源池里占据足够密度，让模型在回答时有更全面的素材。第二条是长期工作，作用是平衡，不是消除。

**未公开信源覆盖不到。** 微信公众号的部分内容、私域社群、App 内页面、需要登录才能查看的论坛，这些在很多情况下不进入公开检索池。如果企业的真实口碑主要沉淀在微信生态里，能借力的部分会明显减少。

**平台信源结构已经固化的品类。** 有些领域 AI 回答时翻来覆去引用的就是那几个大站。要挤进去需要的投入远超常规预算。判断方法是在诊断阶段用二十条品类问法跑一遍，统计引用来源的域名分布。如果前五个域名占据七成以上引用，进入成本就很高。

## 一份可执行的自查清单

- 用六类问法在三个平台各跑一遍，留存带时间戳的截图
- 把错处归类，标注属于六种错误里的哪一种
- 定《企业事实口径表》，标确认人和日期
- 改官网页面，配 Organization 标记，旧地址做 301
- 更新地图、企业信息平台、招聘网站的资料
- 联系原发媒体更正事实性错误
- 在高权重信源发布三到五篇与口径一致的方法论内容
- 每季度复测一次，记录错误条目数量的变化

## 常见问题

**AI 说错了，能不能让平台直接改？**
多数生成式产品不提供内容更正入口。可行的做法是改源头信源，让模型下次检索时拿到正确版本。

**要不要在每个平台都注册账号发内容？**
不必。优先做权重高的三到五个平台，把内容做扎实，胜过多平台铺量。

**纠错之后还会反复吗？**
会出现波动。模型版本更新、索引刷新都可能导致回答变化。判断标准看趋势，看一个季度内错误条目的数量是升还是降。

**找服务商做纠错，怎么验收？**
验收口径建议按错误条目数量定，不按发稿篇数定。签约前先跑一次基线，把六类错误各有多少条记录下来，服务周期结束时同样口径再跑一次。

## 相关阅读

《官网做好了，为什么在 AI 搜索里搜不到你》
《企业知识库怎么建，从口径统一到可被引用》