品牌危机的 GEO 预案

示例：周一上午，一家做户用储能的出海团队在客服群里收到一张截图。德国买家在 ChatGPT 里问“这个牌子的电池能不能装在公寓里”，答案第一段写“该品牌 2023 年因电芯过热召回过一批产品”，第二段直接建议“考虑其他品牌”。查了两小时才发现，2023 年召回的是另一家同名的美国公司；他们 2024 年才进入德国，型号、认证、产地全不同。

AI 把危机从新闻周期改成了语料周期：旧报道、旧差评和同名混淆会长期留在检索池里；预案的关键不是危机当天发什么稿，而是危机前就有事实页、有纠错路径、有能复测的基线。

旧危机为什么不会自己沉下去

第一层是时间。新闻有周期，检索池没有；三年前的召回报道只要还挂在原站，就随时可能被重新检索、重新摘要，出现在你从未投放的市场。

模型偏爱旧报道，是因为旧报道更“可引用”。它带日期、型号、批次、机构名，是一句能独立成立的事实陈述；品牌的新声明往往只有“已全面整改”“严格把控质量”，没有口径，模型无法验证，只能放着不用。负面比正面更容易被摘走，也是同一个原因：差评写“用了两周，第三次充电后连不上”，好评写“质量很好”。

第二层是实体。同名公司、旧型号、旧产地会让模型取错节点，把别人的召回安到你头上。这不是舆情，是实体消歧失败；只发声明不改实体，下一次检索还会取错。断言的分类与监测，可照负面提及监测的三分类走。

第三层是版本矛盾。德语页更新了型号范围，英语页还写着旧参数，平台 listing 又是第三版；模型取哪一版都可能是错的。而官网在检索结果里只占少数位置，媒体、论坛、评测、平台评论占多数——事实页写好了，也要等第三方复述，才会变成答案。

五类场景，五种修法

预案的第一步不是写稿，是把“可能出什么事”列成一张表。五类场景在 AI 答案里的形态不同，先动的地方也不同。

场景	AI 答案里的典型形态	预案先动哪一块
产品安全与合规	旧召回、旧检测报告，型号对不上	事实页、认证与型号范围
履约与支付	旧差评原句、平台投诉记录	公开时效口径、补偿与时间线
创始人与组织舆情	媒体长文被摘要，社交平台二次引用	统一口径、指定发言人、法务审
同名、假货与侵权	同名公司或仿品 listing 被当成你	实体消歧、商标与平台申诉
平台政策与类目下架	旧 listing 仍被检索，购买路径断了	政策说明页、替代购买路径

五类里只有前两类值得建常备事实页；第三类靠口径与法务，第四类靠实体与申诉，第五类靠政策页与替代路径。一套模板套五类，是预案最常见的浪费。

事实页要在危机前写好

事实页不是公关稿，是一页能被引用的记录。危机当天从零写，一定写成情绪；提前写好空模板，当天只填型号与日期。

稳定 URL：/trust/ 或 /product-safety/，不进新闻流，上线后不改地址。
适用范围：型号、批次、市场、销售渠道、生效日期，写到能排除。
时间线：事件、检测、整改、复检，每行带日期。
可核验编号：认证、检测机构、召回编号；没有就留空，不编。
责任与更新：谁维护、多久复核、对外联系邮箱。
机器可读：结构化数据标品牌与商品，sameAs 指向官方目录；各语言版本来自同一份主数据。
入口：商品页、页脚、客服模板、平台 listing 都链到它。

反例是把事实页写成品牌故事：愿景开头、三张工厂图，型号与日期一个没有。这样的页面只能贡献一句“该品牌重视质量”，危机时一句用不上。

同一份事实只维护一处，多语言版本从主数据生成；模板固定结构，不复制结论，见模块化内容系统。事实页是可见性与答案资产之间的基础设施，排期挂在90 天落地路线图第二阶段之前。

72 小时：五步，顺序不能换

危机爆发后的前三天，决定接下来 AI 怎么描述你。

时段	动作	谁来做	怎么算过
0–6 小时	冻结口径：停掉待发的营销稿，客服、投放、站外统一到一页	品牌负责人	三个对外渠道说法一致
6–24 小时	事实页上线：填型号范围、时间线、补偿与联系方式	内容 + 法务	无 JS 仍可读、可被抓取
24–48 小时	修实体：名称、产地、成立年份、型号别名对齐	技术 + 品类	官网、目录、平台页无矛盾
48–72 小时	站外更正：向引用源请求补充日期、范围与官方链接	公关	每条有回复与日期
第 7、14、28 天	复测：同 prompt、同地区、同账号类型重复采样	增长	连续两轮结论一致

顺序不能换的理由很具体：口径没统一就发事实页，会出现第二套说法；实体没修就做站外，媒体补上的链接仍指向错型号；站外没做就复测，看到的只是旧语料。

站外只请求补日期、补范围、补官方链接，不要求删真实报道。多数市场对删稿容忍度很低，施压会变成第二波负面。复测沿用增量实验的采样纪律，别用一次截图结案。

示例：一次同名召回的前三十天

以下品牌、型号与日期为虚构，只演示顺序与判定口径。

一家做储能的品牌 B（示例）被误认成同名美国公司的召回主体。第 1 天，事实页上线，写清进入德国市场的时间、在售型号、认证编号，以及与那家公司无股权、无供应链关系。第 3 天，官网、两个行业目录与知识库条目补上 sameAs，统一成立年份与品类描述。第 5 天，向两家引用过旧报道的测评站发补充请求，附时间线与官方链接；其中一家在第 9 天加了更新注记。

第 14、28 天各复测三次。答案从“该品牌曾召回”变成“2023 年召回属另一家同名公司；该品牌 2024 年进入德国市场，在售型号为……”。负面没有消失，但被限定到了具体公司与年份。这就是预案的合理目标：让答案说清是谁、哪一年、哪个型号。

边界：预案管不了的部分

第一，真实缺陷修不掉。安全、虚假宣传、欠薪这类问题，先走合规与产品整改；GEO 只同步事实，不改变事实。用内容去洗一个没修好的问题，通常会把负面从一条旧帖扩散成“回应避重就轻”。

第二，危机高峰期不要做加法。发“品牌升级”通稿、买正面测评、要求平台删评，可能违反平台规则或当地法律，还会给媒体提供第二个选题。

第三，事实页不是免责声明。没有型号范围与日期的“已全面整改”不会被引用，反而会被读成回避。

第四，小体量品类不必建全套。一年只有几条负面提及，季度抽查即可；全套监测的成本高于收益。

第五，答案本身在波动。不同地区、账号、时间，结果不同；一次截图既不能证明危机开始，也不能证明结束。平台政策与爬虫行为以官方文档为准，截至 2026-11 仍在调整。

这套动作属于权威与站外这条线，和实体、评测的关系比内容排期更近。

这个月先做一件事：选一个最可能发生的风险场景，用现有型号与认证信息写一页事实页，放到稳定 URL，平时先问五个问题——安全性、召回、和谁比、售后、产地。把 AI 的原句存进基线；真出事时更新这一页，而不是从零写一页。