GEO-119·第 10 期·权威与站外·119 / 132
AI 答案里的负面提及：监测与修复
AI 答案里的负面提及，多半来自旧新闻、旧差评或错误实体，而不是当下的产品问题。本文把负面断言拆成三类，给出监测表、四条修复路径与一个可复用的复测节奏，并划清删不掉与不该删的边界。
本期主线可度量：AI 可见度、归因与实验
示例：黑五前一周，一家做宠物智能喂食器的出海团队收到一张截图：买家在 ChatGPT 里问“这个牌子的喂食器靠谱吗”，回答第一句是“该品牌 App 连接不稳定、客服响应慢”，第二句才提到“价格有竞争力”。团队查了半天，产品 2024 年已经换了连接方案，客服 SLA 也重写了，但 AI 引用的仍是 2023 年的一条 Reddit 长帖和一条三年前的测评。
AI 答案里的负面提及不是舆情问题，而是语料结构问题：模型复述的是它检索到的、细节最全的旧句子；修复顺序是先按来源把负面拆成事实错误、过时体验、真实缺陷三类，再分别改实体、补新证据、修产品，最后用同一组 prompt 复测。
先分类：负面提及只有三种来源
把负面提及当成一个整体去“处理”，是这类项目最常见的浪费。同样是“App 连不上”，来自旧帖、平台差评和错误实体，处理方式完全不同。
| 来源 | 典型形态 | AI 为什么会用它 | 可干预程度 |
|---|---|---|---|
| 旧新闻与旧测评 | 三年前的召回报道、停产型号的评测 | 细节完整、有日期有结论、长期可检索 | 中：能补更新，原文删不掉 |
| 平台差评与投诉 | 一星评论、物流投诉、消协类记录 | 具体、情绪强、第三方属性 | 低：真实体验不能买断，只能改比例 |
| 错误实体 | 同名品牌、过时品类、混用的成立年份与产地 | 实体解析失败，取错了节点 | 高：官网、目录、知识库可改 |
三类之外还有一种情况：产品确实有问题。它不属于修复，属于产品与履约的整改。GEO 只能决定别人怎么看到它，不能决定它是否存在。
模型为什么偏爱旧差评
负面比正面更容易被摘走，原因不是模型有偏见，而是可引用性。
好评常写成“很好用”“质量不错”，没有条件、没有细节，模型无法验证，只能跳过。差评天然带场景、时间、数量：“用了两周，第三次充电后连不上”“退款等了二十一天”。细节越具体，越容易被原句搬进答案。旧帖还有一层优势：它被回复、被别的站引用，在检索结果里出现得更频繁。
A 牌官网写“全新升级连接方案”，Reddit 上写“2023 年 8 月买的，App 一直断连”。对模型来说，后者是一条可核验的事实陈述，前者只是一句主张。两者并存时，答案通常保留具体的那条，再把品牌说法放在后面作为“官方回应”。这就是负面被平均化的机制，也是品牌叙事一致性要处理的问题：不是把负面删掉，而是让新旧语料在同一口径下可区分。
还有一个结构性原因：修复动作通常发生在官网，而负面来源在站外。检索时官网只占少数位置。官网改得再清楚，只要站外没有一条带日期的更新记录，答案结构就不会变。
五步：从监测到复测
不要为负面提及新建一套工具。把它挂在已有的AI 可见度指标旁边，多记一个字段：负面断言。
| 步骤 | 做什么 | 谁来做 | 怎么算过 |
|---|---|---|---|
| 1 建负面 prompt set | 在现有问题链里补“缺点、投诉、退货、客服、召回、和谁比”六类问法 | 增长 + 本地运营 | 每条有地区、语言、负责人 |
| 2 抓原句与来源 | 记录答案原句、引用 URL、日期、账号与地区，不改写、不只截结论 | 内容 | 每条断言落到至少一个来源 URL |
| 3 三分类归因 | 事实错误、过时体验、真实缺陷，一条一个负责人 | 品牌 + 品类 + 客服 | 没有“待定”这一类 |
| 4 分路径修复 | 改实体、补带日期的新证据、修产品与履约 | 跨部门 | 每条有交付物与上线日期 |
| 5 复测 | 同 prompt、同地区，间隔两到四周重复采样 | 增长 | 连续两轮结论一致再结案 |
第 4 步的四条路径差别很大，不要混着做：
- 事实错误：先修实体。名称、品类、成立年份、产地、型号在各处对齐，把品牌实体是否存在这件事做到不矛盾；再建一页事实页，写清召回范围、适用型号、合规证书与时间线，用可核验的编号，而不是“已全面整改”。
- 过时体验：用带日期的新证据覆盖。版本更新说明、第三方复测、公开的客服 SLA 与响应时长样本。不要买好评，也不要让代理写“用户一致好评”，模板措辞模型能认出来，平台也会删。
- 真实缺陷：公开承认、给改进时间线、写清补偿政策。藏起来只会让旧帖成为唯一信源。
- 恶意关联与同名混淆：走平台申诉与法务，不在内容层解决。
示例：一条断连帖的三个月
以下品牌与数据为虚构，只演示顺序与判定口径。
假设一家宠物喂食器品牌（示例），2023 年一条 Reddit 帖写“App 断连，出差时喂不了猫”，两个测评站引用过。2024 年产品改成蓝牙直连加本地缓存，但 AI 答案仍写“App 连接不稳定”。
第 1 周：官网发布“连接方式变更说明”，写清适用型号、固件版本、变更日期、旧版本的问题范围；同一份事实进商品结构化数据；同步到商店页与两个目录。
第 3 周：寄样给两位测评人复测，不干预结论，只要求写清测试日期与版本号。其中一位记录了断网当天的出粮情况。
第 5 周：用品牌账号在原帖下回复，说明版本与时间，不争论对方体验的真假，是否更新交给作者。
第 8 周：同一 prompt 复测三次。答案从“App 连接不稳定”变成“早期版本有断连投诉，2024 年后改为本地缓存”。负面没有消失，但被时间限定了，这就是这类修复的合理目标。以上为示例表述，不代表任何平台的具体答案行为。
复测没变化时，不要立刻加预算。先看引用 URL 换没换：没换，说明新语料还没进检索池；换了但结论没变，说明新语料的细节还不够具体。要判断修复带来的增量、排除答案自然波动，可以借用增量实验里的重复采样与 holdout 口径。
边界：删不掉的部分是常态
第一，真实缺陷修不掉。召回、安全、虚假宣传这类负面，正确动作是合规与产品；GEO 只放大事实，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“品牌回应避重就轻”。
第二，真实评价不能买断。要求删评、刷好评、付费换正面测评，在多数市场违反平台规则，也可能触法。能做的是让真实的好证据变得可检索，不是让坏证据消失。
第三，答案本身在波动。同一问题，不同地区、不同账号、不同时间结果不同。一次截图既不能证明修复有效，也不能证明危机结束。
第四，小品类不划算。一年只有几条负面提及的品类，建全套监测的成本高于收益，按季度抽查即可。
第五，危机爆发期顺序不同。第一优先级是统一口径与事实页，不是排名。这时候发“品牌升级”通稿，通常只会多一条被引用的空话。整套动作属于权威与站外这条线，和实体、评测、社区的关系比和内容排期更近。
这个月先做一件事：把最近三十天 AI 回答里关于你的负面句子逐条抄下来，标出来源 URL 和三分类。只要有一条落在“事实错误”，先去修实体，而不是写公关稿；修完把这条 prompt 存进监测表，四周后复测。