截至10月30日的公开信息，SK海力士第三季度营业收入104.62万亿韩元、营业利润83.33万亿韩元、同比增长632.1%、营业利润率80%，并称DRAM与HBM未来三年产量接近售罄。这组数字在发布后不到一天就出现在各类AI回答里，但同一个事实被写成了至少三种口径：韩元原值、人民币折算、同比增速。对做GEO的团队来说，这是一个典型样本——数字本身是真的，引用却经常错位。
同一个数字在AI回答里有三种写法
三种写法各自都有问题。用韩元原值，中文用户没有尺度感，容易低估规模；用人民币折算，汇率与取整方式不统一，同一天的答案可能相差数百亿；用同比增速，虽然直观，却容易被误读成营收增速而非营业利润增速。三种写法混用时，用户看到的是一组互相矛盾的数字，而每一个数字都能在原文里找到依据。
这正是AI回答的典型失真模式：不是凭空编造，而是把真实数据放在错误的口径里。传统搜索把链接列出来，用户点进去能看到原文与单位；AI回答把结论直接给出，单位与口径被压缩掉，剩下一个孤立的数字。对品牌来说，这意味着被引用的风险不在于有没有内容，而在于内容是否带口径。
口径错位从哪里来
信源结构决定了答案形状
当AI回答引用的是二手转述而非原始财报，口径就会在转述中被简化。转述者为了可读性会省略单位、合并指标、取整数字，这些处理在人类阅读时无伤大雅，被模型抓取后却成了事实。品牌能做的不是阻止转述，而是确保自己的原始口径足够容易被引用——单位、期间、指标定义三者齐全。
时间差带来系统性偏差
第二类错位来自训练数据的时间差。上一季度的数字、去年的同比基数、旧型号的参数，都可能被当作当前事实陈述。这类偏差在快速变化的行业里尤其明显：存储价格一个季度就能翻转，AI回答却可能停留在半年前的口径上，而且语气同样确定。
品牌该盯哪三类引用
| 引用类型 | 风险 | 监测动作 |
|---|---|---|
| 原始财报 | 低 | 核对单位与期间 |
| 二手转述 | 中 | 比对指标定义 |
| 社区讨论 | 高 | 标记为待确认 |
三类引用的风险等级不同，处理方式也应不同。原始财报的引用风险最低，只需核对单位与期间；二手转述的风险在于指标被合并或替换，需要比对定义；社区讨论的风险最高，因为其中常混入推测与传闻，应统一标记为待确认，不进入事实库。品牌监测引用来源时，按这三类分层统计，比只看引用总量更有意义。
把这些落到GEO的优化闭环上，路径是清晰的：先用问题库固定一批与自身品类相关的提问，再在多平台按周抓取AI回答，按三类引用分层记录，对出现口径错位的答案补充带单位的原始内容，两周后复测同一问题。竞品对比也要用同一套口径，否则比较本身就会失真。这套流程不承诺改变AI回答，但能让偏差从不可见变成可追踪。
常见问题
AI回答里的数字都是编的吗？
多数不是。更常见的情况是数字真实但口径错位：单位被省略、期间被混淆、指标被替换。这类错误比编造更难识别，因为每个数字都能在原文里找到依据，只是被放在了错误的位置上。
品牌该怎么减少口径错位？
为关键数据建立口径卡，写清单位、期间、指标定义与折算汇率，并让这些信息出现在可被引用的页面上。转述者省略口径是因为原文没有强调，原文强调了，转述保留的概率就会上升。
引用来源结构为什么比引用总量重要？
总量只说明被提到多少次，结构说明被谁提到。原始财报占比高，说明答案可靠；社区讨论占比高，说明事实基础薄弱。优化时应优先提升原始来源的占比，而不是追求提及次数。
竞品对比怎么做才不失真？
同一套口径、同一时间段、同一指标定义，三者缺一不可。很多对比失真不是数据错误，而是拿自己的营收增速去比对手的利润增速，维度不一致，结论自然没有意义。
