截至11月1日的公开信息，阿迪达斯在10月29日公布的三季度业绩里，营收72.5亿欧元、同比增长9.4%，与市场预估持平；营业利润10.1亿欧元、同比增长37%；除税前利润9.48亿欧元、同比增长46%，高于市场预估的8.221亿欧元。同一份财报里，三个数字分别对应「持平」和「高于预期」两种结论，这正是AI回答最容易出错的地方：答案会把不同口径的数据拼成一句话，而读者只看得到那句话。
财报数字为什么在AI回答里变样
财务信息在AI回答里通常会经历三步压缩：先被媒体摘成一句结论，再被问答页摘成一段摘要，最后被模型摘成一个数字加一个判断。每压缩一次，口径就丢一层。到了用户面前，「营收与预期持平、利润高于预期」很可能变成「业绩超预期」，而这句话在事实上并不完全错，却在口径上完全错。
更麻烦的是币种与时点。财报用欧元，市场预估也用欧元，一旦答案换成本币呈现，同比数字仍然成立，但读者对规模的感知已经变了。品牌如果只监测「有没有被提到」，就会漏掉这类问题：品牌被提到了，数字也在，但结论是错的。
持平与超预期之间隔着一个口径
「与市场预估持平」是一个比较结论，需要同时给出实际值与预估值得以成立；「高于预期」则需要指明是哪一项指标高于哪一份预估。当AI回答把两者合并，读者无法判断到底是营收超预期还是利润超预期，而这恰恰是投资者和渠道商最关心的差别。品牌要监测的不是数字是否存在，而是结论是否与官方口径一致。
三个口径最容易对不上
第一个是集团口径与区域口径。集团营收增长9.4%不等于每个区域都增长，答案如果把集团增速直接套到某个市场，结论就会失真。第二个是同比与环比。财报默认同比，答案有时会混用环比，两个数字都不假，指向的趋势却相反。第三个是营业利润与除税前利润，两者差额来自财务费用与特殊项目，混用会让利润率看起来更好或更差。
这三个口径之所以容易错，是因为它们在语言上高度相似，模型在压缩时很难自动分辨。对品牌来说，可操作的做法是主动提供口径说明：在官网投资者关系页面把关键指标的定义、计算方式和比较基准写清楚，让AI回答在检索时能直接抓到一段可引用的定义，而不是只能抓到二手摘要。
| 口径维度 | 常见错法 | 该怎么测 |
|---|---|---|
| 集团与区域 | 把集团增速套到单一市场 | 按市场分别比对答案与财报 |
| 同比与环比 | 两个口径混用 | 记录答案中的时间基准 |
| 利润口径 | 营业利润与除税前利润混用 | 逐项核对答案数字 |
| 币种 | 换算后仍标注原同比 | 检查是否注明汇率与时点 |
市场预估也要有出处
「高于预估」这个判断依赖一份具体的预估，而预估本身有来源、有时点。AI回答在引用这类比较时，往往省略预估来源，读者无从核验。品牌无法控制第三方预估，但可以确保官方披露里明确写出比较基准，让答案在引用时至少有据可依。这也是GEO里最容易被忽略的一环：不是让答案说好话，而是让答案说得清。
把官方口径做成可引用的页面
第一步是把关键指标定义单独成页，一页一个指标，写清计算方式、比较基准和时间范围，标题就用指标名，方便检索命中。第二步是给每个数字配一句人话解释，说明它为什么变化，而不是只给百分比。第三步是在同一页面保留历史数据，让答案在引用时能区分「本季度」和「去年同期」。
第四步才是监测。用一组固定的问题去问各平台，比如「某品牌最新一季度营收多少」「增速是同比还是环比」，把答案原文归档，逐项与官方口径比对。这个过程不需要复杂工具，需要的是一份稳定的问题库和一张对照表。做得久了，就能看出哪个平台偏好摘要、哪个平台偏好原始披露，内容策略也随之明确。
常见问题
为什么AI回答会把「持平」说成「超预期」？
因为答案在压缩时会丢掉比较基准。营收与预估持平、利润高于预估，是同一份财报里的两个结论，一旦被合并成一句「业绩超预期」，事实没错但口径错了。
品牌能控制AI回答里的财务数字吗？
不能直接控制，但可以影响可被引用的证据。把指标定义、计算方式和比较基准写成独立、结构清楚的页面，答案在检索时更容易抓到官方口径，而不是二手摘要。
监测财务类问题应该看什么？
看结论与口径是否一致，而不只是看品牌有没有被提到。数字存在但结论错，比没被提到更危险，因为它看起来可信。
预估来源缺失为什么是问题？
因为「高于预估」依赖一份具体预估。答案省略来源后，读者无法核验，品牌也无法解释差异，这类引用在复核时通常站不住。
