截至 11 月 6 日的公开信息，公开判例显示有消费者用 AI 软件伪造榴莲、车厘子腐烂图片申请仅退款，四个月下单 100 余笔、涉案 1.6 万余元，被以诈骗罪判处有期徒刑一年；另一起案件中，消费者用同一退货单号制造“两件均已退回”的假象，骗取服装 100 余件、价值约 9 万元，获刑二年六个月。同期平台上的 AI 生成商品图与明星 AI 带货，也在带来货不对版的风险。对做 AI 可见度与内容治理的品牌来说，这组案例指向一个更根本的问题：当 AI 能批量生成“证据”，AI 回答里引用的评价与内容还可信吗。
AI伪造的图片 正在污染证据池
AI 生成内容的成本已经低到可以批量使用。一张“腐烂水果”的照片，用几句话就能生成，真假难辨。当这类图片进入售后与评价体系，平台与品牌面对的就不再是个别欺诈，而是证据池被系统性污染。判断一张图是否真实，正在从“看一眼”变成“查来源”。
对 AI 回答的影响是间接但深远的。AI 在生成推荐或总结评价时，会抓取平台上的图文内容。如果抓到的评价本身是伪造的，回答的可信度就会下降。品牌无法控制模型抓到什么，但可以控制自己提供的内容质量，以及能否在回答被引用时提供可核验的证据。
为什么“有图有真相”不再成立
因为图片的生产成本已经低于验证成本。过去验证一张图需要专业鉴定，现在生成一张图只需要几秒钟。验证成本高于生产成本时，证据的可信度就会整体下降。这也是平台开始要求上传原始文件、要求视频连续拍摄的原因。
AI回答的引用来源 需要分级
品牌的 AI 可见度依赖引用，引用的质量决定可信度。可以把引用来源分成三级：一级是官方页面与检测报告，二级是权威媒体与专业评测，三级是用户评价与社区内容。三级来源的数量最多、抓取最容易，但也最容易被污染。优化时应优先提升一级与二级来源的占比。
| 来源等级 | 典型类型 | 可信度风险 |
|---|---|---|
| 一级 | 官方页面、检测报告 | 更新滞后 |
| 二级 | 媒体、专业评测 | 结论被简化 |
| 三级 | 用户评价、社区内容 | 可能被批量伪造 |
这张表对应一个具体的动作：在做引用监测时，不只统计“被引用了多少次”，还要统计“引用来自哪一级”。如果八成引用来自三级来源，可见度就很脆弱——一次批量伪造就能改变回答的内容。把引用结构从三级向一级迁移，是提升稳定性的长期工作。
品牌该留哪几种证据
第一类是产品证据：成分表、检测报告、生产批次记录。第二类是交易证据：发货录像、签收记录、售后处理记录。第三类是内容证据：官方发布的图文、视频的原始文件与时间戳。三类证据的共同点是可以被第三方核验，而不是只靠品牌自述。
证据的作用不只是应对纠纷，它还是 AI 可见度的底层资产。当 AI 回答需要引用具体参数或结论时，能提供结构化、可核验信息的品牌更容易被选中。反过来，只有营销话术的品牌，即使被提及，也难以被深入引用。
把证据做成可被引用的结构
可被引用的结构有三个特征：字段清晰、来源明确、时间可查。比如检测报告，应标注检测机构、报告编号、检测项目与出具日期；产品参数应标注测试条件与标准编号。这些信息看起来琐碎，但正是模型判断可信度的依据。
监测体系要加一层真实性校验
现有的可见度监测通常只记录品牌是否出现、位次与引用来源。建议再加一层真实性校验：记录回答中引用的关键事实，回溯到原始来源，确认来源是否存在、内容是否一致。这一步会增加工作量，但能发现“被引用的是伪造内容”这类高风险问题。
校验的频率不必与监测同步。可以按月抽样，选取引用量最高的若干条回答做深度校验。抽样比例不需要很高，因为伪造内容往往集中出现，抽到一次就能顺藤摸瓜。
最后是跨部门协作。证据的真实性校验涉及法务、质检、内容与数据四个团队，单靠市场团队做不了。建议指定一个牵头人，把校验流程固化成季度动作，而不是临时应对。流程固化之后，问题才能被系统性发现。
把伪造风险写进内容规范
品牌自己的内容团队也可能无意中使用 AI 生成素材。内容规范里应明确：产品实拍图不得用 AI 替换关键细节，场景图如需 AI 辅助必须标注，功效表述必须有检测依据。规范越具体，执行越不容易走偏。
常见问题
AI 伪造图片会影响品牌的 AI 可见度吗？
会间接影响。伪造评价进入引用池后，回答的可信度下降；品牌若无法提供可核验证据，也难被深入引用。
怎么判断一条评价是否由 AI 生成？
看图片的原始文件信息、发布时间密度与表述模式。单条难以判断，批量出现高度相似的内容时，风险明显上升。
引用来源分级有什么用？
它把“被引用多少次”细化成“被谁引用”。三级来源占比过高时，可见度容易受污染影响，需要向一级来源迁移。
品牌需要保存哪些证据？
产品证据（检测报告、批次记录）、交易证据（发货与售后记录）、内容证据（原始文件与时间戳）。共同点是可以被第三方核验。
