「跟男朋友要了很久的德芙七彩礼盒也没给我买，今天趁男朋友不在跟暧昧对象分享了。」这句来自店铺宣传视频的文案，如今连同80万元罚单一起，成了公开报道的一部分。11月12日上海市场监管部门公布典型案例后，品牌方与运营主体的责任划分、致歉声明、处罚金额，全部进入可检索的公开信源（央广网报道）。此前，品牌在 AI 回答里被提到，多半是产品评测或促销信息；现在，一段负面事实有了稳定链接，模型引用它的概率随之上升。对做 AI 回答监测的团队来说，这是观察“描述偏差如何形成”的一个现成样本。
负面事实一旦可引用，回答框架就会变
模型引用信源有很强的路径依赖：一条被多家媒体转载、带明确主体和金额的报道，比十篇品牌宣传稿更容易被选中。这意味着负面事件的可见度，往往不是由事件本身决定的，而是由它的信源密度决定的。同一件事，如果只有一家地方媒体报道，模型可能完全不提；被央广网、地方媒体、行业媒体同时覆盖之后，它就成了回答里绕不开的一段。
更麻烦的是框架问题。回答里出现“某品牌因低俗广告被罚”这样的表述，事实层面没错，但它把一次单点事件固化成品牌标签。要判断这是事实引用还是框架偏差，得看回答有没有同时给出整改动作、时间范围和行业背景。只提罚单不提整改，读者的判断就会偏向一边。
三种偏差，处理方式完全不同
事实错误：直接改信源
最容易被发现的一类，是金额、时间、主体写错。这类偏差的成因通常是信源本身有误，或者模型把不同事件拼接在一起。处理方式很直接：找到被引用的那篇内容，确认真实信息，推动更正。如果错误来自模型自身的推断，没有任何引用支撑，那就只能通过补充权威内容来提高正确信源的比例。
框架偏差：靠信源结构改
第二类是事实都对，但比例失衡。比如回答用三段讲罚单、一句带过产品，读者的印象就会偏向负面。这类偏差没法靠“要求模型改”解决，只能调整信源结构：让整改说明、第三方检测、产品参数这些内容变得同样容易检索、同样结构清晰。模型在组织回答时，会按可用信源的密度分配篇幅。
亿邦动力的观察提供了一个旁证：AI 导购介入后，推荐结果更多依赖商品信息的结构化程度、可读性与可验证性，信息不完整的商品链接在 AI 推荐中处于劣势（零售动态）。这条规律对品牌叙事同样成立——不被结构化呈现的信息，等于不存在。
竞品对比偏差：按问题组看
第三类出现在对比型问题里。当用户问“某类巧克力哪个牌子好”，回答可能把涉事品牌直接排除，也可能把它和竞品并列但排位下滑。这类变化不能按品牌看，要按问题组看：同一组问句在事件前后的推荐位次变化，才是可比的信号。单看某一天的答案，很容易把采样波动当成趋势。
危机期的监测表，四个字段就够
| 字段 | 记录什么 | 异常判断 |
|---|---|---|
| 品牌提及率 | 同一组问题中被提到的比例 | 连续三天低于基线三成 |
| 描述倾向 | 正面、中性、负面段落的比例 | 负面段落超过一半 |
| 引用来源 | 回答中出现的链接与机构 | 单一来源占比过高 |
| 竞品位次 | 对比型问题中的排序 | 位次连续下滑两周 |
四个字段里，引用来源最能解释原因。描述倾向是结果，引用来源是原因；只记录倾向，团队会陷在“为什么变差了”的讨论里，记录来源才能回答“被谁带偏了”。
问题库要跟着事件重写一遍
- 加一组风险问句把“某品牌有什么负面”“某品牌广告事件”这类问句固定下来，看回答如何组织。
- 补可引用的整改页整改说明要写清时间、范围、动作，结构越清楚越容易被引用。
- 保留基线快照事件前的回答要存档，否则事后无法判断哪些变化是事件带来的。
三件事里，基线快照最容易被跳过，也最影响后续判断。没有事件前的回答存档，团队只能凭印象说“好像变差了”，无法向管理层证明优化有没有效。
常见问题
AI 回答里出现品牌的负面旧闻，算不算描述偏差？
要看是否失实。如果引用的是真实处罚记录，属于事实引用，不算偏差；失实体现在比例失衡，比如只提罚单不提整改，或者把个案描述成普遍问题。监测时要把事实错误和框架偏差分开记录。
怎么判断一条回答是被新闻稿带偏的？
看引用来源的构成。如果回答里的品牌描述与某篇报道的措辞高度一致，且引用列表里就有那篇报道，基本可以判断是信源驱动。反过来，没有任何引用却出现具体结论，更可能是模型自身的语义泛化，处理方式完全不同。
品牌危机之后，GEO 上最该先做什么？
先补齐可被引用的正面事实页。模型倾向引用结构清晰、可核验的内容，整改说明、第三方检测、产品参数这类页面比品牌宣传稿更容易被选中。只删负面不做正向信源建设，描述框架很难改变。
多平台监测，样本量要多大才够？
同一组问题每个平台每天至少跑三遍，连续两周，才能区分模型波动和真实变化。低于这个量，单日差异很可能只是采样噪声，不足以支撑优化决策。
