消费者只会问一句：这个牌子到底怎么样。德芙那起 80 万元罚款的案件已被十余家媒体报道、被列入长三角违法广告典型案例，当用户向 AI 提问「德芙巧克力怎么样」时，回答可能同时包含礼盒口感、七夕广告争议与处罚金额——品牌在 AI 里的形象，正在由别人写的稿子拼出来。这些判断，目前只能以 11 月 13 日的公开信息为限。
一条处罚通报，会变成 AI 的引用来源
这个案例适合用来看清 AI 回答的组装方式。媒体报道里有三类内容：监管通报（事实）、品牌致歉（回应）、销量数据（后果）。AI 在生成回答时会从不同来源抽取片段，如果它只抽到通报与销量，回答就会偏向「品牌出过事、卖得不好」；如果它同时抽到致歉与整改，描述会更完整。品牌能影响的不是模型判断，而是可被抽取的内容是否齐全。
这也解释了为什么舆情事件期间要同步做内容供给。澎湃新闻的报道保留了通报原文与致歉时间线，属于结构完整的一手材料；而只转述结论的短稿，被抽取时容易丢上下文。品牌如果只在自家渠道发声明、不做媒体沟通，AI 能抓到的就只有别人的片段。
描述偏差要按问题类型分开看
| 问题类型 | 典型问法 | 要看什么 |
|---|---|---|
| 产品型 | 这款巧克力甜不甜 | 参数与口感描述是否准确 |
| 品牌型 | 德芙这个牌子怎么样 | 是否只提负面事件 |
| 对比型 | 德芙和某品牌怎么选 | 竞品占位与比较维度 |
| 售后型 | 买到问题产品怎么办 | 是否给出正确渠道 |
四类问题的监测重点完全不同。产品型看参数准确性，品牌型看负面占比，对比型看竞品是否被优先推荐，售后型看是否把用户导向错误渠道。很多品牌只监测品牌型，结果产品参数写错了半年都没发现——而参数错误恰恰是最容易修的。
对比型最容易被忽略。当用户问「德芙和某品牌怎么选」，AI 的回答往往会列两三个品牌并给出一句判断。如果这句话的依据是三个月前的一篇测评，品牌当下的卖点根本不在里面。监测时要记录回答里出现的比较维度，而不只是品牌名是否出现。
引用来源比提及率更能定位问题
把回答里出现的域名列出来，通常能看到一个集中分布：电商详情页、测评站、新闻门户、论坛帖。如果品牌型问题的引用长期落在新闻门户的负面报道上，说明自有内容没有被当作信源；如果产品型问题的引用落在过期的电商页，说明页面更新滞后。两种问题的修法不同，前者要补权威内容，后者要修页面。
负面事件的半衰期没人能保证
舆情会过去，但索引不会自动清空。一篇 8 月的报道可能在 12 月仍被引用，除非有新内容把它挤出引用位。GEO 的作用在这里很具体：不是删除负面，而是让准确、完整的内容有同等机会被抽取（GEO 方法）。这需要持续供给，而不是一次性发稿。
这轮监测的具体做法
先建一组 30 个问题，覆盖产品、品牌、对比、售后四类，锁定措辞。再在同一周内跑完主流平台，逐条记录回答中的品牌提及、描述倾向、引用域名与事实错误。最后按问题类型分组，找出偏差最集中的一类，优先修那一类的内容，而不是全面铺开。
边界要说清：AI 回答受模型版本、检索时点与账号状态影响，同一问题不同时间可能不同；这起案件的后续（是否复议、是否有新的整改披露）尚未有公开信息。品牌能控制的只有内容供给与页面质量，不能控制模型怎么总结——这也是把「监测」和「优化」分开的原因（事件脉络）。
常见问题
负面报道会一直出现在 AI 回答里吗？
不一定，取决于是否有更新的权威内容进入引用池；没有新内容，旧报道会长期占据引用位。
GEO 能删除 AI 回答里的负面信息吗？
不能。GEO 做的是提高准确内容的可抓取与可引用性，不能操控模型输出。
四类问题里先修哪一类？
先修偏差最集中、且内容可修的那一类，通常是产品型的参数错误。
复测周期怎么定？
内容改动后两周看首轮，一个月看稳定值；模型版本更新后需重新基线。
