“被提到”这三个字，在 AI 搜索的语境里经常被当成结果，其实它只是一个开始：被提到的那个网址、那家门店是否真实存在，才是后面要回答的问题。核验截止 2026 年 11 月 15 日，公开信息显示品牌保护公司 Podqi 测试了涉及 151 个品牌的 6795 条 ChatGPT、Gemini 与 Perplexity 回答，发现风险站点在 Perplexity 回答中占 15%、ChatGPT 占 8%、Gemini 占 4%，风险站点的类型包括假冒零售商网站、售假卖家、被重新注册的废弃域名以及非活跃站点。这项研究把 AI 可见度监测里一个长期被忽略的环节推到了台前：引用链的核验。
四个百分比要先看清口径
最后一行必须放在最前面读。研究者自建提示词与真实用户对话存在系统性差异：提示词更集中、更偏向试探边界，真实提问更分散、更口语化。因此 15%、8%、4% 这三个数字应当理解为「在受控提问下风险站点出现的相对频率」，而不是「多少消费者会遇到假站」。把口径说清楚，才能避免用这份数据去论证一个它无法支撑的结论。
即便打了折扣，这份研究仍然有价值。它至少证明了一件事：AI 答案里的引用来源不天然可靠，而品牌方通常没有任何机制去核验这些来源。多数团队的监测停留在「有没有被提到」，没有走到「提到的是谁」。
| 引擎 | 风险站点出现比例 | 引用稳定性参考 | 核验优先级 |
|---|---|---|---|
| Perplexity | 15% | 次日重复引用约 91% 的站点 | 高，引用多且稳定，错误会被反复放大 |
| ChatGPT | 8% | 来源结构变化较快 | 中，需按周期复测 |
| Gemini | 4% | 次日重复引用约 40% 的站点 | 中低，但地区类提问仍需核查 |
这张表把风险比例与引用稳定性放在一起看，优先级就清楚了。Perplexity 的风险比例最高，同时它的引用最稳定，意味着一个错误来源可能被连续多天反复引用，纠错成本也最高。Gemini 的风险比例最低、引用最不稳定，单次错误的持续时间短，但它的地区类提问更容易引出不存在的门店，这一类错误对线下品牌的实际伤害反而更大。
风险站点有四种形态
四种形态的成因完全不同，处理方式也不同。把它们统称为「假站」，会导致应对动作失焦。
假冒零售商与售假卖家
这两类最常见，也最直接。假冒零售商网站通常复制品牌视觉与商品结构，用低价吸引搜索流量；售假卖家则寄生在已有平台上，用品牌词做标题。它们在 AI 答案里出现时，往往被描述成「可以购买该品牌的渠道之一」，这句话本身就构成了对品牌的伤害。
废弃域名被重新注册
这一类最隐蔽。品牌曾经用过的域名、区域站点、活动页，在停止维护后被第三方注册，内容可能被替换成完全无关甚至有害的信息。由于域名历史上确实属于品牌，模型的记忆里仍然把它与品牌关联，于是它很容易被当作可信来源引用。核验这类风险需要一份完整的历史域名清单，多数品牌并没有。
地区门店是最容易出错的一层
研究特别指出，询问地区网站的问题尤其容易出现风险站点，AI 系统有时会引用并不存在的地区门店。这一点对连锁品牌的影响被严重低估：一个不存在的门店地址如果被消费者看到，损失的是一次到店；如果被加盟商或合作方看到，损失的是信任。
地区类错误的成因有两层。一层是数据源本身不准确，第三方点评站、聚合页、招商页上的门店信息更新滞后；另一层是模型在缺少明确信息时倾向于生成一个「看起来合理」的地址，而不是承认不知道。两层叠加，就出现了地址格式正确、门店并不存在的情况。
这也解释了为什么地区类提问的核验不能靠抽查。全国几百个城市，抽查几个城市的门店信息，很容易全部正确，却漏掉那些已经在第三方页面里挂了三年的旧地址。可行的做法是把品牌官方门店列表做成可被机器读取的结构化数据，并定期与主要第三方来源比对差异，差异项优先处理。
引用链要验到第三层
把引用核验拆成三层，是这套工作能落地的前提。只做第一层，等于没做。
第一层：域名归属
答案引用了哪些域名，这些域名是否属于品牌或品牌授权的渠道。这一层最容易做，也最常被跳过。做一次全量抓取，把所有被引用的域名列出来，逐个确认归属，就能发现大部分问题。
第二层：页面内容是否存在且准确
域名归属正确，内容未必准确。区域站点的门店列表、活动页的价格、产品页的规格，都可能在无人维护的情况下过期。这一层需要抽样打开页面核对，工作量比第一层大得多，但错误率也更高。
第三层：引用与品牌认知是否一致
最容易被忽略的一层。页面内容准确，但被引用的上下文可能把品牌放进了错误的定位里：把高端线描述成平价替代，把区域限定产品描述成全国在售。这类偏差不会出现在任何错误报告里，却直接影响转化。核验方式是记录答案中对品牌的描述句，与品牌自己的定位表述逐条比对。
三层做完，才算完成一次引用核验。多数团队停在第一层，因为第一层可以用脚本跑；第二层与第三层需要人工判断，成本高、频率低。折中的做法是把第二层做成轮换抽查，每季度覆盖全部区域站点一次，第三层则固定在品类大促前后各做一次。
一次引用核查怎么做
这张表的价值在于把「感觉有问题」变成「可以排期」。引用核验最怕的是没有终点：域名无穷多、页面天天变，做一轮永远做不完。按影响面排序之后，一轮只需要处理前二十项，剩下的进观察名单，下一轮再看。这样核验才能成为固定动作，而不是一次性的项目。
常见问题
关于 AI 答案中的引用核验，品牌团队最集中的疑问在数据解读、责任边界与执行频率三个方向。下面几组问答按这个顺序整理。
AI 回答里的引用来源出了问题，会影响品牌可见度吗？
不能直接套用。研究使用的是研究者自建提示词，不是真实用户对话，百分比反映的是受控提问下的相对频率，不能解读为消费者遭遇假站的概率。
发现假站之后该找平台还是找域名持有人？
两条路并行。域名层面的侵权可以通过注册商与法律途径处理，AI 答案层面的纠错则依赖内容源的更新，速度通常慢于前者，所以更需要提前建立监测。
引用核验多久做一次？
域名归属于第一层可按月跑脚本，页面核对建议按季度轮换覆盖，定位偏差这类第三层核验固定在大促前后各一次即可。
没有门店的品牌要不要做这件事？
要做，重点不同。没有线下门店的品牌风险集中在假冒零售商与废弃域名，核验重点放在域名归属与页面内容，不需要处理门店地址。
数据来源
本文数据与事实核验截止 2026 年 11 月 15 日，来源如下。
