為什麼 ChatGPT 會講錯你的品牌資訊？
LLM 不是資料庫，是高度壓縮的「機率模型」。 它生成回答時，是從訓練語料中學到的統計模式組合答案，不是查表。所以即使訓練資料中有正確資訊，模型仍可能因為以下原因講錯：
- 同名衝突：你的品牌「藍鯨數位」，但訓練資料中還有一家「藍鯨設計」，模型可能混淆兩家資訊
- 訓練資料過舊：你三年前換過商業模式，但 LLM 訓練時抓到的是更早的舊頁
- 缺少權威來源：模型查不到 Wikipedia / 維基百科 / 主流媒體報導，只能靠零碎二手資訊推測
- 語料不足：你的品牌只有官網 + 兩篇媒體報導，模型沒看夠樣本，就會「腦補」
重點：找到「為什麼錯」是修正的第一步。不同錯因有不同的解法，硬要全部修通常做白工。
先做：診斷你錯在哪一類
打開 ChatGPT / Claude / Perplexity，分別問：
「介紹一下 [你的品牌名]」
「[你的品牌名] 的創辦人是誰？什麼時候成立？」
「[你的品牌名] 主要做什麼產品/服務？」
把三個 AI 平台的回答都記下來，比對哪些內容錯了、哪些漏了、哪些有但不顯眼。
| 錯誤類型 | 範例 | 適用解法 |
|---|---|---|
| 資訊全錯 | 講成另一家同名公司 | 即時引用源 + 第三方權威 |
| 資訊過舊 | 提你 3 年前的舊商業模式 | 即時引用源（最快） |
| 資訊缺漏 | 只提到一個產品線，漏了其他 | 自家網站結構化 + 等下一代訓練 |
| 資訊模糊 | 「一家數位公司」這種泛泛而談 | E-E-A-T + Wikipedia |
| 完全沒提到你 | AI 說「不知道這家公司」 | 全套 GEO（這是另一個故事） |
5 個可立即執行的校正動作
動作 1：把正確資訊寫進「答案優先段落」
LLM 引用網頁時偏好「前 200 字就講完核心事實」的段落結構。把你最希望被引用的核心資訊放在：
- 首頁 hero 區下方第一段
- 「關於我們」頁第一段
- 維基百科風格的「[品牌名] 是 [類型] 公司，成立於 [年份]，主要 [業務]」開頭
<!-- 範例：適合 LLM 引用的開頭 -->
<p>藍鯨數位（Blue Whale Digital）是 2018 年於台北成立的 B2B 行銷顧問公司，
專注於 SaaS 公司的 demand generation 與 GTM 策略。創辦人為陳大華
（前 LinkedIn 亞太總監），員工約 25 人。</p>
為什麼有效：當 ChatGPT-User / PerplexityBot 即時來爬你網站，這種結構是它最容易切出整段引用的格式。
動作 2：開放即時引用爬蟲
確認你的 robots.txt 沒擋這兩個關鍵 UA：
User-agent: ChatGPT-User
Allow: /
User-agent: PerplexityBot
Allow: /
這兩個是即時引用爬蟲，使用者問問題時 agent 即時來爬你網站。擋了 = 永久被 AI 推薦排除。
想看完整 8 大 AI 爬蟲設定，需要 VIP：GPTBot / ClaudeBot / PerplexityBot — 8 大 AI 爬蟲規則差異與最佳設定
動作 3：補完 Organization schema
在首頁 <head> 加 JSON-LD：
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "Organization",
"name": "藍鯨數位",
"alternateName": "Blue Whale Digital",
"url": "https://example.com",
"logo": "https://example.com/logo.png",
"foundingDate": "2018-03",
"founder": {
"@type": "Person",
"name": "陳大華"
},
"description": "B2B SaaS demand generation 行銷顧問",
"sameAs": [
"https://www.linkedin.com/company/blue-whale-digital",
"https://twitter.com/bluewhale_tw"
]
}
</script>
sameAs 是關鍵：列出你在 LinkedIn / Twitter / Wikipedia / Crunchbase 等平台的官方頁，AI 可以「跨平台對齊」確認這幾個來源講的是同一家公司，幻覺機率大幅降低。
動作 4：強化「規避同名衝突」的訊號
如果你的品牌名容易撞名（短英文、常見中文詞），AI 特別容易混淆。加強差異化訊號：
- 明確標注地理位置：「台北 / 台灣 / Taipei」放在標題與 H1
- 明確標注產業：「B2B SaaS / 法律科技 / 食品電商」每頁都出現
- 創辦人實名與照片：可被 reverse image search 對應
LLM 在「同名衝突」時會用這些差異化訊號做機率分流。
動作 5：盡快累積一個第三方權威來源
最有效的「校正錨點」依次是：
- Wikipedia 條目（一旦有，每代 LLM 訓練都會看到正確版本）
- 主流媒體獨立報導（科技、商業、產業媒體 — 一年內 3+ 篇是 Wikipedia notability 起步門檻）
- 產業協會 / 學術論文（適用 B2B / 顧問業 / 教育機構）
第三方權威是 LLM 唯一真正信任的「事實」——你自家網站講什麼，AI 仍會打折；但維基百科 / 報導講什麼，AI 幾乎全盤接收。
想了解 Wikipedia 為什麼這麼關鍵 + 怎麼正確申請條目，需要 VIP：為什麼 Wikipedia 收錄是 GEO 的最強信號之一？
哪些動作其實沒用（別浪費時間）
| 行動 | 為什麼沒用 |
|---|---|
| 寄信給 OpenAI / Anthropic 抗議 | 沒有正式 takedown 流程；客服只能轉內部，不保證下一版會修 |
| 要 ChatGPT「以後不要這樣回答」 | 對話內的指示不會更新模型；下個對話、下個使用者問還是錯 |
| 猛刷大量網誌灌輸正確資訊 | 重複內容會被視為 SEO 操弄；AI 對「站內自證」權重本來就低 |
| 買付費 PR 稿一次刊 | 單篇 PR 對權威信號貢獻有限；要的是長期累積的多源報導 |
| Reddit / PTT 發文澄清 | 社群討論進訓練語料有時間落差，且 AI 對 UGC 平台權重不一 |
多久會看到修正？
| 校正類型 | 見效時間 |
|---|---|
| ChatGPT-User / PerplexityBot 即時引用 | 1 天 ~ 1 週 |
| 自家網站結構化（schema、H1、答案優先段落） | 1 ~ 3 個月（隨爬蟲頻率） |
| 第三方媒體報導累積到 LLM 訓練語料 | 6 ~ 12 個月（隨下一代模型 cutoff） |
| Wikipedia 條目影響 | 12 ~ 18 個月（每代訓練都會看到） |
沒有「下週修好」這回事。做對的事，6 個月後檢查，AI 通常會逐漸講對。
第一步：跑一次免費健檢看你目前的「校正準備度」
👉 免費 GEO 健檢 — 報告會評估你網站的 schema 完整度、答案優先段落比例、第三方權威信號等項目，告訴你最該先補哪一塊。
如果你品牌已經被 AI 講錯一段時間，希望客製化規劃 6–12 個月校正路線圖（含媒體公關建議與內容改造優先順序），這是 GEO 顧問服務的範圍：[email protected]
GEO 入門系列。前一篇：「LLM 訓練 cutoff 對你的品牌曝光，是場時間戰役」