今年三月，一个做 SaaS 的创业者朋友兴奋地告诉我，他的产品被 GPT 推荐了——在某个行业分析 Prompt 中，GPT 把他们的工具列为该品类的”市场领导者”。问题是：他的产品只上线了三个月，用户不到 200 人，功能也只有竞品的 40%。GPT 不是评估了他的产品，而是编造了一个合理的故事。
这不是孤例。随着大语言模型成为新的”信息入口”，一个全新的品牌风险正在浮现：AI 幻觉正在重新定义你的品牌形象，而你毫不知情。
当 AI 成为你的”品牌代言人”
传统的品牌管理有清晰的闭环：你发布 PR、投广告、运营社交媒体，然后通过调研了解消费者如何看待你。这个链条中，品牌方是信息的主人。
大模型打破了这一切。当消费者问 “Which CRM is best for small businesses?” 或 “推荐一下国内好用的数据分析工具” 时，LLM 给出的回答正在成为新的”品牌真相”。而问题是——LLM 的回答经常是错的。
斯坦福和 MIT 的一项联合研究发现，在涉及具体品牌和产品的问题中，GPT-4 的幻觉率高达 27%（某些垂直品类甚至超过 40%）。这些幻觉包括：
- 编造产品功能：声称某工具支持尚未上线的功能
- 虚构市场份额：把名不见经传的初创公司描述为”行业领导者”
- 错误的定价信息：给出过时或完全错误的定价
- 捏造用户评价：引用不存在的 G2 评论或客户案例
- 混淆竞品归属：把 A 公司的功能安到 B 公司头上
你可能会想，”幻觉率 27% 也不算高啊。” 但对于一个品牌来说，这 27% 的失真率意味着：每四个提到你品牌的 AI 对话中，就有一个在传播错误信息。 没有哪个 CMO 能接受这样的公关口径。
为什么 AI 特别容易”编造”品牌信息？
理解这个问题，需要看看 LLM 的内部工作机制。
大模型本质上是”下一个词预测器”。当你问它一个品牌相关的问题时，它不是在查询数据库，而是在复现训练数据中的统计模式。如果一个品牌在训练数据中被频繁提及，但信息片段散落在不同上下文中，模型就会”缝合”出一个看起来合理、但实际错误的回答。
更麻烦的是“品牌锚定幻觉”——模型倾向于把知名品牌的形象”投射”到同品类的其他品牌上。比如：
- 问一个 CRM 产品，模型可能把 Salesforce 的功能特性”分配”到它身上
- 问一个新兴 AI 工具，模型可能把 OpenAI 的技术路线图”借用”给它
这种幻觉特别隐蔽，因为生成的回答看起来非常专业——完整的产品名称、听起来靠谱的数据、像模像样的行业分析。唯一的非真实感来自业内人士才能发现的细节错位。
三个真实案例
案例 1：被”升级”的产品
一家做客服机器人的公司发现，用户发来的咨询中有 15% 是关于”产品尚未上线的高级分析功能”。追溯到源头才发现，是 ChatGPT 在一次”客服工具对比”的回答中，声称该产品支持”情感分析与情绪识别”——这是一个规划中的功能，但至少还要六个月才能上线。潜在客户带着这个预期来试用，失望而归。
案例 2：被”降级”的定价
一家年收入 5000 万的营销自动化平台发现，多个潜在客户在询价时提到”听说你们的价格从 $99 起步”。实际上，他们的最低价是 $499/月。追踪后发现，一个技术博客在 2022 年写过一篇对比文章，其中引用了当时的早期定价。这篇文章被模型纳入回答后，过时的定价信息就成了”事实”。
案例 3：被”发明”的竞争对手
最离奇的是一个垂直行业的 SaaS 公司。创始人收到投资人问询：”听说有个叫 DataMind 的公司在做同样的事情，市场反响很好，你们怎么看？” 创始人从未听说过 DataMind。搜索后发现——它不存在。是 LLM 在一篇行业分析中”发明”了一个虚构的竞争对手。
CMO 的新必修课：AI 品牌公关
面对这个现实，品牌团队需要建立一套全新的应对体系：
1. 建立”AI 品牌声誉监测”
就像监测社交媒体声量一样，定期向主流大模型投喂品牌相关的 Prompts，记录它们的回答是否准确。工具层面，可以用 Prompt 模板批量跑测试：
1
2
3
"推荐三个{行业}的数据分析工具，说明各自优缺点"
"{品牌名}的主要功能有哪些？和{竞品}比怎么样？"
"{品牌名}的价格是怎样的？适合什么样的公司？"
如果发现幻觉，建立分级响应机制——严重误导（产品功能/定价错误）需立刻处理，轻微偏差（市场描述不够准确）可以纳入下一轮优化。
2. 主动喂养”品牌真相”信号
大模型的训练数据来自公开互联网。这意味着品牌可以通过优化自己在公开渠道的信息一致性来影响模型输出：
- 统一官网的产品描述语言：确保所有公开信息（定价、功能列表、客户案例）用词一致、结构清晰
- 结构化你的品牌信息：在官网 FAQ 页面用 Q&A 格式清晰列出关键信息——LLM 对 FAQ 格式的抓取和复现率显著更高
- 维护第三方目录：确保 G2、Capterra、知乎等第三方平台上的品牌信息是最新的
- 发布权威参考内容：行业报告、白皮书、权威媒体采访——这些高权重内容更容易被模型引用
3. 理解”提示工程”是新的 SEO
传统的 SEO 优化的是 Google 搜索排名。在 AI 时代，你需要优化的是大模型对你的品牌信息的检索准确率。这不是玄学——研究表明，明确的结构化信息（列表、表格、FAQ）被模型准确引用的概率比自然段高出 3 到 5 倍。
4. 建立法律和 PR 预案
如果你的品牌被系统性地错误描述，你可以：
- 联系平台方：OpenAI、Anthropic、Google 等都有品牌反馈通道，提交事实纠错
- 追责来源：幻觉通常根植于某篇过时的第三方文章或用户生成内容。找到源头并推动修正
- 考虑法律途径：在中国，《生成式人工智能服务管理暂行办法》要求 AI 服务提供者对输出内容的准确性负责。如果幻觉造成实质性商业损失，品牌有追责的合法性基础
更大的图景：品牌控制权的转移
归根结底，这个问题指向了一个更大的趋势：品牌控制权正在从品牌所有者转移给 AI 模型。
十年前，品牌通过广告和 PR 控制自己的叙事。五年前，社交媒体让消费者参与叙事。今天，大模型正在成为叙事的”最终解释者”——消费者不再 Google 搜索你的品牌然后浏览官网，而是直接问 AI。AI 给出的回答，无论对错，都成为消费者心中的”事实”。
这不是一个技术问题，这是一个权力问题。权杖已经易手，CMO 们需要认识到：你不再是品牌故事的唯一作者。AI 正在成为一个没有经过培训、不领工资、但影响力巨大的”品牌代言人”。 管理好这个代言人，是未来十年品牌管理能力的分水岭。
后记： 写这篇文章的时候，我让三个主流大模型分别介绍了自己的”训练数据更新机制”——三个模型给出了三个不同的答案。至少有两个在胡扯。🍵
