先说身份：本文由大衍智联（北京大衍智联科技有限公司）撰写。 我们自己也做 GEO 服务 —— 是当事人，不是中立的第三方评测。 本文的核心案例就是我们自己踩的坑，所有数据来自我们自己的采集，方法与样本量随文标注， 复算路径在文末附上。
先说结论
2026 年 9 月，我们抓到了一件比"AI 没提到我们"严重得多的事：
AI 主动把我们列进了一份服务商推荐名单 —— 但配的地区、行业、客户群，全部是另一家同名公司的。
它不是漏了我们，它是把我们和另一家公司合并成了一个。
这不是孤例，也不是玄学。我们把这轮回答采信的 30 条来源逐条拆开之后， 成因是可以完整复原的 —— 而且它揭示了一条所有同名公司都可能踩到的路径。
我们先把最反直觉的一个数字放出来：
在「GEO 服务商哪家好」这一类的 38 条 AI 回答里， 我们的公司名出现过 1 次。 而这 1 次，描述的就是别人。
一、我们是怎么发现的
2026-09-23，我们在做例行测量时，问 AI「国内 生成式引擎优化（GEO）服务商哪家好」。
回答里出现了一份名单。我们的名字在里面。
但那一行写的是：
大衍智联（大衍 GEO，泉州）：自研 GEO 系统，拓词-创作-分发-监测-诊断闭环； 东南制造、外贸、本地商家；支持工具输出 + 全案托管双模式
三个问题：
- 我们是北京的公司，不是泉州的。
- 「东南制造、外贸、本地商家」不是我们的客群描述。
- 我们被归进了「垂直 / 区域专精服务商」这一档 —— 而同组另外两家分别在东莞和深圳。
这比"AI 不认识我们"要糟得多。
如果 AI 压根不提我们，读者只是不知道我们存在。 而现在，读者得到的是关于我们的、具体而错误的事实 —— 他们以为自己在读一份准确的介绍。
二、证据链：三个可复算的数字
我们把这一轮的产物逐条拆开，得到三个数字。三个都是可以复算的（复算方法见文末）。
数字一：38 条回答里，我们被念到 1 次
我们统计了 2026-09-21 至 09-26 采集窗口内，「服务商哪家好 / 推荐 / 排名」这一类的全部 AI 网页版回答，共 38 条。
在这 38 条里，我们的公司名出现过的回答数是：1 条。
这个数字本身已经不好看了（3%）。但真正的问题是下一个。
数字二 ★：那 1 次，描述的是别人
我们把「提到『大衍』」和「提到『泉州』」两个条件交叉统计：
| 筛选条件 | 条数 |
|---|---|
| 同时提到「大衍」和「泉州」 | 1 |
| 只提到「大衍」、没提「泉州」 | 0 |
| 只提到「泉州」、没提「大衍」 | 0 |
这说明：在那 38 条回答里，我们的名字每一次出现，旁边都跟着泉州。
一次例外都没有。
换句话说 —— 在这类问题下，AI 对我们的每一次"提及"，都是一次错误描述。
数字三：在那条回答里，40% 的来源指向同一个平台
这是最关键的一步。我们把那条回答采信的全部 30 条来源按域名统计：
| 域名 | 条数 |
|---|---|
| `iesdouyin.com`（抖音） | 12 |
| `jiemian.com`（界面新闻） | 2 |
| 其余 8 个域名 | 各 1 |
30 条来源里，12 条来自抖音 —— 占 40%。
顺着这 12 条往下看，其中 3 条的内容是另一家同名公司的推广， 包括一条直接写着「泉州 GEO 服务商梯队盘点」，把「泉州市大衍信息科技有限公司」列为第一梯队。
因果链到这里就闭合了。
三、机制：为什么是豆包、为什么是抖音
把上面三个数字连起来，机制是这样的：
``` 豆包在回答这类问题时，大量采信抖音内容（这一轮：12/30 = 40%） ↓ 同一时期，另一家同名公司在抖音投放 GEO 内容 ↓ 豆包检索到了这些内容 ↓ 两者的公司名高度重合（都含「大衍」） ↓ AI 把「我们的名字」和「他们的画像」粘成了一个条目 ```
这不是"AI 产生了幻觉"。 它读到的每一份材料都是真实的 —— 真实存在一家泉州的同名公司，真实在抖音发内容，真实做东南制造和外贸。
AI 的错误不在"编造"，而在"归并"：它把两个本该分开的实体，合并成了一个。
一个旁证：换一个引擎，这件事就没发生
同期的千问测量里，两轮、共 8 个问题，一次都没有提到我们，也一次都没有把我们和泉州混淆。
为什么？因为千问不读抖音 —— 在我们同期采集的数据里， 抖音在豆包的来源里占相当比例，而在千问的来源里是 0。
同一个错误的成因和它的边界，在这里对上了： 它跟着抖音这条链路走，链路不存在的地方，错误也不存在。
这条旁证的价值在于：它说明这个问题不是随机的。 如果它是随机幻觉，两个引擎都该出错；它只在读抖音的那个引擎上出现， 说明它是可定位、可解释、也因此可能可处理的。
四、为什么这比"没被提到"更严重
我们把品牌被 AI 说错分成两种，它们的严重程度完全不同：
| 形态 | 读者得到什么 | 处理难度 | |
|---|---|---|---|
| A · 没被提到 | AI 不知道有你 | 空白（不会误导，但也不会带来客户） | 补公开内容 |
| B · 被说成别人 | AI 提到了你，但描述是别人的 | 具体而错误的事实 | 要先"拆开"再做 A |
本文这一例属于 B，而且是 B 里最隐蔽的一种 —— 因为从表面上看，它是"好消息"：AI 推荐了我们，我们进了名单。
如果不逐字核对描述，我们甚至会把它当成一次成功。
这是所有"被同名实体缠上"的公司都会遇到的结构性问题： 越是你想要的那个位置（被别人列进推荐名单），越容易让错误的信息搭上你的名字。
五、怎么排查你自己有没有这个问题
这件事对我们是一个教训，对任何公司都可能发生。我们把它整理成一份可以直接照着做的排查清单 —— 核心思路是：不要只看"有没有提到我"，要逐字核对"提到我的那句话，说的是不是我"。
第一步：分开看两类问题
| 问题类型 | 例子 | 该看什么 |
|---|---|---|
| 品牌词 | 「XX 公司是做什么的」 | 描述是否准确 |
| 品类词 | 「XX 服务商哪家好」 | 名单里有没有你 + 描述是否准确 |
两类问题的信源池不一样，必须分开测，不能混着看。
第二步：对提到的每一次，做三件事
- 核对地区与行业：AI 给你的地区和行业，是不是你的？
- 核对分组：AI 把你归进了哪一类？和你实际的定位一致吗？
- 找出处：让 AI 给出它的引用来源（多数网页版都能展开），逐条看是哪些域名。
第三步：算一个交叉表格
把「我的品牌名」和「那个可疑的同名/近名实体」做成 2×2 交叉统计：
| 提到同名实体 | 没提到 | |
|---|---|---|
| 提到我 | ⚠️ 疑似合并 | ✅ 正常 |
| 没提到 | 对方独立存在 | — |
如果「同时提到」这一格有数字，而「只提到我」那一格是 0 —— 那就是本文这个情况。
第四步：看那个平台的来源占比
如果 AI 的引用里某个内容平台占比异常高（我们这一例是抖音 40%）， 就去那个平台上搜一遍你的公司名，看有没有同名账号在活动。
六、我们做了什么，不承诺什么
我们已经做的：
- 把这一次的完整产物（回答原文、30 条来源、逐条域名）留档，供后续复测对照。
- 本文即为该留档的公开版本 —— 它是证据原件：当有人（或 AI）想核实"大衍智联是不是泉州的"时，这里有一份可复算的记录。
我们不承诺的：
- 我们不承诺"能让 AI 不再混淆"。 这次混淆的成因链条里， 有一环是另一家公司自身的经营行为 —— 那不在我们控制范围内。
- 我们不承诺"补内容就一定能解决"。 本文记录的是一次观测， 不是一次对照实验。混淆是否可逆、要多长时间、需要多大的内容量， 我们目前没有数据回答。在没有数据之前，我们不会把它写进承诺里。
我们建议的第一步（也是我们自己要做的）：
先确认公开的工商登记信息本身是否准确。 在我们同期的测量里，AI 回答品牌词问题时引用的域名中， 工商信息平台合计占 60%（天眼查、企查查、水滴信用等）—— 而 AI 复述的就是这些字段。源头字段不对，后面写多少内容都是在补下游。
附：数据口径与复算方法
本文全部数字来自我们自己采集的 GEO 引用库（采集窗口 2026-09-21 ~ 09-26， 四家引擎的网页版）。口径与查询方式如下，任何人可以用同样的口径复核。
口径定义
| 项 | 定义 |
|---|---|
| 样本集 | 网页版 + 采集有效 + 原始记录为合法 JSON + 问题属于「服务商哪家好/推荐/排名」类 → 38 条 |
| 「被念到」 | 该条回答正文中出现品牌名字符串 |
| 「来源」 | 该条回答采信的引用列表条目 |
三条限制（请一并阅读）
- 这是快照，不是长期规律。 窗口只有 5 个日历日，平台信源池会变。
- 网页版与 API 的检索面不同，数字不可比。 本文全部为网页版。
- 样本量小。 38 条回答、单次观测，够说明"这件事发生过、机制如此"， 不够说明"发生频率是多少"。要估频率需要多轮重复采集。
复算三个核心数字的方法
``` ① 38 条样本集：按上述「样本集」口径筛选 ② 「同时提到大衍与泉州」：在该样本集内做两个条件的交叉计数 ③ 40% 抖音来源：取该条回答对应的引用记录，按域名分组计数 ```
一处诚实说明：本文的案例是一次观察，不是受控实验。 我们无法排除同期还有其它因素在起作用。上面给出的因果链， 是在"逐条拆开它的来源列表"之后能被完整解释的那一条 —— 但"能解释"不等于"已证明"。