博客

AI 回答张冠李戴:事实全对、答案全错,法院开始让平台担责

德国两家法院把 AI 回答算成平台自己的话:事实全对也可能拼成另一个人的故事,本文拆解实体混淆机制与外贸企业的自查动作。

AI 回答张冠李戴,是今年做外贸的老板们要开始留意的一件事。不是因为它常见到人人中招,而是因为它的后果比"答案不准"更麻烦:事实一条没错,拼在一起却成了另一个人的故事,而法院已经开始把这种回答当成平台自己的话。德国亚琛地方法院 2026 年 9 月 24 日的一份裁定,就是按这个逻辑处理的——一位当地医生被 AI 搜索回答安上了别人的刑事案件,法院下令 Google 停止传播相关回答版本。对做外贸的人来说,这事离得不算远:你的公司名、老板名、产品线,同样可能被系统当成另一个实体的"近邻",然后被拼进一段你没说过的话里。

亚琛案:一位医生被安上了另一个人的刑事案

先把案情说清楚。据 Search Engine Journal 的报道,这位医生曾任某大学神经放射学主任医师和教授,2026 年 6 月底离任。当人们搜索他为什么离开时,Google 的 AI Mode 给出了一个涉及刑事指控的回答;当用户继续追问"停职""解聘""诉讼程序"等词时,系统又生成了好几段关于后续法律程序的描述。这些程序是真的,但当事人是另一个人——同样是前大学教授。法院从自己的卷宗里就能确认这个混淆。

程序上也有细节值得注意。医生在 8 月底给 Google 发了详细说明,9 月中旬 Google 回复称不会采取行动,同一天发出的正式法律函也没有下文。法院随后在未先听取 Google 陈述的情况下作出紧急裁定,对每次违反行为设定了最高 25 万欧元的罚款——这个数字仅是亚琛案这份紧急裁定的口径,不能当成通用罚则来理解。Google 仍可对这一裁定提出异议。

比结果更重要的是说理。亚琛法院直接沿用了慕尼黑地方法院今年 5 月的一份裁决逻辑:AI Overviews 把两家发行商与诈骗、订阅陷阱联系起来,而这些说法在链接来源里根本不存在。Google 当时的抗辩是用户可以自己去核对来源,慕尼黑法院没有接受,认为概览读起来是一段自足的陈述,并把 Google 的 AI 生成内容描述为在整合第三方网站内容基础上形成的"独立的、新的、实质性陈述"。亚琛把这套表述照单全收。据报道,Google 宣布对慕尼黑裁决上诉,但在任何上级法院介入之前已达成和解。

慕尼黑案与柏林案:同一产品、两种定性,高院尚未定论

同一时期,柏林一家法院在商标纠纷中给出了相反的看法。一家香水公司不满 AI Overviews 把自家品牌列在售卖廉价仿品的链接旁边。柏林法院把 AI 概览视为一种新的搜索结果格式——把其他网站的信息打包呈现,而不是 Google 在替自己说话,因此不构成侵权。

两边的案子并不完全对得上:柏林那份 AI 摘要准确复述了其他网站的说法,而慕尼黑和亚琛的回答是发明了没有任何来源做过的关联。但即便这样,同一个国家的法院对同一个产品给出了互不兼容的定性,而且没有任何上级法院作出终局判断——唯一有机会走到那一步的案子已经和解。目前的披露信息显示,这仍是一个开放的法律问题,不要把它读成"欧洲已定论"或"全球已定论"。

机制:实体混淆是怎么发生的

过程本身并不神秘。系统回答一个关于具体人名或公司名的问题时,会检索在名称以及角色、机构、城市、行业、近期事件等周边属性上匹配的文档,然后从检索结果里生成一段通顺的叙述。当两个实体共享足够多的属性,系统没有可靠办法判断自己手上拿的是两个人的事实,生成时就把它们缝在了一起。SEJ 作者将这种现象称为实体混淆:系统把两个不同的人或公司合并成一个,再用十足的信心谈论这个合并出来的结果。

有记录的案例里,这个模式反复出现。亚琛案里,两个人共享"大学教授"和"离任"两个属性;慕尼黑案里,AI 把发行商和确实可疑的公司混在一起,而据宣誓声明,那些公司与发行商并无关联;2024 年,微软 Copilot 把一位德国法院记者描述成他报道了多年的那些案件的作案人,原因就是他的名字和那些案件在他的署名文章里挨在一起。平台不同、年份不同,失败方式一模一样。

暴露面也不限于"旁边有刑事案件"的人。任何与其他实体共享名称或一组属性的主体都是候选:同行业里名字相近的两家公司、被和品牌混为一谈的加盟门店、同领域里重名的负责人、名字与竞品有重叠的产品线。大多数企业从没查过自己最容易和谁混淆,因为在链接列表的年代,这个分类工作是读者自己做的。现在答案直接替读者做了分类,还把结果说得很肯定。这也是为什么 AI 内容发布前核查值得当成常规动作来做,可以顺着AI 内容发布前的事实核查思路先把自家内容过一遍。

不只德国:2024 年 Copilot 把记者写成罪犯

前面提到的 Copilot 案例值得单独拎出来,因为它说明这不是某一家平台的毛病,也不是某一年的偶发事件。一个记者写什么、署名在哪,都是公开可查的真实信息;系统把这些真实信息里的"名字相邻"当成了"身份相同",于是产出了一段关于他本人的虚假叙事。这跟"AI 捏造引用"是两回事——那种情况是来源本身不存在;这里来源都在,事实也都在,错的是归属。关于凭空生成来源的问题,可以看这篇讲AI 捏造引用的文章,两者常被混谈,但处置方式不一样。

SEJ 作者据此推测,如果法院持续把 AI 回答视为平台自己的陈述,具名实体的生成回答就可能增加平台的责任风险。他认为,单靠免责声明或来源链接不足以应对这一风险:慕尼黑法院已经否定了“用户可自行核实”这条抗辩,而皮尤研究中心的调查发现,在出现 AI 摘要的搜索中,用户点击摘要内链接的比例只有 1%,点击任何传统结果的比例是 8%,而没有摘要时这个比例是 15%。在他看来,人们读的就是那段答案,这正是法院把它当成平台言论的原因。

平台下一步可能怎么变

以下这段是 Search Engine Journal 作者的个人判断,不是法院认定,也不是已经发生的事实,读的时候请当作一种风险推演。他预计平台会在回答关于具体人物和公司的问题时收紧可信来源的范围:更看重在多个独立来源之间保持一致的事实,更多依赖结构化和经过消歧的实体数据,在系统分不清查询指向哪个实体时更多加限定语甚至直接不答。亚琛法院也提到,Google 本可以把输出与来源网站比对来检查,把医生的异议喂给自己的 AI 就能暴露错误。这类核验每一步都要花算力和时间,所以他预计平台会先选择性启用,从最可能进法院的查询类型开始。

他也不认为影响会停留在德国。平台很少为每一个判它败诉的法院维护一套单独的答案管线,为一个市场做的来源权重调整往往会更大范围地上线,因为维护分叉系统的成本太高。

SEJ 作者在原文中列出了五种可能削弱这套预测的情形:上级法院采纳柏林的口径,把 AI 概览定性为搜索结果格式而非平台言论;相关纠纷持续以和解收场、始终没有终局判决;立法给出明确的豁免安排;平台在模型内部就把实体区分问题解决掉,而不是靠外部核验;或者平台干脆对敏感实体类查询不作答。这些情形可能削弱预测中的不同部分,需要分别重新评估。

怎么做:让自家实体难被认错的几件事

法律怎么走你控制不了,但自家实体在公开信息里的清晰度,是可以现在动手的。下面几条面向外贸企业的老板和市场负责人,都是能排进本周待办的具体动作。

  • 把"自家才有的事实"写在自己控制的页面上,用直白句子写。什么时候创立、负责人是谁、公司在哪、做什么、明确不做什么,这些只有你自家才掌握的一手信息,别只留在第三方平台或新闻稿里。句子越直白越好,别用含糊的品牌口号代替事实陈述。
  • 用结构化标记给实体一个锚点。Schema.org 里的 sameAs 和 disambiguatingDescription 是现成的工具:sameAs 只列你自己控制的、能明确指认本实体的外部身份页;disambiguatingDescription 可以直接写一句"与某某无关"的区分句。某从业者分享的单一样本显示这套做法可用,但要清楚:加标记不保证不被认错,只是给系统一个锚点。
  • 重大变动自己先发说明。换法人、迁址、停产线、核心负责人离任这类事,最容易在公开记录里留下一个没人解释的空白。按 SEJ 作者的观点,未解释的公开记录空白最容易招致混淆——那就别等系统去别处找解释,自己在官网先发一段说明,把时间、原因、接任安排写清楚。
  • 定期用"品牌名+角色/地点/事件词"组合去查 AI 回答。查的时候别只问"我们公司是做什么的",要加上“离职”“诉讼”“收购”“停业”这类词。亚琛案表明,追问也可能生成更多错误描述,因此检查时应同时覆盖首问和后续追问。发现异常先截图,记下原查询、完整答案、日期时间、引用来源,再提纠正请求,并保留平台回复——亚琛案中,医生曾详细说明错误并发出正式法律函;留存这些记录,有助于清楚说明错误及交涉过程。
  • 把信任信号补齐。资质、认证、真实地址、可核实的历史,这些都属于让系统更难把你和别人混起来的基础材料,思路上可以参考这篇讲网站信任信号的文章,把它当成实体清晰度的一部分来做。
  • 建一张同名实体对照表。把自家和最容易混淆的一两个主体并排写清:完整名称、官网域名、所在地、业务范围,以及一句区分句(比如“本公司位于 X 市,主营 Y,与 Z 公司无隶属关系”)。然后逐项核对官网、About 页、企业资料页上的写法是否一致,不一致的先统一。这张表是编辑建议,未经效果验证,不宣称它已被证明能降低混淆率;它的作用是让你在系统拿不准的时候,至少有一份口径一致的公开说法可供引用。
  • 在 About 页加一句“我们不是谁”。除了写清自家事实,还可以直接写一句显式的区分句,例如“本公司(官网域名)与某某公司无隶属关系”。只陈述己方事实、不贬低对方,放在 About 页靠前位置,让系统和读者都不用猜。这一做法来自某从业者分享的单一样本,未经效果验证,不宣称已被证明能降低混淆率。

这些动作不会让 AI 回答立刻变准,但它们决定了系统在拿不准的时候,手上有没有一份你自己写的、可直接引用的说法。如果你希望有人把这套东西系统地梳理一遍,我们提供AI 搜索优化服务,可以从实体信息的一致性开始查。

参考资料

不确定 AI 现在是怎么介绍你公司的?给我们留言网址与品牌名,我们帮你按"人名+角色+地点+事件词"的查法先看一遍有没有被认错。点这里联系我们。

相关阅读

同一个词贵了约两成:14家B2B广告主同关键词点击成本同比涨约21%

Grey Matter追踪14家B2B广告主1349个非品牌词:控制花费、位置与质量得分后同词点击成本同比涨约21%,附同词自查三步。

阅读全文

YouTube剪辑工具转Shorts:播客切片自动回链原片,先对10国7语名单

YouTube Studio剪辑工具扩展到Shorts:按字幕选段转竖版并自动回链原片,AI推荐只覆盖10国7语,不处罚不等于不影响推荐。

阅读全文

AI智能体流量10月涨到8月的8倍:Muse一家占59%,八成半只逛不买

HUMAN10月报告:智能体请求约为8月的8倍,Meta与OpenAI占近九成,85%落在商品与搜索页;签名目录迁到muse.ai,黑五前先做三件事。

阅读全文

聊聊你的外贸获客现状

不用先准备材料,把现在最头疼的事说清楚就行。