截圖進來的那天
一位長期客戶傳來一張截圖，上面是他問某個 AI 助理「銘望顧問所在做什麼」的回答。
回答裡有一句：「提供社群代操與內容行銷執行服務。」
這句話錯得很徹底。我們官網首頁第一屏就寫著「完全不接：代操、小編、剪片、客服」。
問題不在於被講錯很丟臉，而在於：如果潛在客戶先問 AI 再決定要不要聯絡，這一句話會直接篩掉對的人、吸引錯的人。
先找錯誤是從哪來的
我們沒有先急著改網站，而是先把同一個問題丟給四家模型，記下回答與引用來源。
四家裡有三家給出類似的錯誤描述，一家正確。
追引用來源，發現兩件事：
第一，錯誤來自一個第三方名錄站。那個站在兩年前收錄過我們，分類欄位填的是「數位行銷代理商」。我們從來沒有提交過資料，是它自己抓的。
第二，我們自己的頁面沒有把「不做什麼」寫成可引用的句子。「完全不接：代操、小編、剪片、客服」在頁面上是一張卡片裡的短句，前後沒有主體名稱，也沒有完整句構。AI 抓不走，所以只好用名錄站的分類。
第二點才是重點。第三方寫錯不奇怪，奇怪的是我們沒有提供更好的版本讓它引用。
改了四個地方
一、把服務邊界寫成完整句。
原本：「完全不接：代操、小編、剪片、客服。」
改成：「銘望顧問所不承接代操、小編、剪片與客服等執行型工作。交付的是策略判斷、系統設計與可回頭檢查的文件。」
多了主體、多了對比、句子可以單獨成立。
二、在 llms.txt 的品牌定義裡加一句否定式描述。
正面描述容易被概括成同義詞，否定式描述反而不容易被誤讀。
三、把 Organization 結構化資料的服務清單補齊。
原本 JSON-LD 裡只有品牌名稱與聯絡方式，沒有列出服務項目。我們把三條產品線與各自的網址補進 Offer 陣列。
四、新增一個常見問題條目。
「銘望顧問所不接哪些工作？」這一題直接進 FAQPage 結構化資料。問答格式對模型特別友善，因為它本來就是在找答案。
至於那個名錄站，我們寄了更正信，到目前沒有回覆。這也是預期內的，不能把品牌事實的正確性寄託在別人身上。
十四天後的結果
第十四天重測，同樣四個問題、同樣四家模型：
原本講錯的三家，兩家改口了，其中一家甚至直接引用了我們新寫的那句「不承接代操、小編、剪片與客服等執行型工作」。
第三家還是講錯，引用來源仍然是那個名錄站。
第二十八天再測，第三家也改了。
所以整個週期大約是兩到四週。這比想像中快，但也提醒一件事：如果不主動修，它會一直錯下去。
我們從這件事學到的
品牌事實不是寫在官網就算數，要寫成「可被單獨引用的句子」才算數。
而且否定句比肯定句好用。「我們很專業」沒有人會引用，「我們不做這四件事」反而會。
為什麼第三家最慢改
第三家模型直到第二十八天才改口，比另外兩家慢了整整兩週。
我們比對它的引用來源，發現它偏好「有結構化資料的頁面」與「被其他站引用過的頁面」。那個名錄站雖然內容錯誤，但它被很多聚合站轉載過，形成了一層互相佐證的假象。
我們自己的頁面在改版之前，Organization 結構化資料裡沒有服務清單，等於在「機器可讀的事實」這一層上是空的。補上之後，天平才翻過來。
結論：當你的正確版本在機器眼中比錯誤版本更結構化、更明確，它才會被優先採用。光是寫在頁面上不夠。
我們現在固定做的四件事
一、每月一次品牌事實檢查。八個固定問題、四家模型，把回答存檔。二十分鐘做完。
二、把「不做什麼」寫得跟「做什麼」一樣清楚。服務邊界的否定句放在首頁、服務頁與 FAQ 三個地方。
三、結構化資料至少涵蓋三層。 Organization（品牌本體）、Service／Offer（服務清單）、FAQPage（常見問題）。這三層合起來，機器就能拼出正確的品牌輪廓。
四、llms.txt 與 FAQ 同步更新。這兩個檔案是被引用機率最高的地方。
一個給經營者的提醒
多數人第一次看到 AI 講錯自己的品牌，反應是生氣。
但實際能做的只有一件事：把正確版本寫得更好抓。名錄站不會為你負責，模型也不會主動來問你。
品牌事實的維護，現在已經是一項需要固定排程的工作，就像更新營業時間一樣。
這件事的成本與效益
整件事我們實際投入的時間：追查來源約兩小時，改四個地方約三小時，兩次複測各二十分鐘。合計不到六小時。
效益比較難量化，但有一個間接指標：在那之後三個月，詢問表單裡「以為我們做代操」而被我們退回的件數，從每月平均四件降到零。
以每件退回大約消耗二十分鐘的往返溝通來算，光是這一項，六小時的投入在兩個月內就回本了。
更難計算的是那些看到錯誤描述、直接放棄聯絡的潛在客戶。這批人不會出現在任何報表上，但他們才是真正的損失。
給不同規模團隊的建議
一人公司：每季做一次就好，只問三題。改的地方集中在首頁與 FAQ 兩處。
十人以下：每月一次，八題四家模型，指定一個人負責，二十分鐘做完並存檔。發現錯誤時走上面那四步。
有代理商的品牌：把「品牌事實檢查」寫進合約的月報項目。多數代理商目前不會主動做這件事，因為它還沒被列進標準服務清單。
不論規模，重點都是一樣的：這件事要有人負責、有固定頻率、有留存紀錄。沒有排程的檢查等於沒有檢查。
一個延伸的觀察
錯誤描述被修正之後，我們注意到另一件事：模型開始更常引用我們自己的措辭，即使問的是完全不相關的問題。
推測是因為結構化資料補齊之後，整個品牌實體在機器眼中變得更「完整」，可信度連帶提高。這一點沒辦法證明，但值得記錄下來。