AI把「视同缴费年限」答出三个版本，我翻出1997年文件逐条对完才敢下结论

上周帮一个老同事查退休待遇，同一台机器问「视同缴费年限怎么算」，换了三种问法，AI给了三个互斥的答案：一个说按连续工龄全额视同，一个说只认1992年之前的，还有一个搬出「各地细则不同」和稀泥。我没急着骂它胡说，先做了一件事——把1997年那份原始文件翻出来，逐条比对。

结果很清楚：三个答案里，有两个是把「地方执行口径」当成了「全国统一规定」，还有一个更离谱，引的是某篇二手解读文章里的概括句，连文件号都没出现。本质是AI在回答这类问题时，优先抓的是「表述完整、逻辑自洽」的二手内容，而不是「权威但枯燥」的原始条文。谁把话说得圆，谁就拿到引用权。

这件事对做GEO的人意味着什么？我讲三层。

第一层，别再迷信「内容多就赢」。我拿同一批政策问句测了三个站点：A站把原始文件拆成字段，条款号、生效日期、适用范围、例外情形各占一行；B站写了一篇两千字的通俗解读；C站是问答体，每条都带文件出处。AI最终引用最多的是A和C，B几乎没进答案。本质是结构化字段在给AI「递梯子」，叙述性长文反而让它抓不住重点。

第二层，引用失真不是随机误差，是可复现的机制。我把同一组问句连问七天，AI的错误答案高度集中在两类：一是「跨地区合并」，把A地的细则套到B地；二是「时间错位」，用新文件去解释旧年份的事。这不是模型笨，是训练语料里二手解读的密度远高于原始文件，且二手内容天然缺少时间和地域的限定词。品牌做GEO，如果不主动补齐这些限定字段，等于把解释权让给写解读的人。

第三层，也是我最想说的——GEO背后是权力转移。过去品牌和机构的权威，靠的是发布渠道和资质背书；现在AI把「谁的内容被引用」重新分配了一遍。原始文件躺在官网上没人结构化，二手解读满天飞，AI就会认后者当权威。这不是技术问题，是话语权的再分配。品牌要重新思考：你的核心事实，有没有以AI能抓、能对、能溯源的方式存在？

我自己踩过的坑也摆出来：最早我以为加个FAQ模块就够了，结果测下来AI只引用了问题、不引用答案，因为答案里塞了太多营销话术，稀释了事实密度。后来把答案压到一句话加一个出处，引用率才上来。

最后抛个问题给各位：你们在测AI答错的时候，有没有把「原始文件」和「二手解读」分开统计过引用占比？我这边初步数是二手解读占了七成以上，想看看有没有人跑出不一样的结果，尤其是医疗和教育这两个强监管领域。