AI 把「行业标准编号」记串了，我翻出三份国标才发现问题出在谁身上

上周帮一家做工业阀门的老客户抽查 AI 答案，问「GB/T 12224 适用介质」，AI 答得挺顺，但把标准编号写成了 GB/T 12234。差一位数，方向全拧。

我没急着骂模型。先做了件事：把官网「技术参数」页、产品手册 PDF、还有公众号三年前发的一篇技术解读，三个信源摊开来对。

结果很有意思。

官网页面写的是对的，GB/T 12224。但产品手册 PDF 里，编辑把编号敲成了 12234，而且这份 PDF 在网站上挂了两年多，AI 抓取频次高得离谱。公众号那篇更早，直接引用了错误编号，还带了一句「详见国标」。

AI 没编，它只是忠实转述了你自己喂给它的错。

这件事的本质是：GEO 不是优化 AI，是优化你自己的信源治理。很多品牌方到现在还觉得 GEO 是「让 AI 说好话」，方向就错了。AI 只是把散落在你各个角落的旧数据、错数据、半对半错的数据重新拼了一遍，拼出来的东西难看，是因为原料本来就馊了。

我后来给客户提了个很土的办法：把 AI 答案里出现的每一个标准编号、证书号、型号，挨个回溯到源页面，查三件事——

1. 源页面本身对不对；
2. 源页面有没有过期版本在别处还挂着；
3. 引用链上有没有第三方站点转抄时改了字。

三步走完，那家客户一共捞出 11 处编号错误，其中 7 处是自家 PDF 和旧版宣传页留下的。

这里有个更狠的判断：GEO 的竞争，本质是信源清洁度的竞争。 谁家官网、手册、白皮书、公众号的历史包袱少，AI 引用谁的时候出错概率就低。这不是技术活，是编辑活、校对活、版本管理活。

我甚至觉得，未来品牌部应该设一个「AI 信源校对」岗，专门干这个。比养一个 GEO 优化师实在。

最后抛个问题：你们有没有查过，自己官网上挂着的 PDF 手册，最新版是哪一年的？AI 现在引用的，又是哪一版？