AI 是怎麼介紹你的品牌？描述準確度與情緒監測的建置 SOP

打開 Perplexity 問一句「你們公司是什麼公司」，AI 會回你一段看起來很權威的介紹。問題是，那段話你從來沒審過稿。我們 2026 年 7 月拿 TOPCLASS 自己做實驗，發現 AI 對我們的描述有三個明顯錯誤，而且錯誤幾乎全部來自同一篇第三方舊文。這篇把「AI 品牌描述準確度與情緒監測」的建置 SOP 完整攤開：建品牌事實庫、設計描述型問句、逐欄比對算準確度、情緒與框架分類、錯誤修正迴路，總共五步。每一步都附我們自己的真實數據，照著做，一個下午就能跑完第一輪監測。

AI 講錯比不講更傷：三種錯法一張表

多數人做 AI 搜尋監測，第一個問的是「AI 有沒有提到我」，這屬於 AI 可見度的範疇，沒被提到頂多是少一個曝光管道。但講錯不一樣。傳統搜尋年代，品牌詞的搜尋結果頁——也就是品牌 SERP——你至少能用官網、社群帳號、新聞稿把前十名排好，使用者自己會交叉比對。AI 回答是把十個來源揉成一段話直接餵給使用者，錯的資訊跟對的黏在一起，讀者根本分不出哪句該打折。客戶帶著錯誤認知進門，比不認識你更難處理：他以為你有賣某個服務、以為你還在給某種保證，談到一半才發現落差，信任直接扣分。

錯法基本上就三種。先分清楚類型，後面的修正動作才對得上號。

我們拿自己試：Perplexity 是這樣介紹 TOPCLASS 的

與其講理論，直接看實測。⟦2026-07-05 實測，免登入網頁版⟧我們在 Perplexity 問「TOPCLASS 是什麼公司？」。大方向它答對了：台灣的 SEO/GEO 顧問、10 年以上經驗、服務超過 1000 家客戶。但有三個地方講錯。第一，它還在講我們已經停止的「50% 首頁排名保證」舊定位——那是我們早就收掉的承諾。第二，它引用我們舊版的「結構診斷、地段翻轉、權威加持、長期養護」四階段流程，我們現在用的是五步驟。第三，它把廣告投放和社群經營列成我們的服務，這兩項我們從來沒賣過。

更值得注意的是引用來源。那段回答附了 10 個來源，幾乎全部指向同一篇第三方舊介紹文（104 學習平台上的一篇文章）。說白了，AI 對 TOPCLASS 的認知不是來自我們官網，是來自別人幾年前寫的一篇文，而那篇文不會自己更新。

同一天我們還測了「台灣有哪些做 GEO 的公司？」這一題，Perplexity 點名了十幾家同業、TOPCLASS 缺席，名單和引用來源的完整拆解寫在競品 AI 可見度比較。兩題合起來的教訓很一致：AI 對你的描述由第三方內容主導，而且會過時。你不主動監測、不主動供料，就是把品牌敘事外包給一篇你控制不了的舊文。

第一步：建品牌事實庫，我們直接拿 llms.txt 當 fact sheet

要判斷 AI「講錯」，前提是你自己先有一份「什麼才是對的」的清單。這份清單就是品牌事實庫（fact sheet）。很多團隊卡在這一步，因為事實散落在官網、簡報、業務的腦袋裡，版本還互相打架——我們自己就是例子，四階段和五步驟並存過一段時間，難怪 AI 讀混。

欄位怎麼開

建議至少涵蓋這些：創立年與重要里程碑、核心服務清單（一律用現在式，停掉的就刪掉不要留）、價格區間或報價方式、地址與聯絡方式、方法論的名稱與現行版本、可對外的量化事實（年資、客戶數）、以及最容易被忽略但最重要的一欄——「不做什麼」。我們被 AI 安上廣告投放和社群經營，就是因為官網從來沒有明講「我們不賣這兩項」。AI 遇到資訊空白會拿第三方內容補，你不填，別人幫你填。

我們的做法是直接維護 llms.txt 當事實庫。這個檔案本來就是放在網站根目錄、寫給 AI 爬蟲讀的純文字說明，一魚兩吃：對內是查核基準，對外是主動供料。每次服務、價格、流程有變動，llms.txt 跟官網同步改，事實庫永遠只有一個版本。

第二步：設計描述型問句，五類各平台跑一輪

問句設計比想像中重要。只問「XX 是什麼公司」，你只會看到基本盤；使用者實際上還會問評價、問比較、問該找誰。我們把描述型問句整理成五類：

平台至少跑 ChatGPT、Perplexity、Google AI Overview、Gemini，行有餘力加 Copilot 和 Felo。這裡有個坑：登入狀態會不會影響回答，官方沒有公開，以下是社群實測的推論——帶著登入帳號和歷史對話去問，回答可能被個人化影響，測出來的不是「一般使用者看到的版本」。所以我們一律用無痕視窗、免登入狀態測，每一題截圖存檔，連同引用來源清單一起存，日期記清楚。一輪五類乘四個平台是 20 題，一小時內做得完。

第三步：準確度比對——公式很土，但吵不起來

拿到 AI 回答之後，跟 fact sheet 逐欄對。公式一句話：描述準確度＝正確欄位數 ÷ 查核欄位數。土歸土，好處是任何人算出來都一樣，跨平台、跨月份可以直接比，跟老闆報告也不用解釋半天。

用我們自己的 Perplexity 實測算一次真實示範。⟦2026-07-05 實測⟧這次查核六個欄位：

3 ÷ 6 ＝ 50%。這個數字單看沒什麼意義，重點是它變成了基準線：下個月複測，同樣六欄再算一次，修正動作有沒有效一翻兩瞪眼。順帶一提，別指望使用者會主動告訴你 AI 講錯了——我們 GSC ⟦2026-07 快照，近 90 天⟧裡含「引用」二字的查詢是 0 筆。描述錯誤不會出現在任何報表上，只能自己主動測。

第四步：情緒與框架分類——OpView 們管不到的新缺口

準確度管「事實對不對」，情緒與框架管「口吻友不友善」。兩個維度分開看：情緒是回答對品牌的整體態度（正面、中立、負面），框架是回答給使用者的行動暗示（推薦、中立、警告）。交叉起來一張表：

台灣的行銷人看到「情緒監測」會直覺想到 OpView、i-Buzz、QSearch。要說清楚：這些工具管的是社群輿情——PTT、Dcard、Facebook、新聞留言的聲量與情緒——它們抓的是「人怎麼談論你」，不是「AI 怎麼描述你」。AI 描述監測目前是個新缺口，台灣還沒有現成工具直接接手，得自己做。國際端有幾個選項：Otterly.ai 約 $29/月起、Peec AI 約 $89–499/月、HubSpot AI Search Grader 免費、Profound 走企業級，Ahrefs Brand Radar 和 Semrush AI Visibility Toolkit 則是套件內功能。但這些工具強在可見度與引用追蹤，繁體中文語境的情緒和框架判讀，目前還是人工看最準。品牌量不大的話，一個月 20 題人工判讀，半天搞定。

第五步：錯誤修正迴路——改源頭、蓋舊文、隔月複測

找到錯誤只是一半，另一半是把錯誤修掉，而且要修在 AI 讀得到的地方。迴路長這樣：

1. 改自有源頭：官網把過時內容清掉，llms.txt 同步更新，明寫現行服務、現行流程、以及「不提供哪些服務」。
2. 更新結構化資料：Organization 和 Service 的 Schema 跟著改，讓機器讀到的版本和人類讀到的一致。
3. 經營新的第三方內容：AI 重壓第三方來源，你就給它新的、正確的第三方內容——投稿、受訪、合作文章都行，目標是稀釋那篇舊文的引用占比。以我們為例，10 個來源幾乎全指向同一篇 104 舊文，這就是最該被蓋掉的目標。
4. 對寫錯的第三方文章，能聯繫就聯繫作者更正，不能就靠新內容往下壓。
5. 隔月複測：同一組問句、同樣免登入條件再跑一輪，重算準確度，看數字有沒有動。

這條迴路的成效不會立竿見影，AI 引擎更新引用來源的週期官方沒有公開，社群實測的推論是數週到數月不等，所以複測頻率抓每月一次就好，測太密只是自己嚇自己。

最後交代一下我們自己的起點。流量端的基準線很低，GA4 才剛裝上、來自 AI 平台的 referral 還掛零，完整數字記在自建 GEO 情報系統那篇。這篇的基準線就是上面那個 50% 的準確度。之後每個月複測，數字往哪走，我們會繼續公開寫。做監測這件事，誠實記錄起點比報一個漂亮數字有用得多。

延伸閱讀：品牌搜尋優化 | AI 口碑經營 SOP | AI 可見度監測系統