撰寫、編輯／ximu PM 翁睿承 ( Ray WONG )
如果你今天打開 ChatGPT，問一句「我在考慮和 X 公司合作，他們可信嗎？」會得到什麼？
答案大概率是一段條理分明、引用多方資訊的回答。聽起來公允，但裡面可能夾著這樣一段描述——「該公司在數年前曾因某項爭議受到媒體關注，引發消費者疑慮。」
對 AI 來說，這只是一段被檢索到的事實陳述。對品牌來說，這場爭議可能早已平息、官方早已澄清、內部早已調整完畢。
問題是：AI 知道的版本，停留在了爭議發生的那一刻。
對話結束。客戶沒有再追問，也沒有打電話來查證——他可能就此放棄合作。品牌不會收到通知，也不會在社群上看到熱搜。這場危機是悄聲發生的，發生在模型回答的那一個瞬間。
過去十多年，公關危機的處理邏輯都建立在一個前提之上：事件可被觀察——媒體報導會上版面、社群討論會有熱度、Google 排名會浮現異常。這些都是品牌可以監測、可以介入的訊號。但生成式 AI 改變了這個前提：當 LLM 把散落各處的舊聞、舊評論、舊資料重新組裝成一段看似客觀的回答時，這段回答不會出現在任何一份監測報告裡。
換句話說，AI 時代的公關難題不是危機變多了，而是有一類危機從此變得隱形。
這不是 AI 出了 bug，而是幾個結構性機制疊加的結果。
主流大型語言模型的訓練資料都有一個截止日期，這個日期之後發生的事情——包括事件落幕、撤稿、澄清、人事更動——模型都無從得知。即便模型有定期更新，更新間隔仍以季度甚至年度計算，足以讓過時的負面存活很久。
一則爭議新聞往往會被多家媒體跟進、被論壇轉貼、被部落客引用、被社群討論——它在網路上的「拷貝數」遠多於後續的澄清新聞。語言模型在學習時，看到一件事被反覆陳述，自然會把它當作高可信度的資訊。換句話說，爆料天然有聲量，澄清天然沒聲量——這不是 AI 的偏見，而是它忠實地反映了人類資訊環境本身的不對稱。
許多人以為 LLM 接上即時搜尋就能解決過時問題，但實情更複雜。RAG 的檢索源依然受制於搜尋引擎的排序邏輯，而負面舊聞由於被大量轉載、外鏈豐富，往往在搜尋結果中排名靠前。即使品牌後來發過澄清稿，澄清稿的 SEO 權重通常遠不及原始爆料文，AI 拿到的依據很可能仍偏向舊版本。
LLM 在回答時會傾向引用「看起來權威」的來源——主流媒體、維基百科、知名論壇。但企業官方聲明、新聞稿平台、產業專業媒體的權重，在模型眼中通常不及一篇被廣泛轉載的爆料報導。這意味著品牌即便做了正確的事，那些「正確的記錄」也未必能成功進入 AI 的引用優先級。
把這四點放在一起看就會明白：這不是 AI 出了 bug，這是 AI 忠實地映射了一個本身就不對稱的資訊生態。
在實際諮詢案例裡，這類「AI 認知偏差」會以幾種具體面貌出現。
一場曾經沸沸揚揚的法律糾紛或公開爭議，事件早已平息、官方也已淡化處理。但模型仍把它列為品牌的風險點。對 B2B 銷售、投資募資、合作洽談的影響尤其直接——對方做盡職調查時，第一個問 AI 的問題往往就是「這家公司有沒有什麼風險」。
某型號的產品在數年前曾有品質爭議，企業早已下架、推出改良版本。但 AI 在被問及該品牌時，仍把舊型號的問題列為「該品牌的常見問題」。消費者不會知道那是停產品的問題，他們得到的印象是「這個牌子有品質風險」。
當事人可能已離開公司、轉換領域，甚至公司本身已易主。但模型在描述公司時，仍把當年的人物爭議與當前的公司強行關聯。這類問題對企業形象的傷害是緩慢但持續的——它出現在每一次 AI 介紹這家公司的對話裡。
比前三種更主動的風險。透過大量低品質內容、操縱引用源、製造看似合理的對比評論，惡意行為者可以系統性地影響 AI 對品牌的判斷。OpenAI 在多份安全研究報告中早已指出，生成式系統面對 data poisoning 與 prompt injection 是天然脆弱的。當這些手法被產業化、規模化使用時，「AI 對你的看法」可能不再只是被動形成，而是被主動塑造的。
面對這些情境，許多企業的第一反應是套用熟悉的危機處理流程：發聲明、找媒體、發新聞稿、必要時動用法律函要求撤稿。這些動作在傳統媒體環境下是有效的，但放到 AI 時代會遇到結構性限制。
發聲明對「人」有用，對「模型」沒用。
模型不會因為你今天發了一份澄清稿，就在明天的回答裡修正自己——它的權重已被過去數年的資訊塑形，一份新增稿件只是大海裡的一滴水。法律函可以讓單一網站撤稿，但內容早已被引用、被截圖、被轉貼、被收錄進訓練語料，撤掉源頭也撤不掉它在模型記憶裡的痕跡。SEO 壓制可以把舊新聞推到搜尋結果第二頁，但 LLM 的引用邏輯並不完全等同於搜尋排序——搜尋第一頁的內容未必就是它優先引用的。
這不代表這些傳統做法該被丟棄。相反，它們仍是基礎工程——只是基礎之上需要再蓋一層新的能力。
近兩年產業常聽到一種說法：「SEO 已死，GEO 取而代之。」我們認為這個論述太過跳躍，也容易誤導品牌做錯資源配置。
更貼近現實的觀點是：GEO 是建立在 SEO 之上的進階治理層。LLM 的引用源很大一部分來自於可被檢索、可被結構化解析的網路內容——也就是 SEO 過去二十年累積的整個資訊生態。如果一個品牌的官方資訊在 Google 上都找不到，要 AI 主動把它列為「可信來源」幾乎不可能。SEO 把資訊「放上桌」，GEO 則決定這些資訊能不能「被 AI 正確讀懂、正確引用、正確記得」。
換個方式說：
兩者是疊加，不是替代。一家品牌如果 SEO 基本功不扎實，談 GEO 就像沒有地基蓋大樓；反過來，只做 SEO 不做 GEO，則是把樓蓋好了卻不開窗——AI 進不來，自然也帶不出去。
這也意味著公關工作必須從「議題管理」升級為「認知治理」。議題管理處理的是事件——什麼新聞出來了、要不要回應、怎麼降溫；認知治理處理的是長期狀態——AI 對品牌的整體理解、引用的版本、與競品的相對定位、過時資訊的滲透程度。前者是反應式的，後者是結構性的。
要在 AI 時代治理品牌形象，問題的核心不再是「我講了多少次」，而是「AI 記得我什麼」。這是一個從訊息產出（output）轉移到認知結果（outcome）的根本性轉變。
在 ximu 的方法論裡，這個轉變被拆解為三個可以被持續測量的指標：
過時負面新聞最棘手的地方，正是在於它在這三個指標上同時製造傷害——讓可見性被錯誤版本佔據、把情感分數壓低、進而拉低 STI。傳統危機處理只能應對「事件當下」，無法處理這種長期、慢性、滲透式的認知污染。
ximu 是為了回應這個命題所建構的 AI 原生平台。它做的事情很單純，也很關鍵：讓品牌看見 AI 究竟如何理解自己。
透過 Visibility、Sentiment、STI 等指標，加上跨模型的引用源追蹤、語意定位分析、競品相對位置監測，ximu 把過去模糊的「印象」轉化為可量化、可比較、可持續優化的數據資產。當一則過時負面被某個平台反覆引用時，ximu 會發現；當競品在某類提問裡的曝光與你形成系統性差距時，ximu 會發現；當你的官方訊息在 AI 的引用權重上被某類二手資訊蓋過時，ximu 也會發現。
從那一刻開始，過時負面新聞才從一個「品牌不知道、也無法處理的隱形危機」，變成一個「可以被命名、被定位、被處理」的具體問題。傳統公關處理「事件」的能力沒有被取代，它只是有了一個過去缺席的搭檔—— 一個能持續看見模型內部的鏡子。
AI 時代的公關危機，最棘手的地方不在於它多激烈，而在於它多安靜。它不會上頭版，不會炸社群，不會驚動法務。它只是在每一次有人向 AI 提問你的品牌時，輕輕地、客觀地、條理分明地，說出一個你早已修正、卻仍被模型記得的版本。
而品牌唯一能做的事，是先看見它，然後治理它。
Trust · Influence · Resonance——在 AI 與人共同決定品牌價值的時代，被看見只是起點，被正確地記得才是終局。
VM 布爾喬亞創立於 2014 年，定位為「形象資產架構師（IMAGE Asset Architects）」，是一家以 AI 為核心的 AI 原生公關顧問公司。秉持「策略優先、數據驅動、AI 賦能（Strategy-First | Data-Driven | AI-Empowered）」信條，透過獨創的 PRaaS 2.0 服務模式（PR As AI Soiutions），將傳統策略傳播轉化為可量化、可持續治理的「形象資產（IMAGE Asset）」，實踐「信任・影響・共振」的核心價值。
面對生成式 AI 時代，VM 布爾喬亞投資開發核心基礎設施「 ximu」——一款 AI 原生形象資產治理平台，攜手來自臺灣大學、中國復旦大學、華東師範大學等一線演算法工程師完成核心開發，致力於讓品牌在 AI 語義系統中被看見、被信任、被優先引用。
同時，VM GEO 根據布爾喬亞 I.M.P.U.L.S.E. 方法論與矽谷 AI 搜索算法，集結來自臺灣大學、史丹佛大學、紐約大學、北京清華大學等學歷的國際顧問團隊共同研發，讓AI時代的品牌治理真正走進信任工程建設。
【VM 布爾喬亞招募中】新聲代發展計劃 2.0 ── AI PR 人才加速養成計劃（歡迎「應屆畢業生」、「一年以下相關 / 三年以下非相關經驗工作者」申請加入）
