简答:Wikipedia 对 AI 可见度(Wikipedia AI visibility)有影响,但影响主要不体现在引用上;对买家真正会问的那些问题,它的作用也比业内常说的小得多。Wikipedia 通过训练数据、通过搜索引擎建立的实体记录,塑造模型对一家公司的认知;在跨所有话题的统计里,ChatGPT 引用它的次数也比任何其他域名都多。可是当我们让 5 个 AI 模型回答 12 个品类、共 240 个买家问题时,1,188 个回答里 Wikipedia 只被引用了 16 次,Reddit 是 504 次;而这 16 次里,只有 2 次指向某一家具体企业的条目。对大多数品牌来说,Wikipedia 条目是「已经有知名度」的结果,而不是「被推荐」的抓手。而且,这是唯一一个你亲自去拉这根杠杆就明确违规的渠道。

这是我们的看法。下面依次给出证据,讲清 Wikipedia 自己的方针允许企业做什么,以及通常把力气花在哪里更值得。

  • 两种不同的作用。Wikipedia 帮引擎弄清「你是谁」(身份、历史、品类),却很少帮它判断「该不该推荐你」。
  • 买家问题引用的是别的来源。在我们的基准测试里,引擎引用 Wikipedia,是为了解释「度假村费」「律师执业资格」这类概念,而不是告诉买家选哪家酒店、哪家律所。
  • 花钱买不到,自己写也不行。Wikipedia 的知名度标准要求多个独立、可靠的二手来源对你有过深入报道;它的利益冲突规则强烈不建议你编辑关于自己的条目,并要求付费编辑披露谁在付钱。
  • Wikidata 和你自己的实体数据,才是现实可用的抓手。它们规模更小、结构更清楚、更够得着,前提是同样守规矩。
  • 把「身份」和「被发现」分开测。Wikipedia 方面的工作如果有效,体现在引擎怎么描述你,而不是多常推荐你。

用数字看 Wikipedia AI 可见度:它在哪里被引用,在哪里不被引用

「Wikipedia 是 AI 最重要的信息源」这个说法,通常建立在一类数据上:跨所有话题的引用占比。这类数据是真的,只是它回答的问题,和大多数营销人员真正关心的问题不一样。

跨所有话题,ChatGPT 很依赖 Wikipedia

Profound 分析了 2024 年 8 月到 2025 年 6 月的 6.8 亿条引用。在 ChatGPT 里,Wikipedia 是被引最多的域名,占全部引用的 7.8%;Reddit 第二,占 1.8%。而在 Google AI Overviews 和 Perplexity 里,排第一的反而是 Reddit,分别占 2.2% 和 6.6%。

ChatGPT 里被引最多的两个域名(占全部引用的比例)Profound,6.8 亿条引用,2024 年 8 月至 2025 年 6 月,全部话题Wikipedia7.8%Reddit1.8%同一数据中,Google AI Overviews 和 Perplexity 被引最多的都是 Reddit(分别为 2.2% 和 6.6%),未画入本图。
图 1 跨所有话题,ChatGPT 引用 Wikipedia 的次数超过任何其他域名。数值为 ChatGPT 全部引用中的占比。来源:Profound,6.8 亿条引用,2024 年 8 月至 2025 年 6 月。

这些占比覆盖人们问的所有东西:历史、科学、名词解释、名人、操作方法。这些问题里,Wikipedia 是天然的参考。它是不是「利兹哪家会计师事务所好」「扁平足适合什么跑鞋」的参考,是另一个问题,跨话题的总占比回答不了。

到了买家问题上,Wikipedia 几乎消失

我们自己的基准测试只看买家问题。2026-09-07,我们让 5 个 AI 模型各回答 12 个品类、每个品类 20 个问题,从奥斯汀的牙科诊所、西雅图的餐厅,到电动自行车、护肤品和项目管理软件,并记录每一条引用。在 1,188 个成功的回答里,Wikipedia 被引用了 16 次;同一批回答里,Reddit 被引用了 504 次。

买家问题里的被引次数:Wikipedia 对比 Reddit每个品类 5 个模型 × 20 个问题;每组上方灰条 = Reddit,下方橙条 = Wikipedia餐厅752健身房720电动自行车672家具580牙科诊所500暖通与水管370护肤290酒店282房产经纪271宠物用品253项目管理软件190律师事务所176Wikipedia:合计 16 次Reddit:合计 504 次
图 2 买家问题里的 Wikipedia AI 可见度:12 个品类中 Wikipedia 与 Reddit 各自的被引次数。来源:InsightWonder 行业基准,5 个模型 × 每品类 20 个买家问题,2026-09-07 采集。

12 个品类里有一半,Wikipedia 一次都没被引用。它表现最好的是律师事务所,6 次,全部出现在关于信任和资质的问题上。按引擎看,16 次里 Perplexity 占 11 次,ChatGPT 和 Claude 各 2 次,Grok 1 次;在我们的测试里,Gemini 一次都没有引用 Wikipedia。

即便被引用,引的也是概念

16 次引用数量不多,可以逐条看,结论很一致。其中 14 次指向主题条目:Electric bicycle laws(电动自行车法规)、Step-through frame(低跨式车架)、Resort fee(度假村费)、Hotel amenity(酒店设施)、Personal injury lawyer(人身伤害律师)、几篇关于律师执业资格的条目、Pet store、Specialty store、Types of restaurant,以及一份丹佛社区列表。只有 2 次指向关于某家具体企业的条目:Petco,以及西雅图的一家餐厅 Nue。

16 次 Wikipedia 引用指向了什么概念 / 主题条目14具体某家企业的条目2概念条目举例Electric bicycle laws · Step-through frameResort fee · Hotel amenity · Types of restaurantAdmission to the bar in the United StatesPersonal injury lawyer · Pet store · Specialty store企业条目Petco(宠物用品)Nue(西雅图餐厅)
图 3 基准测试中 16 次 Wikipedia 引用指向的内容:14 次是概念或主题条目,2 次是具体企业的条目。来源:InsightWonder 行业基准,2026-09-07 采集。

这正符合 Wikipedia 本来的定位:一部解释概念、记录知名主题的百科全书。买家问「怎么确认律师有执照」,引擎就去找 Wikipedia 对律师执业资格的解释;买家问「芝加哥哪家人身伤害律所值得打电话」,引擎去找的是律师目录、律师协会、律所官网和 Reddit。在我们的律所数据里,Avvo、美国律师协会(americanbar.org)和 Super Lawyers 的被引次数都超过了 Reddit,而它们都不是 Wikipedia。

在你自己的品类里做同样的检查

要知道 Wikipedia 对你的买家重不重要,不需要 12 个品类的基准测试,一个下午就能有初步结论:

  1. 准备 20 到 30 个不含品牌名的买家问题:求推荐、对比、「值不值」「怎么选」。
  2. 放到你的买家常用的引擎里跑一遍,导出全部被引链接。
  3. 数一数 Wikipedia 被引了几次,逐条标注它指向的是概念条目(法规、产品类型、某种收费、某种技术),还是某家具体公司的条目。
  4. 再跑一组较小的、带你品牌名的身份类问题(「[公司] 是什么」「[公司] 的创始人是谁」),看 Wikipedia 或 Wikidata 有没有出现。

如果第一组里 Wikipedia 只以概念条目出现,第二组里出现的是你的条目(如果有的话),那你看到的就是我们看到的同一种分工:Wikipedia 解释品类、识别公司,而决定推荐的是别的来源。如果买家问题的回答里出现了某个竞品的 Wikipedia 条目,要仔细读一读——它告诉你,引擎把这个竞品的哪些事实当成了定论。

这份数据说明不了什么

引用只是回答里看得见的部分,它看不出模型在搜索之前「本来就知道」什么,而那恰恰是 Wikipedia 影响最大的地方。我们的基准测试只覆盖一个日期、通过 API 调用的 5 个模型版本,问题是英文买家问题,样本城市在美国。带品牌名的问题(「[公司] 是做什么的」「[公司] 的老板是谁」)表现不同;如果你有 Wikipedia 条目,它最可能在这类问题里被引用。

为什么 Wikipedia 仍然在塑造 AI 回答:训练数据和实体

既然买家问题里 Wikipedia 很少被引用,它还重要吗?重要,因为引用只是来源影响回答的途径之一。Wikipedia 的影响主要走另外两条路。

第一条路:训练数据

运营 Wikipedia 的 Wikimedia 基金会,在 2025 年 10 月说得很直接:几乎所有大语言模型都用 Wikipedia 数据集训练,搜索引擎和社交平台也优先用它的信息回答用户问题。你公司条目里写着的事实——成立年份、总部、创始人、做什么产品、有过哪些争议——很可能就是模型不经搜索就「知道」的关于你的内容。如果条目写错了,模型可能会自信地复述这个错误,而且没有你能追溯的出处。

同一篇文章也说出了这份成功的代价:Wikipedia 的人类浏览量比上一年同期下降约 8%,基金会认为原因是生成式 AI 和社交媒体直接回答了问题。同年早些时候,基金会还报告,其最耗资源的流量里至少 65% 来自机器人,而机器人在全部浏览量里只占约 35%。读 Wikipedia 的人在减少,读它的机器在增加。对品牌来说,这意味着条目作为「访问目的地」的价值在下降,作为「输入」的价值在上升。

第二条路:实体记录

搜索引擎和 AI 系统要知道「Acme」「Acme Inc.」和「acme.com」是同一个东西,而且它是一家做小部件的公司,不是某个卡通品牌。它们靠实体记录来解决这件事:Google 知识图谱、Wikidata 以及类似的数据库。Wikipedia 就处在这张网的中心附近。Google 的知识面板帮助文档写道,知识面板为知识图谱里的实体自动生成,信息来自网络上的多种来源。Wikidata 是 Wikipedia 的结构化姊妹项目,它把每个条目和各语言版本的 Wikipedia 文章、以及其他数据库里的标识符关联起来。

Wikipedia 影响 AI 回答的三条路径Wikipedia条目正文、信息框训练数据模型「本来就知道」的事实影响大,看不到出处实体记录Wikidata、知识图谱、知识面板决定「你是谁」检索引用回答里的可见引用买家问题里很少见前两条路径塑造「身份」,第三条才是看得见的引用。
图 4 Wikipedia 进入 AI 回答的三条路径。依据 Wikimedia 基金会关于训练数据的说明和 Google 知识面板帮助文档绘制,不含数据。

落到操作上:一份干净、一致的实体记录,能帮引擎把正确的事实挂到正确的公司上。这对名字有歧义的品牌、改过名的品牌、品类容易被误判的品牌最重要;对一家在本市名字独一无二、顾客只问服务不问身份的本地商家,最不重要。

一个错误事实是怎样扩散的

这两条路径也解释了,为什么 Wikipedia 上的一个小错会被放大。举个示意性的例子(不是真实案例):某公司条目把成立年份写错了。信息框用的是同一个事实;对应的 Wikidata 条目可能也写着它,复用 Wikidata 的其他数据库和网站随之照搬。于是搜索引擎的实体记录里,有好几个互相印证的来源,追根溯源却都抄自同一处。用其中任何一个训练的模型,学到的都是错误年份;实时联网核对的引擎,在好几个地方看到同一个错误年份,就把它当成了已确认的事实。

纠正也按同样的顺序来:先按下文的讨论页流程改正源头,再改 Wikidata,然后确保你自己的网站把正确的事实写清楚。其他地方的副本通常会跟着源头改,但很慢;纠正之前训练的模型,在更新之前会一直记着旧事实。即使你从没指望被这些页面引用,这也是定期检查 Wikipedia 和 Wikidata 记录最有力的理由。

我们的看法

把两条路放在一起看,Wikipedia 的角色就清楚了:它是「身份」的上游基础设施——你是谁、属于什么品类、有哪些被记录在案的事实;它很少是「偏好」的来源——你是不是某个买家的好选择。偏好来自评价、目录、社区讨论、对比文章和你自己的页面。对大多数品牌来说,花一个季度去争取一篇 Wikipedia 条目、指望因此被推荐得更多,是把力气用错了层。

常听到的三种说法,证据支持到哪一步

  • 「ChatGPT 先读 Wikipedia,所以你必须有条目。」按 Profound 的数据,跨所有话题,ChatGPT 引用 Wikipedia 确实比任何其他域名都多。但那说的是人们问 ChatGPT 的全部问题,而不是买家问题;在我们的基准测试里,ChatGPT 在 240 个回答中只引用了 Wikipedia 2 次。
  • 「有了 Wikipedia 条目,引擎就信任你,就会推荐你。」条目让你的身份更容易被识别。推荐取决于「你是不是好选择」的证据,而百科条目对此刻意保持中立。一篇替你「说好话」的推广式条目,恰恰是 Wikipedia 规则要删的东西。
  • 「编辑得越多,可见度越高。」没有任何公开资料表明编辑次数会影响引擎挑选来源;公司频繁编辑,招来的更可能是审查而不是引用。目标是准确,不是活跃。

你的公司够格吗:Wikipedia 对企业的知名度要求

在讨论能做什么之前,先诚实地判断有没有事可做。英文 Wikipedia 的组织与公司知名度指引设定了门槛,而这个门槛比大多数公司预想的高。

核心标准

一家公司、组织、产品或服务,只有在多个可靠、独立于该主题的二手来源对其有过深入报道时,才被推定为具有知名度。指引还强调,没有任何公司或组织天然具有知名度:规模、历史、重要性本身都不算数。每个来源必须同时通过四关:直接、深入地报道该主题;完全独立于公司;来源可靠;属于二手来源。这样的来源必须有多个,而且至少有一个面向地区级、全国或国际受众,不能全是本地媒体。

Wikipedia 企业知名度测试:每个来源要同时过四关深入报道+完全独立+来源可靠+二手来源算一个合格来源需要多个合格来源,且至少一个面向地区及以上受众,不能全是本地推定具有知名度不算数的报道(举例)融资、并购、人事、新品发布的例行公告员工在别人报道里的引语;一笔带过的提及地址、营业时间、产品清单等罗列「最佳」「100 强」「增长最快」榜单什么都收的目录和数据库
图 5 Wikipedia 对企业的知名度测试,依据组织与公司知名度指引整理(2026-10-23 读取)。示意图,不含数据。

哪些报道不算数

这份指引对「看起来像证据、其实不算」的报道列得异常具体。在问「我们要不要做个 Wikipedia 页面」之前,这张清单是市场团队最值得读的东西,因为公关工作产出的很多内容都在上面。

通常计入知名度不计入知名度
全国或地区性报纸由本报记者撰写、专门介绍这家公司的深度报道例行公告:融资、并购、人事任免、产品发布、新开分店、季度业绩
对公司经营做法或市场影响的独立分析、调查报道别人报道里引用的你方员工发言;把你当作「某类公司」的例子一笔带过
独立撰写、篇幅可观的专著章节或学术研究罗列信息:地址、营业时间、产品清单、统计数据、办公地点
对公司或产品有深入讨论的独立评测(详见指引中关于产品评测的部分)入选「最佳」「100 强」「增长最快」之类榜单,除非榜单本身具有知名度
有讨论、有评价,而不只是转述消息的报道什么都收录的目录和数据库、赞助、本身不具知名度的奖项、高管演讲

快速自评

把近几年所有关于你公司的报道收齐,按上表分类,再回答三个问题:

  1. 有几篇是专门、深入写我们的,由有编辑标准的媒体独立完成?如果不到两三篇,就到此为止。
  2. 其中至少有一篇来自面向本地以外受众的媒体吗?
  3. 一个从没听说过我们的志愿者,只凭这些报道、不靠我们帮忙,能写出一篇中立、有出处的条目吗?如果不能,那条目就得依赖我们提供的材料——而这正是规则要防止的。

很多经营得很好的公司都过不了这一关。这不是对生意的评价,而是由百科全书的定位决定的。过不了,正确的做法不是想办法绕过去,而是接受:你的 AI 可见度要在别处建立。

利益冲突:品牌在 Wikipedia 上绝不能做的事

在这个领域,Wikipedia 是唯一一个专门为「公司编辑关于自己的内容」写了详细规则的平台。无视这些规则,是把一篇中立条目变成「这家公司如何修改 Wikipedia」新闻的最快方式。

用大白话说规则

Wikipedia 的利益冲突(COI)指引适用于任何书写自己雇主、客户或经济利益相关内容的人,老板、员工、外包方、投资人都算。如果你属于这类人,指引的要求是:披露利益冲突;强烈不建议直接编辑相关条目;可以在条目的讨论页用 {{edit COI}} 模板提出修改建议,由其他编辑审核;新条目要通过「条目创建请求」(Articles for Creation)提交,而不是自己直接发布。

付费编辑的规则更严。任何为报酬编辑的人,都必须披露谁在付钱、客户是谁,以及其他相关关系;指引说明,这是 Wikimedia 基金会使用条款的要求。没有作出这种声明的付费编辑,有个专门的名字叫「未披露的付费编辑」,Wikipedia 把它视为严重问题。

公司能做什么,不能做什么

动作允许吗如果允许,怎么做
把条目改写得更正面不允许完全不行;按「Wikipedia 不是宣传工具」的方针,推广腔调本身就是被删除的理由
修正错别字、失效链接或明显的破坏允许在公开身份的前提下直接改,属于「毫无争议」的修改;有人反对就停
更正过时事实(新 CEO、新总部、产品更名)以请求方式允许在用户页披露身份,在讨论页发 {{edit COI}} 请求,并附独立来源
删除有可靠来源支持的、属实的批评不允许可以在讨论页附来源指出批评所占篇幅失衡;由志愿者决定
为自己的公司新建条目不建议只能走 Articles for Creation,公开身份,而且要先满足上面的知名度标准
付钱请代理公司写或改条目必须完全披露代理方要披露雇主、客户和关联关系;直接编辑的大部分限制同样适用
请朋友或员工「以志愿者身份」去改不允许他们的修改同样属于利益冲突编辑;不披露的话是最糟的情况

为什么这里的规则比其他平台更「咬人」

Wikipedia 有三点不同。每一次编辑都公开、永久地留在页面历史里,连同做出修改的账号或 IP 地址。经验丰富的志愿者会主动排查推广式编辑。而且正如指引自己所说,没有人「控制」条目:条目一旦存在,任何人都可以加入有可靠来源、但你宁愿没人看到的信息;社区也可以不管你的意愿,决定删除或保留条目。

在一些司法辖区,这还有法律层面的问题。Wikipedia 的指引记载,2012 年德国慕尼黑高等法院(Oberlandesgericht)判决:公司或其代理人以影响顾客为目的编辑 Wikipedia,构成欧洲公平交易法意义上的隐性广告。把这当作「开展任何 Wikipedia 工作前先咨询法务」的理由,而不是你所在市场法律的概括。

别人把你的条目改坏了怎么办

更难的情况不是你自己编辑,而是别人编辑:离职的员工、竞争对手,或者只是某位编辑加进了一条过时的说法。规则指向的方向不变,而「我直接改回来就好」的冲动,恰恰在最危险的时候最强烈。

  1. 不要反复回退。一次次撤销别人的修改就是「编辑战」,而卷入编辑战的公司账号,正是记者最爱写的题材。
  2. 分清「错误」和「不爱听」。不实或无来源的说法,可以在讨论页拿证据提出质疑;属实、有可靠来源但不好听的说法,是记录的一部分,你能做的是附上来源讨论篇幅和平衡,而不是要求删除。
  3. 走对升级渠道。讨论页没人回应时,指引建议去相关 WikiProject 或利益冲突布告板;人物条目则有在世人物传记布告板专门处理。
  4. 诽谤按法律问题处理。如果内容构成诽谤,指引允许当事人尽快删除,然后通知 Wikipedia 志愿者回复团队;超出这个范围的事,交给法务。

AI 时代特有的风险

模型从 Wikipedia 学习,引擎从 Wikipedia 检索,一家公司「修改 Wikipedia」的争议一旦公开,就可能成为这家公司描述的一部分。一篇不是你写的、中立甚至有点平淡的条目,远好过一篇精心打磨、却挂着「利益冲突」维护模板、讨论页上争吵公开、还上了新闻的条目。

改善 Wikipedia AI 可见度:品牌可以正当去做的事

在规则范围内,有一份不长、但有用且低风险的清单。没有一项能保证你得到条目或某种措辞,但每一项都能让记录更准确——这也是 Wikipedia 唯一会支持的目标。

有利益冲突时,怎样合规地纠正条目1 公开身份个人账号用户页写明雇主2 讨论页请求{{edit COI}}一事一请求3 附独立来源写清改什么附可靠出处4 志愿者审核可能接受也可能拒绝5 记录日期之后重跑身份类问题例外:拼写、失效链接、明显破坏,可以在公开身份的前提下直接修改;只要有其他编辑反对,就回到讨论页。
图 6 有利益冲突时公开身份纠正条目的流程,依据 Wikipedia 利益冲突指引整理。示意图,不含数据。

如果你已经有条目

  1. 像引擎那样去读它。看首段、信息框和分类:名称、成立日期、总部、创始人、行业、产品、网站。这些是最可能进入关于你的回答的事实。
  2. 开一个公开身份的账号。用某位署名员工的个人账号,在用户页写明雇主。不要用「Acme 市场部」这种共用账号;Wikipedia 的用户名方针要求一个用户名只代表一个人,也不要用机构名称。
  3. 附上来源提出更正请求。在讨论页用 {{edit COI}} 模板,一件事一个请求:哪里错了、应该怎么写、哪份独立可靠来源支持这个修改。指引允许在合理范围内使用你自己发布的材料,比如证明新地址这类没有争议的事实,但独立来源的分量更重。
  4. 耐心,简短。请求由志愿者审核,他们可能拒绝。指引要求有利益冲突的编辑尊重志愿者的时间,讨论尽量简洁。
  5. 明显错误可以直接改,但要克制。错别字、失效链接、破坏是可以直接修改的例外;凡是改变意思的,一律走讨论页。

写一份志愿者能直接处理的修改请求

容易被接受的请求,通常长得差不多:一次只改一处,给出建议的原文措辞,附独立来源,没有任何营销口吻。讨论页上可以照这个模板写(用英文版时按英文写):

{{edit COI}}
I work for [Company] (disclosed on my user page). I'd like to request
one factual correction.

Current text: "[Company] is headquartered in [old city]."
Proposed text: "[Company] is headquartered in [new city]."
Reason: the company moved its headquarters in [month year].
Source: [independent news article, with link and date]
        (company announcement also available: [link])

I won't edit the article myself. Thanks for reviewing. ~~~~
(大意:我在 [公司] 工作,已在用户页披露。请求更正一处事实:现文「总部位于旧城市」,
建议改为「总部位于新城市」;理由是公司于某年某月迁址;来源为某独立新闻报道,另附公司公告。
我不会自己编辑条目,感谢审核。)

有三个习惯很有帮助:每个请求短到一分钟能读完;独立来源放前面,自家公告放后面,能不放就不放;绝不要把事实更正和「改改语气、调整侧重」捆在一起,审核者会理所当然地整个拒绝。如果请求长时间没人回应,COI 指引建议去相关 WikiProject 的讨论页或利益冲突布告板求助,而不是自己动手改。

如果你还没有条目

不要自己写。去做让条目成为可能的那件事:获得独立、深入的报道。这意味着做有新闻价值的事、做别人愿意报道的研究、做评测者愿意深入研究的产品,并且对记者保持开放。如果这样的报道积累起来,志愿者可能会去写条目;如果你确信已经满足知名度标准,通过 Articles for Creation 提交一份公开身份的草稿是被允许的路径。这也是最慢的路径,而且结果不由你决定。

创始人与高管

关于人物的条目适用 Wikipedia 的在世人物传记方针,对来源的要求更严格。COI 指引在「不要编辑关于自己的条目」上开了一个口子:如果有诽谤或需要尽快纠正的严重错误,当事人可以直接修改,之后给 Wikipedia 志愿者回复团队发邮件,或在相关布告板说明。其他修改都和公司条目一样,走讨论页。

品牌用 Wikidata:更小、更结构化的抓手

Wikidata 是 Wikipedia 信息框和跨语言链接背后的结构化数据库,被大量复用。对许多品牌来说,它比 Wikipedia 条目更现实,但它也有自己的规则。

谁能在 Wikidata 上有条目

Wikidata 的收录标准规定,一个条目至少满足三条之一就可以:有一个指向 Wikipedia 等 Wikimedia 项目页面的有效链接;指向一个能清楚识别、并且能用严肃且公开的参考资料来描述的概念或实体;或者满足结构上的需要,例如让其他条目里的陈述变得可用。第二条比 Wikipedia 的知名度标准宽,但「严肃且公开的参考资料」依然排除了只靠你自家营销材料建立的条目。

Wikipedia 与 Wikidata 对比

Wikipedia 条目Wikidata 条目
收录门槛多个独立、可靠的二手来源有深入报道三条之一即可,包括「能用严肃公开资料描述的可识别实体」
内容形式志愿者撰写的正文,附引用结构化陈述:属于什么类别、国家、成立时间、官方网站、各类标识符
对 AI 可见度的作用训练数据;身份类问题的检索来源消歧;在数据库之间、语言之间建立关联
做不到的事让引擎在购买问题里推荐你让引擎对你评价更好
品牌的主要风险利益冲突编辑、条目被删、公开争议质量差或推广性的条目被删除

对公司最重要的几条陈述

Wikidata 用「陈述」描述一个条目,每条陈述由属性和值组成。和身份有关的工作,主要靠下面几个属性完成,也是最先要查的:

  • instance of(属于)(P31):这是个什么东西,比如企业、上市公司或连锁餐厅。这里写错,整个实体就被归错了类。
  • official website(官方网站)(P856):把条目和你的域名绑在一起,最有用的一条。
  • country(国家)(P17)和 headquarters location(总部所在地)(P159):你在哪里,这对本地和区域类问题很重要。
  • inception(成立时间)(P571)和 founded by(创始人)(P112):身份类回答里最常被复述的历史事实。
  • industry(行业)(P452):品类归属,帮引擎判断你和哪些问题相关。

每条陈述都应当附参考资料。没有参考资料的陈述更容易被其他编辑质疑,对复用这些数据的人也没那么有用。

让条目保持准确

如果你的公司已有 Wikidata 条目,检查核心陈述:属于什么类别、国家、成立日期、官方网站,以及把它和其他数据库关联起来的标识符。这里的错误会悄悄扩散。条目有误时,附上参考资料提出更正,精神和 Wikipedia 一样:公开身份,补事实,不加形容词。然后让你自己的网站和它保持一致。我们的实体与 sameAs 指南讲了怎样把 Organization 标记指向 Wikidata 条目和其他官方主页,让每一份记录描述的都是同一个实体。

知识面板和其他实体入口

Wikipedia 为大品牌做的大部分「身份」工作,小一些的品牌可以通过专门让它们自己管理的入口来完成。

Google 知识面板

Google 的帮助文档说,知识面板是自动生成的,随着网上信息变化而更新,修改从两个方向考虑:实体本身,以及一般用户反馈。官方代表可以认领知识面板:登录 Google 认定与该实体相关的某个官方网站或主页账号,然后提出修改建议。并非所有面板都能认领,不能认领时就用「反馈」链接。对本地商家,Google 指向的是另一个产品——商家资料(Business Profile),可以直接管理。

你自己的实体数据

最安静、也最可控的实体来源,是你自己的网站:清楚的「关于我们」页面,一致的名称和地址,带 sameAs 链接指向各官方主页的 Organization 标记,以及在各个目录站上一字不差的同一套事实。引擎靠来源之间的一致性来确认实体。保持一致,比出现在任何一个「有分量」的来源上都更值钱。

引擎把你和别人搞混了怎么办

重名是实体工作见效最快的地方。如果身份类问题返回的是另一家公司、某个地名或某个同名产品的信息,说明引擎把你的名字挂到了错误的实体上。从最可控的来源往外做:在「关于我们」页面直白写清完整的法定名称、品类和所在地;让 Organization 标记指向各官方主页,如果有 Wikidata 条目也一并指向;如果两个实体的 Wikidata 条目互相串了事实,就分别提出更正;如果知识面板显示的是别的实体,就用面板的反馈链接。之后每月重跑身份类问题。重名问题很少一个周期就解决,但通常几轮之内就能看出方向。

按投入和可控程度给实体抓手排序

抓手谁说了算投入适用对象
官网和 Organization 标记你自己低所有品牌,第一步就做
Google 商家资料或已认领的知识面板你自己,但受 Google 规则约束低到中本地商家;已有知识面板的品牌
目录站与点评站主页与平台共管中大多数品牌;本地品类必做
Wikidata 条目社区,你可以公开身份提建议中有严肃公开资料的品牌,尤其是名字有歧义的
Wikipedia 条目只有社区高,且不确定已经满足知名度标准的公司

买家问题上,力气该花在哪里

如果 Wikipedia 是「身份层」,那「偏好层」是什么?我们的基准测试对每类品类都给出了具体答案,而大多不是 Wikipedia:

  • 本地服务与酒店餐饮:点评站和目录站(酒店和餐厅看 Tripadvisor,牙科看 Zocdoc,律师看 Avvo,家庭维修看 Angi),城市版块的 Reddit 讨论,本地媒体。
  • 消费品:发烧友社区、产品评测者、零售商和电商平台、对比文章。
  • 企业软件:厂商官网、对比类媒体、软件点评平台。

这些来源的共同点是第三方佐证:独立的来源,在「做选择」的语境里具体地描述你。我们的第三方佐证指南讲了怎样为你的品类找出并审核这些来源;律所品类基准则是一个好例子:在那个品类里,撑起引用的是专业目录,而不是 Wikipedia。

决策框架

你的情况Wikipedia 优先级先做什么
大公司,报道多,已有条目为准确性,高审一遍条目和 Wikidata 条目;通过讨论页请求更正
中型公司,有一些全国性报道,没有条目低到中争取更多独立报道;保持 Wikidata 和自有实体数据准确
本地商家很低商家资料、评价、目录站、本地社区存在感
爱好型品类的商品品牌低发烧友社区、独立评测者、零售商页面
名字有歧义或改过名的品牌中,通过 Wikidata实体一致性:Wikidata、sameAs、各主页统一命名
面对不准确或有敌意条目的公司高,但要谨慎公开身份、附独立来源在讨论页提请求;涉及诽谤的找法务

怎样衡量 Wikipedia AI 可见度方面的工作

Wikipedia 主要影响「身份」,那就测身份。「最好的 X」这类问题上的提及率,很少会因为 Wikipedia 的修改而变化;把变化归功于它,只能靠猜。

两组问题,分开测

  • 身份类问题:「[公司] 是什么」「[公司] 的创始人是谁」「[公司] 总部在哪」「[公司] 和 [名字相近的公司] 是一家吗」。按一份固定的事实表,给每个回答的事实准确度打分。
  • 发现类问题:你平时的买家问题,不带品牌名。照常追踪提及率和引用,但别指望 Wikipedia 方面的工作能让它们动起来。

要记录什么

  1. 一份内部确认过的事实表,10 到 15 条核心事实,每条都有来源。
  2. 每个身份类问题、每个引擎:哪些事实对、哪些错、哪些缺,以及有没有引用 Wikipedia 或 Wikidata。
  3. Wikipedia 或 Wikidata 上每一次更正被接受的日期,方便之后对照前后变化。
  4. 每月用同一套问题重跑一次。实时联网的引擎可能几周内就读到更正后的条目;依赖模型自身知识的回答,要等模型更新才会变,可能要久得多。

一张简单的打分表

打分要机械化,这样不同的人给同一个回答打分,结果才一致。每个问题、每个引擎、每次运行记一行:

prompt        | "Who founded [Company] and when?"
engine / date | [engine] / [run date]
facts checked | founder: correct | founding year: WRONG (says [year])
              | headquarters: missing
sources cited | wikipedia.org/wiki/[Company]; [company site]
score         | 1 correct / 1 wrong / 1 missing
action        | founding year wrong on Wikipedia too -> talk-page request
(问题 / 引擎与日期 / 逐项核对:创始人正确、成立年份错误、总部缺失 /
 被引来源 / 得分:对 1、错 1、缺 1 / 行动:Wikipedia 上年份也错,去讨论页提请求)

把所有问题和引擎加总,「错误」的数量就是要压下去的那个数。联网检索、给出引用的回答,和没有引用的回答,要分开统计,因为两者变化的时间尺度不同。

什么才算成功

成功是:身份类回答里的事实错误变少,和名字相近的实体混淆变少,对你业务的描述稳定下来。不是推荐次数突然上升。如果有团队汇报说 Wikipedia 工作「提升了 AI 可见度」,而依据是发现类问题,那就追问:哪些问题、哪些引擎、同期还有什么别的变化。

所以我们的立场是:对已经有知名度的公司,把 Wikipedia AI 可见度当作基础卫生;对其他公司,把它当作「值得被写」之后的长期结果。如果你想按固定周期把身份类和发现类问题并排追踪,我们的 AI 可见度功能会把两组问题分开统计,让每一类工作都用它真正能影响的指标来评判。

资料来源