AI 眼里的公司，为什么总比真实业务窄一圈

一家企业，业务摊开来做好几门，客户去 AI 里问一圈，模型只把它归到其中一门。还有一类更常见：AI 对这家公司的描述，比它真实在做的事情窄得多、也旧得多。企业主看到这种回答，第一反应往往是——AI 是不是看漏了，或者把这家公司认成了别家。

都不是。AI 对一家公司“是干什么的”这个印象，从来不是从公司自己嘴里听来的，是从公开信息里读出来的。读到了多少，这家公司在它眼里就有多大；读不到的那一部分，在它这里等于不存在。

先拆机制：AI 对企业的印象，是读出来的

大模型没有自主认知。它不会凭空判断一家公司做什么，它对“这家公司是干什么的”的全部依据，来自它在公开信源里读到的内容。

技术链路大致四步。

第一步，实体抽取。

从地图、点评、工商信息、官网、资讯、问答这些信源里，把公司名、地址、业务描述认出来，确认这些信息说的是同一家公司。

第二步，聚合成实体卡片。

把散落各处的信息归到一张卡片的字段里：主体身份、经营类目、服务范围、地理信息。用户一提问，模型就靠这张卡片去匹配、去组织答案。

第三步，也是最容易出问题的一步，归纳。

卡片上“经营类目”和“服务范围”这两个字段，不是公司自己声明的，是模型按共现关系归纳出来的。

什么叫共现？就是这家公司的名字，在公开信息里总是跟哪一类词捆在一起出现。跟哪一类捆得最多、最紧，模型就把它归到哪一类。企业希望自己被归到哪一类，不作数；公开信息里实际被归到哪一类，才作数。

第四步，生成回答。

模型按这张卡片，决定回答里带不带这家公司、带出哪些字段。

想通这一点，“AI 只认出一门生意”就不难解释了：问题通常不在模型，而在信息结构。

标签被认窄，通常断在三处

第一处，服务范围这个字段根本没写。翻不少企业的公开资料，产品有、案例有、联系方式有，唯独缺一句完整、能独立成话的“这家企业到底做哪些业务”。案例又只提到其中一个行业，模型手上只有这一条线索，就只能顺着这个行业去归。

第二处，跨行业的内容覆盖失衡。一家企业如果同时做五个方向的业务，公开内容却九成都在讲其中一个，模型读到的高频信号就只有一个。这不是它漏看，是只给了它一条线索可看。

第三处，历史内容把标签框死了。模型对一家公司的印象有延续性。过去长期在某个语境里被提及，这个印象会沉淀下来，变成它判断时的默认值。想改，得靠新的、更完整的信息去覆盖，而不是等它自己更新。

两个行业差很远的企业，卡在同一个地方

看两个例子。行业差得很远，卡住的位置却是同一处。

一家做笔记本电脑的品牌，被“场景”框窄了。这个品牌的产品线覆盖学生本、游戏本、轻薄本好几个价位段，但在 AI 相关问法里的位置长期不理想——用户问“学生电脑推荐”“游戏本推荐”，名单里长期没有它，标准答案位被同行的内容占着。拆开看，问题不在产品，在覆盖：它公开的内容里，能对应“学生党怎么挑机”“游戏场景怎么选”这类具体场景的信息太少，模型捕捉不到它在这些场景里存在过，自然只能把它往内容最多的那个方向归。后来的动作是补结构：把核心参数、使用场景、核心优势、价格梯度整理成可被读取的知识库，再围绕选购指南、性能对比、使用维护补足问答，把内容按人群和场景拆开铺。做完之后，用户再问不同价位段、不同人群的推荐，AI 的回答里开始稳定出现这个品牌，而且不同预算档都能提得到——它不再只是被归到某一类，而是几个品类里都在。

一家成都做工程标书代做的公司，是“服务范围没被读出来”。这家公司的老板做了十几年，老客户不少，可用户在 AI 里问“本地标书代做”“工程标书代写”，名单里从头到尾没有它。更麻烦的是各公开平台口径打架：有的地方写着只做市政工程，有的地方标着能做公路工程——信息互相矛盾，AI 连“这家公司到底能做什么”都判断不了，宁可跳过。对治动作里，第一件是把服务范围、擅长的标书类型、过往项目、收费标准、办公地址一条条理清楚、统一口径，让各处说的是同一个主体、同一套能力；第二件才是按这个行业客户真正在意的通过率、专业度、保密性去补内容。做完之后，同一个问题，AI 的回答里开始出现它，还能带出服务优势和办公位置。

两个案例，一个是消费电子，一个是工程服务，痛点原型完全不同，断点却是同一个：都没有把“这家企业做什么”这件事，写成 AI 读得出来、对得上号的样子。一个缺场景的覆盖，一个缺口径的统一，本质上都是“服务范围”这个字段在信源里没有立住。

想把服务范围补全，顺序不能反

道理清楚了，动作不复杂，但顺序不能反。

第一步，把服务范围写成一句能独立成话的表述。

不是罗列一堆业务名词，而是让人一看就明白这家企业做什么、不做什么。这句话要出现在能控制的每一处公开信息里，且表述一致。

第二步，把跨行业的证据补齐，而不是只补最熟的那一块。

一家企业有五门业务，就得让五门业务都有可被读取的内容支撑。哪一门空着，AI 对那一门就是“查无此人”。这不是要求每门都堆量，而是不能让它彻底落空。

第三步，用新的信息去覆盖旧的标签。

如果旧印象已经形成，靠解释改不动，得靠持续、完整、一致的新信源去冲。模型的判断以它当前读到的内容为准，补得越齐，它的归类越接近真实。

做完这三步，再拿“公司名加业务方向”去各模型里问一遍，看回答跟真实业务的匹配程度——这是最直接的验收方式。

结果是什么，边界在哪里

补完信息之后，典型的变化是：AI 对这家公司的描述，从“只认一门”慢慢扩到能带出好几门业务，而且能说出具体的服务内容，不再是一句笼统的归类。

这里要说清边界。这个过程只解决“AI 认不认得全一家企业”，不解决“这门生意好不好做”。它不会替产品加分，也不会替服务背书。模型是非确定性的，同一个问题今天问和下周问，答案都可能有出入，看的是趋势和覆盖，不是某一次的结果。

有人会问的几个问题

有人会问，在企业官网写清楚业务范围，AI 是不是就认全了？不够。单一来源的说明权重有限，模型的判断是多信源交叉验证的结果。一处写了、别处没有，或者各处写法不一致，它都会倾向跳过。

也有人问，行业不同，做法会差很多吗？前两步一样——把信息写清楚、把口径对统一，跟行业没关系。差别在第三步补什么：客户下单前会核实什么，就补什么。不同行业客户的核心关切不一样，这一步得按行业来。

还有人问，标签被认窄了，还能不能改回来？能，但要靠新信源去覆盖。模型以当前读到的内容为准，持续、完整、一致的信息铺进去，归类会跟着变。别指望解释，也别指望一次改完。

三步自查，今天就能做、不花钱

不找人、不花预算，也能先动起来。

一、拿“公司名加最主力的一门业务”去 AI 里问一遍，看它给出的描述，跟企业真实做的对不对得上。少了哪一门，就是那一门缺内容。

二、把在各个平台上的资料翻出来比一比：服务范围的写法一致吗？有没有哪一处只写了其中一门业务？不一致的地方，先统一。

三、把最希望 AI 记住的那几门业务，各写一段能被读懂的内容——做什么、服务谁、怎么交付，落到公开可查的地方。这一步不用求人。

这三步不解决“生意好不好”，只解决“AI 认不认得全”。

让认真做事的人被看见。