AI 为什么点名某位专家或经纪人？个人可见性监测先避开花名册误区

在房产、汽车、咨询或保险等场景，用户有时不是要找公司，而是直接问“该找谁”。AI 可能点名个人，也可能只列机构；当名字相同、职位已变化或来源不明时，把一次点名当作个人声誉结论尤其危险。

最常见的测量捷径，是拿一份员工或领英花名册去匹配回答，再把匹配到的次数称为“个人可见性”。这个方法容易漏掉别名、同名人、退休人员和模型产生的未验证名字。

2026 年 7 月 26 日首次发布、8 月 1 日更新的一项预印本，在 2026 年 7 月 24 日的 2,400 次联网模型调用中研究个人点名。论文报告，按其保守识别规则，25.8% 的回答点名了个人；四个模型之间的点名率相差约四倍。研究者还发现，基于公开 LinkedIn 搜索构建的 939 人花名册，只匹配到其 27,293 个“像姓名的提及”中的 0.47%。这是该研究的特定市场、语言和识别规则下的下界，不是普遍比例。

先从回答出发，再验证人是谁

更稳妥的流程是反过来做：先保存完整回答和出处，再判断名字是否是一个可验证的个人实体。每条记录至少包括问题、日期、模型、原文姓名、角色、所属机构、城市/市场、给出的链接、是否可由权威来源确认，以及是否存在同名歧义。

随后再将已验证记录与企业名录或公开资料比对。花名册适合作为补充核验，不应充当“所有被提名的人”的分母。对于未经证实的姓名，应标注为待核验，不要据此联系、评价或公开排名当事人。

用任务和品类拆开看结果

研究提示品类和模型差异很大。因此问题集要覆盖真实选择任务，例如“擅长首次购房的本地经纪人”“有企业保险经验的顾问”，并固定地点、语言和约束。分别统计：

• 回答是否点名个人、机构，或两者都没有；
• 点名是否与需求、地点和当前执业状态相符；
• 引用的是个人官网、品类平台、机构页面，还是无可核验出处；
• 同一问题在不同模型、时间和语言下是否稳定。

不能因为模型偶尔点名，就暗示获得认证、排名或客户认可。更不能用虚假简介、冒名页面或未经同意的个人数据去“补强”答案。

个人 GEO 还要加一层隐私与人工判断

涉及个人资料时，最小化保存、控制访问、设定更正/删除流程，并依据目标市场的隐私与劳动规则处理。医疗、金融、法律和就业等高影响领域尤其不应把模型回答作为推荐依据。

见川 GEO / GEO Radar 可在 https://www.georadar.top 协助保存固定问题下的跨平台观察、来源和变化，供合规负责人或业务人员复核；它不验证个人资质，也不保证任何个人会被 AI 点名。

这篇文章的资料来源

• arXiv，首次发布于 2026 年 7 月 26 日、版本更新于 2026 年 8 月 1 日，*Who Gets Named: Citation Type Predicts Individual Naming by Grounded Language Models, and a Roster Instrument Captures 0.5% of It*：https://arxiv.org/abs/2607.23893 （2,400 次调用、个人点名率、模型差异和花名册匹配局限）