在 GEO 工作里，有一类问题比「没有被提及」更难处理：AI 知道你的品牌，但选择不推荐你。
这种情况背后通常是情感问题。
AI 是怎么处理负面信息的
AI 生成推荐类回答时，会做两件事：先判断这个品牌算不算行业内的正常玩家，再判断推荐它的风险。
第二条尤其关键。AI 面对的品牌信息里如果存在明显的负面内容，它的处理方式通常偏向保守 —— 换一个没有争议的品牌来推荐。这不是规则限制，而是它在权衡「给出可能有问题的建议」这件事的风险。
结果就是：一个在其他维度都表现不错的品牌，因为一条负面信息，在所有推荐类问题里被系统性跳过。这种情况在你的品牌名检索结果里看不出来 —— 负面内容可能只占很小一部分，但它对 AI 判断的影响是不成比例的。
哪几类负面内容影响最大
按实际观察，影响程度大致是：
一、涉及产品安全、资金纠纷、虚假宣传的报道。这类内容对 AI 的警示作用最强，且一旦被吸收，衰减很慢。
二、大量集中的消费者投诉。单条投诉影响有限，但如果投诉集中在某个具体问题（比如售后响应慢、退款难），AI 会把它当作品牌的固有特征。
三、权威平台上的负面评价。同样是负面内容，出现在行业媒体、权威评测里的，影响比出现在小论坛里大得多。
四、时间久但反复被引用的问题。三年前的负面报道，如果到今天还有别的文章在引用它，权重不会随时间降低。
检测时怎么发现这类问题
常规的关键词检测能发现一部分，但不够。专门的情感分析要做得更细：
- 逐句判定：把 AI 回答里所有涉及品牌的语句抽出来，逐句判定正面、负面、中性
- 算负面占比：不是看有没有负面，而是看负面语句占涉及品牌语句的比例
- 看负面烈度：区分「略有不足」和「存在严重问题」这两种表述，后者影响大得多
- 抽负面原句：把 AI 说出的具体负面表述记下来，这些是优化时要正面回应的靶子
这项工作单独做，不需要重新跑一遍全量检测，所以成本比完整检测低很多，适合作为高频监控项。
处理负面信息的正确顺序
发现负面内容之后，最常见的错误做法是直接去投诉删帖，或者写一篇强硬的反驳。
更有效的顺序是：
第一步，判断是否属实。 属实的负面信息，硬碰硬只会扩大传播范围，需要走实际解决 + 事实更新的路径。
第二步，用事实内容覆盖，而不是用口号覆盖。 一篇详细说明改进措施的说明文，效果远好于五篇「我们始终以客户为中心」的公关稿。AI 能区分具体信息和空泛表述。
第三步，回应具体的质疑点，不要泛泛回应。 AI 吸收的是具体表述。如果负面信息说的是「响应速度慢」，那你的内容里就要出现具体的响应时长、服务流程、以及可以核实的改进成果。泛泛的「服务优质」不会覆盖掉「响应慢」这个判断。
第四步，持续监测。 负面内容的影响衰减需要时间，也要靠新增的正面内容稀释。只看一次检测结果，会误以为没用。通常需要两到三轮复测才能看到明确变化。
一个必须承认的现实
不是所有负面信息都能被消除。真实存在的问题，正确做法是解决它，然后如实呈现改进过程。AI 对「如实陈述 + 具体改进」的接受度，远高于「完全否认」。
从 GEO 的角度，目标不是让 AI 认为品牌完美无缺，而是让它认为这个品牌是透明的、可核查的、推荐风险可控的。这才是能稳定进入推荐名单的状态。