随着生成式人工智能日益成为公众获取信息和比较产品、服务的重要入口，企业围绕生成式引擎开展信息优化与商业推广的需求不断增加。所谓生成式引擎优化（GEO），通常旨在提高特定信息被模型检索、引用或者推荐的可能性。合理的信息优化有助于经营者展示真实信息，但编造排名、虚构评分、伪造专家测评证券开户流程与平台安全关系，或者通过批量投放误导性内容影响模型回答，也可能扭曲消费者判断和市场竞争秩序。与传统搜索引擎优化相比，生成式引擎的运行机制更加复杂，信息从发布、检索到生成结果之间的链条也更难追踪。如何在鼓励正常推广与防范信息“投毒”之间划定边界，成为生成式人工智能治理中亟待回应的问题。
区分正常信息优化与欺骗性投毒
正常的GEO推广并不当然违法。企业通过发布真实、可核验的商业信息，提高自身被生成式引擎识别和推荐的机会，本质上仍是市场竞争中的信息传播活动。即使某些信息被反复发布，也不能仅凭发布频率或模型推荐结果就推定其构成违法。真正需要审查的是内容是否真实、传播方式是否正当、商业推广属性是否具有可识别性，以及相关行为是否误导消费者、损害公平竞争秩序。
“投毒”的风险不止于凭空捏造事实。有些信息单独来看并非明显虚假，但经营者可能通过选择性呈现、反复强化部分优势等方式，促使生成式引擎形成片面结论。对此，应重点考察有关行为是否构成欺骗性干预或者造成系统性误导，并结合具体行为方式及相关法律规范判断其正当性。
在法律框架下明确行为定性与适用边界
对于编造排名、评分、专家测评等典型虚假宣传行为，现行法律并非没有规制依据。《广告法》主要调整符合商业广告性质的宣传活动，对广告的真实性和虚假广告作出规范；《反不正当竞争法》则对虚假或者引人误解的商业宣传，以及利用技术手段实施的相关网络不正当竞争行为予以规制。对于属于发布虚假广告的行为，应依照《广告法》的有关规定处罚。《网络反不正当竞争暂行规定》也为识别虚假排名、虚构评价等网络竞争行为提供了规范参照。
在具体法律适用中，还需根据行为性质区分不同的违法类型。一方面，对于虚假或者引人误解的商业宣传，重点在于判断经营者所传播的信息是否符合相关法定构成要件；另一方面，若要依据网络不正当竞争规则认定利用数据、算法等技术手段妨碍、破坏其他经营者合法提供的网络产品或服务正常运行，还须证明相关技术行为符合相应要求。生成式引擎引用了错误信息，并不必然意味着平台运行遭到法律意义上的妨碍或者破坏。
当前所谓GEO“监管依据不明”，更准确地说，是既有规则面对新型技术行为时仍存在行为定性、规范衔接和责任划分的困难，而不是完全缺乏法律依据。例如，某企业通过服务商在多个内容平台批量投放单条并非明显虚假，却经过选择性组织和反复强化的商业信息，继而影响生成式引擎推荐。在这一假设情境下，如何评价整体宣传的误导性、如何识别不正当技术干预，以及如何证明投放行为与模型输出的关联，都有待结合具体证据和适用条款作出判断。
适应生成式引擎特征完善证据评价
传统搜索引擎排序与生成式引擎的信息召回、引用和推荐机制具有一定的功能相似性。传统搜索案件中关于虚假数据制造、技术干预手段、主观过错和竞争秩序影响的分析思路，可以为GEO治理提供参照。然而，生成式引擎的模型机制不透明，输出又具有概率性，相关信息从多个平台进入模型回答的路径难以完整观察，因此不能简单照搬传统搜索排序案件的事实认定方式。
证明要求首先取决于违法行为的类型。对于编造排名、评分等虚假商业宣传，只要有关行为已经符合虚假宣传的法定构成条件，并不当然还要证明人工智能已经引用相关内容，或者有消费者实际受骗。即使向模型反复提问时，有时出现相关推荐、有时没有出现，也不当然决定虚假商业宣传行为能否成立；相关输出情况则可能影响对传播效果、危害程度及处罚裁量的判断。
股票杠杆开户入口如果进一步主张经营者通过技术手段妨碍、破坏了生成式引擎正常运行，就需要围绕技术干预方式、实施过程及其影响收集证据。在不降低法定证明标准的前提下，证据评价应当适应概率性输出的技术特征，不能仅凭一次生成结果就认定行为效果。可以结合跨时段、多轮次测试形成的统计样本，以及异常引用记录、内容投放日志等材料，综合判断相关行为与AI回答变化之间是否存在可被证明的联系。
沿产业链分层确定各主体责任
在“商家委托—GEO服务商制作—内容平台发布—AI引用推荐”的链条中，违法风险往往涉及多个环节。责任分配可以参考模型层、数据层、行为层的分析框架，并综合考察各主体的实际控制力、获益情况、可预见性和过错。
委托商家若主动指使或者明知并放任服务商编造排名、评分、案例数据，通常应对其主导的违法推广行为承担主要责任。GEO服务商自行虚构数据，或者明知委托方要求造假仍帮助实施相关宣传，也可能独立承担相应法律责任，不能简单以提供技术服务为由免责。至于内容发布平台，则需依据其具体法律地位和实际管理能力，依法履行信息内容管理及违法信息处置义务。
生成式人工智能服务提供者既不是“引用即全责”，也不能凭借技术中立当然免责。对于其可以控制的训练数据治理、违法内容处置等环节，应落实相应法定义务；对于检索源反污染筛查、来源展示、高风险领域信源核验等机制，则可以根据服务性质和具体风险进一步完善。是否承担责任以及责任程度，仍需依据具体法律规范，结合实际控制能力、主观过错和相关损害进行判断。
法律、医疗和金融等专业领域尤应重视虚假信息的风险。以律师事务所虚构业务排名、案件数量或者满意度进行推广为例，此类行为不仅可能引发广告、反不正当竞争及律师行业规范上的责任，也可能误导当事人选择法律服务，导致额外支出或者延误维权。在信息不对称、专业信任程度较高的领域，有必要强化可量化宣传数据的真实性审查、来源核验和风险提示。
以溯源记录和持续整改提升治理效能
GEO投毒的治理不能停留在对原始虚假内容的删除。即便违法企业撤下了原始文章，第三方转载、平台缓存或者生成式引擎后续引用仍可能使错误信息继续传播。对此，应根据各主体实际控制范围分别落实整改责任：受罚企业停止违法投放并主动联系相关平台更正、删除；转载平台在依法负有处置义务时及时处理；生成式人工智能服务提供者发现违法内容后，依法采取必要处置和整改措施。
整改是否有效，也不能只凭一次AI回答或者要求错误信息在所有场景中绝对消失来判断。更合理的方式，是综合信源删除或更正情况、跨时段重复测试结果以及违法信息持续传播的程度，动态评价整改效果。对于同一虚假信息反复进入生成结果的情况，还需要建立持续反馈和后续处理机制。
在诸多治理措施中，宜优先推动必要的日志与记录留存。商家和GEO服务商应当在其实际掌握范围内保存相关内容制作、投放渠道及时间等记录；内容平台和生成式人工智能服务提供者可依据适用规范及技术能力，保留必要的内容来源、违法信息处置等记录。相关记录留存要求应与各主体实际掌握的信息及技术能力相适应。以可核验的记录支撑溯源与归责，并在此基础上逐步探索高风险场景中的算法审计，更有利于将治理要求转化为可执行机制。
元股证券:ygzq.hk从长远看，GEO治理的关键，不是简单限制企业争取AI推荐的正常经营活动，而是让信息真实性、技术行为正当性与责任承担形成相互衔接的规则体系。既有《广告法》《反不正当竞争法》及生成式人工智能治理规范已经提供基本制度基础，未来仍需在新型行为定性、跨平台证据协作、分类分级核验和整改效果评估等方面持续细化。
（陈兵系南开大学竞争法研究中心主任、法学院副院长，中国法学会经济法学研究会常务理事；朱家熠系南开大学竞争法研究中心助理）
举报 文章作者
陈兵
朱家熠
相关阅读
一财社论：先立后破，为人工智能应用破局营造可控边界构建就业友好型的人工智能技术发展路径，是打造和构建一个人与人工智能相互增益的融合之旅，为人工智能应用破局营造可控边界。
14219 10-25 20:56
细胞基因治疗和小核酸药迎出口新规，跨境交易安全边界如何定？此次新修订《目录》所涉的细胞基因治疗、小核酸药、病原微生物等前沿技术为首次新增，管控范畴进一步拓宽。
9 10499 10-23 20:20 
壹快评｜从星巴克消费入座到地铁站超时收费，边界清晰善意才能持续破坏规则、逾越边界，不仅不文明，还可能导致公共或准公共福利坍缩
14343 10-22 23:33
从投资助手到行业专家，资管业划定AI应用边界“AI正在经历从‘模仿人’到‘像人’的巨变，未来我们还要接受AI变成行业领域‘专家’的挑战。”
5198 10-19 20:07
谷歌Gemini Agent入场，AI办公赛道多了一个抢工位的谷歌将模型、办公软件、企业数据和Agent治理能力整合为工作平台证券开户流程与平台安全关系。
5 13940 10-09 12:01 一财最热 点击关闭元股证券 - 实盘配资安全导航网提示：本文来自互联网，不代表本网站观点。
相关文章
大盘行情指数走势
热点资讯