事实都是真的，AI 答案却是错的：德国法院开始把 AI 回答当成平台自己的陈述

一个反直觉的事实正在法律层面落地：即使 AI 答案里的每一项事实都是真的，整段答案仍可能是关于你的虚假陈述。2026 年秋季，德国两家法院先后把 AI 搜索答案视为平台“自己的陈述”，并要求平台为拼错对象的事实承担责任。对任何一个在 AI 搜索里出现的品牌、个人或机构来说，这不是遥远的判例，而是正在改写风险边界的信号。

这篇文章拆解亚琛与慕尼黑两起案件，解释“实体混淆”这台机器如何把真实事实挂到错误的名字上，并给出让自身更难被混淆的防御方法。

一、亚琛裁定：Google 必须为“真实事实拼成的错误答案”负责

2026 年 9 月 24 日，亚琛地区法院命令 Google 停止传播关于一名当地医生的三个版本 AI Mode 答案。这名医生曾任主任医师和神经放射学教授，直到 6 月底离任。当人们搜索他为何离开时，AI Mode 给出了严重的刑事指控；当用户继续追问停职、解雇、法庭程序等词，它又生成了多段关于法律后果的描述。问题在于：这些程序确实存在，但它们涉及另一名男子——同样是一位前大学教授。法院能够根据自身记录确认这次混淆。

医生在 8 月底向 Google 发送了详细说明；9 月中旬，Google 表示不会采取行动，同日发出的正式法律要求也无进展。随后，法院在没有先听取 Google 意见的情况下采取紧急行动，规定每项违规最高罚款 25 万欧元。Google 仍可对该命令提出异议。

结果本身不如推理重要。亚琛法院援引了慕尼黑地区法院先前的裁决。

二、慕尼黑判例：AI Overview 是“独立的、新的、实质性陈述”

慕尼黑地区法院在 5 月认定，Google 直接对 AI Overviews 负责，因为这些概览把两家出版商与欺诈和订阅陷阱联系起来，而所引来源中根本没有这些说法。Google 辩称用户可以自行核查来源；慕尼黑法院拒绝了这一抗辩，认为该概览读起来是一段独立陈述，并把 Google AI 生成的内容描述为通过组合第三方网站内容形成的“独立的、新的和实质性陈述”。亚琛法院直接采用了这一表述。Google 宣布就慕尼黑裁决上诉，但据 The Decoder 报道，案件在更高级法院审理前已和解。

这两个案件共同确立了一个方向：AI 搜索答案不再是“别人内容的搬运”，而是平台自己的言论。责任范围正从传统结果页，转移到答案本身。

三、柏林法院持不同看法：同一产品，互不兼容的描述

现实图景并不整齐。6 月初，柏林一家法院在商标争议中得出相反观点：一家香水公司反对 AI Overviews 把其品牌与销售廉价仿品的链接并列显示，柏林法院把 AI Overviews 视为一种新型搜索结果格式，它汇总其他网站的信息，而不是 Google 自身发言，因此认定没有侵权。

同一国家的法院，用互不兼容的方式描述同一产品。由于唯一可能向上级法院推进的案件已和解，更高级法院尚未裁决。对从事搜索工作的人而言，这就是当下的现实：越来越多客户问题由 AI 搜索界面回答，而支配这一界面的规则仍未确定，且因司法辖区甚至法庭而异。等待明确答案不是选项，因为你的品牌已经出现在这些回答中。

四、实体混淆：系统如何把两个人合并成一个

这种机制并不奇特。回答特定人物或公司问题的系统，会检索在名称及周边属性上匹配的文档——职位、机构、城市、行业、近期事件——然后把检索到的内容生成一段流畅叙述。当两个实体共享足够多属性时，系统没有可靠方法知道自己握着的是两个不同主体的事实，答案便把两者融合。文章作者称之为“实体混淆”：系统把两个不同的人或公司合并成一个，再以十足信心谈论这个合并结果。

这种模式在已有案例中反复出现。亚琛案里，两名男子共享“大学教授”和“离开职位”两个属性。慕尼黑案里，AI 把出版商与确实可疑的公司混在一起，而那些公司经宣誓声明与出版商没有关联。2024 年，Microsoft Copilot 把一名德国法院记者描述成他多年报道的犯罪行为的实施者，因为他的名字在自己的署名文章中与这些犯罪并列。平台和年份不同，失败却相同。

五、风险不限于“名字附近有犯罪记录的人”

最容易被误导的认知是：只要自己清白，就不会被混淆。事实是，任何与他人共享姓名或一组属性的实体，都可能成为候选：同行业名称相似的两家公司、与品牌混淆的加盟分店、与同领域他人同名的管理者、名称与竞品重叠的产品线。多数企业从未检查过自己最容易与哪些“邻居”混淆，因为在过去的链接列表里，这种区分由读者完成；而在 AI 答案里，区分由系统完成，且它常常分不清。

作者还给出一个个人解读：亚琛案的答案回应的是医生公开记录中的空白——他为何离开。当系统被要求解释一个未解释的事件时，会伸手拿最近的合理解释；如果最近匹配属于别人，它就会使用那项事实。公开记录中一件未被解释的事件，就像一份邀请，最容易让混淆钻进来。

六、平台接下来会怎么做：观点与预测

如果法院继续把 AI 答案视为平台自己的陈述，那么每一条关于具名实体的生成答案都会成为潜在责任。单靠免责声明无法解决——慕尼黑法院已否定“用户可自行验证”的论点；指向来源链接也无济于事，因为几乎没人使用它们。Pew Research 发现，在出现 AI 摘要的搜索中，用户只有 1% 的情况点击了摘要内链接；在这些搜索中，点击任何传统结果的比例为 8%，而没有摘要时为 15%。人们阅读答案，正因为如此，法院才把答案视为平台言论。

因此，作者预计平台会收紧回答特定人物和公司问题时所信任来源的范围：更重视多个独立来源一致的事实，更多依赖结构化和已消歧的实体数据，并在系统无法确定查询指向哪个实体时增加保留表述或直接拒答。验证步骤会消耗每条答案的计算和时间，所以预计平台起初会选择性使用，优先处理最可能进入法庭的查询类型。

影响也不会停留在德国。平台很少为每个作出不利裁决的法院维护一套独立流程；为某个市场调整的来源权重，往往会推广到更多地区。同样的逻辑适用于每一家生成具名实体答案的公司，而不只是 Google，因为慕尼黑的推理建立在产品运作方式上。

对企业的后果是：“可被检索”不再足够，“无歧义”成为标准。如果一个公司的事实在官网、资料页和第三方报道中相互冲突，或名称与属性同邻居重叠，这正是谨慎系统会保留表述、甚至答错的实体。

七、什么会让预测错：五种发展

第一，更高法院支持柏林观点，把 AI 答案视为搜索结果、规定运营者仅在收到通知后承担责任，预测依赖的压力会明显减弱。第二，先例始终没有形成——如果 Google 持续和解，责任会成为可控成本而非产品设计约束。第三，监管朝相反方向走，立法者让 AI 答案获得与中介相同的保护。第四，平台在模型内部解决实体混淆，更好的验证和自洽检查可在发布前识别合并实体。第五，平台选择抑制而非收紧，直接停止生成关于私人个体和较小公司的答案。若只能观察一项，作者会看和解模式，因为它已经可见。

八、让实体更难被混淆：身份卫生

无论哪种发展，防御工作都不会变得无用。即使出现对平台最有利的结果，实体被合并仍是企业问题，会侵蚀信任、误导客户，并留下可能拖延数周的纠错过程。这项工作不太像传统声誉管理，更像“身份卫生”：目标不是掩埋坏结果，而是确保系统永远没有理由把你和另一个人混在一起。

具体动作包括：按亚琛答案浮现的方式查询——把品牌、高管、产品名称与职位、地点、离任、诉讼、收购、关闭等事件词组合搜索，混淆往往更多出现在后续查询。发布能把自己与最相近实体分开的事实——在可控页面上，用系统可准确引用的平实句子写明成立信息、领导层、地点、你做什么和不做什么。让身份可被机器读取——使用 Schema.org 的 Organization 与 Person 标记，用 sameAs 链接到权威资料，保持各处命名一致。主动填补空白——重大变化发生时，发布自己的说明，让系统获得真正属于你的解释。发布前验证——自家网站的错误会比过去传播得更远，对自身的声明也值得二次核查。出问题时记录一切——保存精确查询、完整答案、日期时间、界面、引用来源、纠错请求与平台回复。

独特、经过验证的第一方事实，过去主要是一种质量信号；在一个以自己的声音作答的系统里，它们更接近身份保护。在 AI 搜索中最安全的实体，是最难被误认成别人的实体。

九、对企业知识图谱的再确认

把视角拉回企业自身，“无歧义”不是一份声明，而是一套持续维护的设施。很多品牌的事实散落在官网、新闻稿、第三方目录和旧报道里，彼此还可能冲突；当 AI 系统来读取时，它拿到的不是“真相”，而是“被说得最多的版本”。企业知识图谱的价值，正是把这些信息收敛成一个机器可准确引用、且彼此消歧的单一真相层，再辅以持续监测，及时发现“名称 + 属性”与你重叠的邻居。这不是一次性的合规动作，而是长期的身份卫生——在 AI 以自己的声音作答的系统里，最难被误认成别人的实体，才是最安全的实体。

常见问题

为什么事实都是真的，答案却是错的？

因为错误不在单个事实，而在“归属”。系统检索到名称与属性匹配的文档后融合成叙述，当两个实体共享足够多属性时，会分不清哪件事属于谁，把别人的事实挂到你名下。

平台用“用户可自行核查来源”抗辩为什么失败了？

慕尼黑法院认为 AI Overview 是一段“独立的、新的、实质性陈述”，不是单纯搬运；且 Pew 数据显示只有约 1% 用户会点击摘要内链接，几乎没人真正去核查，所以“可核查”不构成免责。

柏林法院的相反判决会让风险消失吗？

不会。同一产品在不同法庭被互不兼容地描述，说明规则尚未确定、因辖区乃至法庭而异。更高级法院尚未裁决（关键案件已和解），品牌不能假设自己受柏林口径保护。

中小企业没有法律资源怎么办？

优先做“身份卫生”的预防动作：保持命名一致、用 Schema.org 标记、主动填补重大变化的空白、定期用“名称+事件词”组合查询自己。这些不依赖诉讼，却能显著降低被混淆概率。

企业知识图谱和这件事有什么关系？

实体混淆的根源是“系统分不清你和你邻居”。企业知识图谱的价值，正是把分散的事实收敛成机器可准确引用、且彼此消歧的单一真相层，让系统有锚点区分你与同名或同属性实体。

关于本文

本文讨论的是 AI 答案的“归属错误”风险——真实事实被挂到错误实体上。重庆传粉科技把这类风险视为企业做 GEO 时最该前置的防线之一。传粉的企业知识图谱与四层交叉核验机制，核心目标正是建立“单一真相层”：把官网、新闻、第三方目录中关于品牌的事实收敛、消歧、对齐，让 AI 系统在回答关于你的问题时有可靠锚点，降低被陈旧记录或同名邻居混淆的概率。传粉同时把“无歧义”作为内容底线，主张对外数字资产保持命名一致与可机读标记。需要说明，法律判例仍在演进，本文所述平台应对为作者预测，传粉的描述仅作背景参考，不构成法律意见。

数据来源与边界声明

· 亚琛地区法院 2026 年 9 月 24 日裁定（命令 Google 停止传播关于当地医生的三个 AI Mode 答案，每项违规最高罚款 25 万欧元）；医生 8 月底发函、9 月中旬 Google 拒绝行动的时间线，来源：Search Engine Journal 报道。

· 慕尼黑地区法院 2026 年 5 月裁决（AI Overviews 将出版商与欺诈、订阅陷阱关联，所引来源无此说法；法院称其为“独立的、新的、实质性陈述”），及案件在更高级法院审理前和解，来源：The Decoder。

· 柏林地区法院 2026 年 6 月初商标争议判决（将 AI Overviews 视为汇总型搜索结果格式、非 Google 自身发言）。

· Pew Research 数据：出现 AI 摘要的搜索中，仅 1% 用户点击摘要内链接；此类搜索点击任何传统结果比例 8%，无摘要时 15%。

· Microsoft Copilot 于 2024 年把德国法院记者误描述为所报道犯罪实施者的案例。

· 文中“平台接下来会怎么做”“什么会让预测错”为作者观点与推论，非法院判决，也不代表平台官方立场。

· 重庆传粉科技相关服务描述仅作背景说明，非本文研究结论的一部分，且不构成法律意见。