Что делать, если ChatGPT или Gemini связали моё имя с чужим компроматом или делом?

Сначала задокументировать точную формулировку ответа скриншотами (с датой и версией системы), проверить, воспроизводится ли она в нескольких системах или это единичный случай, затем подать запрос на исправление через официальный канал платформы с чёткой формулировкой: «модель путает меня с другим человеком по имени [Х], я не имею к нему отношения». Параллельно имеет смысл усилить собственный проверяемый цифровой профиль.

Чем это отличается от ложного совпадения в комплаенс-базе вроде World-Check?

Механика полностью другая. Комплаенс-база вроде World-Check использует структурированный fuzzy-matching по формальным полям — ФИО, дата рождения, гражданство — и это техническая процедура сопоставления записей. Языковая модель не сопоставляет записи, а генерирует текст на основе весов, обученных на смеси источников, где ваше имя и имя другого человека могли статистически «слипнуться». Каналы исправления, юридические основания и участники процесса — разные.

Чем это отличается от случая, когда ИИ выдумал факт обо мне самом?

Обе ситуации — форма галлюцинации, но с разной механикой и разной стратегией защиты. Если модель выдумала факт о вас лично, из ничего, — это чистая фабрикация, разбор которой и юридических прецедентов вокруг неё дан в отдельной статье. Если модель приписала вам факт, событие или статус, реально принадлежащие другому, узнаваемому человеку, — это entity confusion: путаница идентичности, а не выдумка с нуля. Формулировка запроса на исправление в этих двух случаях разная.

Может ли AEGIS Reputation Lab гарантированно исправить конкретный ответ ChatGPT?

Нет. Ни одно агентство не может гарантировать, что конкретная модель перестанет путать двух людей, — решение остаётся за платформой, а часть фактов зашита в веса модели и обновляется только с выходом новой версии. Реалистичная задача — подать грамотно сформулированный запрос по каждому каналу, усилить цифровой профиль и вести регулярный мониторинг, снижающий вероятность и заметность повторной путаницы.

Как проверить, путает ли меня ИИ с другим человеком?

Задать одинаковый прямой вопрос о себе в ChatGPT, Gemini, Microsoft Copilot и Perplexity, используя точное ФИО и уточняющий контекст (город, профессия, компания), и сравнить ответы. Если два и более независимых источника называют одно и то же чужое имя, дело или событие — это признак системной путаницы, а не случайной ошибки одной модели.

Помогает ли Wikidata или разметка schema.org снизить риск такой путаницы?

Да, но без гарантии полного исключения риска. Структурированные, консистентные данные о персоне — разметка schema.org/Person на официальных страницах, точная и единообразная запись в Wikidata, совпадающие факты (род деятельности, город, даты) на всех подконтрольных ресурсах — дают моделям более сильный сигнал сущности и снижают вероятность статистического «слипания» с другим человеком, особенно при распространённом имени.

Искусственный интеллект перепутал вас с другим человеком: что делать, если ChatGPT или Gemini связывают ваше имя с чужим компроматом или санкциями

Партнёр по сделке или журналист задаёт ChatGPT прямой вопрос с вашим именем — и получает уверенный, связный ответ, в котором фигурирует чужое уголовное дело, чужой скандал или чужой санкционный статус. Не потому, что модель «соврала о вас» из ничего, а потому, что она статистически перепутала вас с другим, реальным или собирательным человеком со схожим именем. Для собственника бизнеса или топ-менеджера, который сам разбирается с ситуацией, разница между этими двумя сценариями не абстрактная — от неё зависит, куда обращаться и что вообще реалистично исправить.

Разграничение с порога: это не комплаенс-ошибка и не выдумка о вас лично

Прежде чем что-либо предпринимать, важно точно определить тип проблемы — три похожих на первый взгляд ситуации требуют разных действий.

Если банк заблокировал счёт или отказал в обслуживании из-за совпадения с записью в санкционном или PEP-списке — это не про генеративный ИИ вообще, это структурированный fuzzy-matching в закрытой комплаенс-базе вроде World-Check, устроенный совершенно иначе; механика этого сценария и протокол работы с ним разобраны в отдельном материале о ложных совпадениях в комплаенс-базах — там задача решается через SAR-запросы и юридические процедуры, а не через обращения к OpenAI или Google.

Если ChatGPT или Google AI Overviews сгенерировали неправду именно о вас самих — приписали вам поступок, которого не было, ни с кем вас не путая, — это классическая ИИ-галлюцинация, разбор судебных прецедентов и официальных каналов жалоб по ней дан в статье «Репутация в ответах ИИ».

Эта статья — про третий, отдельный сценарий: модель не выдумывает факт с нуля и не сверяется со структурированной базой, а статистически связывает ваше имя с реальными данными о другом, узнаваемом человеке — entity confusion, путаница идентичности между двумя разными сущностями внутри одной генерации.

Почему языковые модели путают людей

У путаницы идентичности есть конкретные технические причины, и все они системные, а не следствие «плохих намерений» модели.

Недостаток disambiguation-сигналов. Модель обучена на огромном массиве текста, где разные люди с похожими или идентичными именами упоминаются вперемешку, без явной разметки «это разные люди». Без сильного авторитетного сигнала (структурированной записи в Wikidata, консистентного профиля с уточняющими деталями) у модели нет надёжного способа отделить одного тёзку от другого.

Схожие или идентичные имена и фамилии. Чем более распространено сочетание имени и фамилии, тем выше вероятность, что в обучающих данных найдётся другой человек с тем же именем, чья история богаче — судебные материалы, громкое дело, объёмная пресса, — и модель статистически «притягивает» её к менее заметной сущности с тем же именем.

Конфликт источников в обучающих данных. Если в интернете одновременно существуют материалы о двух разных людях с похожими именами без чёткого разделения по профессии, городу или другим уточняющим деталям, модель при генерации ответа может смешать факты из обоих источников в одном связном, но неверном абзаце.

Отсутствие авторитетного entity-графа. У персон с тонким, слабо структурированным цифровым профилем нет «якоря» в графах знаний, на которые опираются модели, — при отсутствии такого якоря система с большей вероятностью подставит вместо него более заметную, но чужую сущность. Похожая механика уже подробно разбиралась применительно к путанице между узнаваемым журналистом и подсудимыми из его собственных репортажей, когда генеративная система приписала автору судебных материалов биографию героев его же статей, — наглядный пример того, что entity confusion не гипотетический, а уже задокументированный класс ошибок.

Аудит за один вечер: что говорят о вас пять систем

ChatGPT

Прямой вопрос с полным ФИО и без уточнений, затем повторно — с уточняющим контекстом (город, профессия, компания). Скриншот с датой обязателен.

Google Gemini / AI Overviews

Тот же вопрос отдельно в генеративном ответе и в обычной выдаче — расхождение между ними само по себе диагностический сигнал.

Microsoft Copilot

Проверить с включённым и выключенным поиском в реальном времени — ответ может кардинально отличаться в зависимости от режима.

Perplexity

Система обычно показывает источники цитирования — это самый быстрый способ понять, откуда взялась путаница.

Яндекс Нейро

Отдельная проверка для русскоязычного контекста и транслитерации имени — модель может путать по другой паре сущностей, чем англоязычные системы.

Сопоставление ответов

Если два и более независимых источника называют одно и то же чужое имя или дело — это системная путаница, а не случайная ошибка одной модели.

Базовый диагностический протокол AEGIS Reputation Lab перед подачей запросов на исправление

Каналы исправления по платформам: что реально можно запросить

У каждой платформы свой канал и своя формулировка ограничений — важно обращаться с точным описанием именно путаницы идентичности, а не общей жалобой «ИИ написал неправду».

Платформа	Канал обращения	Что указать в запросе	Реалистичный результат
ChatGPT (OpenAI)	Форма запроса о персональных данных на privacy.openai.com	Точную формулировку ответа и имя человека, с которым происходит путаница	Рассматривается приоритетнее общей жалобы на точность; точечное исправление не гарантировано, практика — недели
Google (Gemini / AI Overviews)	Кнопка «Сообщить о проблеме» под ответом + форма Google по результатам «о вас»	Описание путаницы и, если известен, источник смешения данных	Эффект возможен в течение недель, без гарантии и привязки к срокам
Microsoft Copilot	Форма обратной связи в интерфейсе Copilot + служба поддержки Microsoft	Конкретное имя, с которым спутан пользователь	Компания прямо оговаривает: обращение «не обязательно приведёт к удалению»
Perplexity	support@perplexity.ai — запрос в духе GDPR/CCPA о некорректных персональных данных	Описание путаницы и ссылку на цитируемый моделью источник	Общая формулировка без отдельного SLA для этой категории обращений
Яндекс Нейро	Форма обратной связи по ответу через поддержку Яндекса	Формулировку ответа и данные о путанице	Аналогично — без гарантированного срока рассмотрения

Общий паттерн у всех платформ один: формальный канал для такого обращения есть везде, но ни одна компания не берёт на себя обязательство точечно и гарантированно исправить конкретную ассоциацию к конкретному сроку.

«Разница между "ИИ соврал о вас" и "ИИ перепутал вас с другим" звучит как нюанс, но определяет всю стратегию: во втором случае у вас есть конкретное, проверяемое расхождение — два разных человека, две разные истории, — и именно эта конкретика делает запрос на исправление значительно убедительнее общей жалобы на неточность.»

Команда Aegis Reputation Lab

Позиция AEGIS

Проактивная защита: как структурировать профиль, чтобы вас не путали

Ждать первого случая путаницы — не лучшая стратегия, особенно при распространённом имени или деятельности в отрасли, где уже есть более заметный тёзка. Работающий набор мер снижает вероятность путаницы, хотя и не устраняет её полностью.

Разметка schema.org/Person. На официальном сайте, странице «О компании» или личном ресурсе структурированные данные — род занятий, место работы, дата рождения (если применимо), связанные организации — дают моделям машиночитаемый сигнал сущности, который сложнее спутать со статистическим шумом.

Запись в Wikidata. Многие системы, включая Google Knowledge Graph, опираются на Wikidata как на один из источников структурированных фактов о персоне — точная, поддерживаемая в актуальном состоянии запись снижает шанс, что модель подставит вместо неё данные другого человека.

Консистентность фактов на подконтрольных ресурсах. Одинаковое написание имени, одна и та же дата рождения, город, профессия — на сайте компании, в профилях, в упоминаниях в СМИ. Расхождения в деталях создают статистический шум, которым может «воспользоваться» модель при смешении с другим человеком.

Явные disambiguation-сигналы в собственном контенте. Там, где известно о существовании более заметного тёзки, разумно явно и корректно упоминать род деятельности и контекст — без агрессивного противопоставления, — чтобы дать моделям дополнительную опору для разделения сущностей.

Похожая механика ложного отождествления — хотя и по совершенно другой технической причине — уже разбиралась на этом сайте применительно к структурированным комплаенс-базам, где опыт агентства по сбору доказательств неаффилированности оказался напрямую применим и к разговору с банком.

Кейс · Обезличено по NDA Ложное совпадение с санкционным списком: разблокировка счёта за 7 недель Другая техническая механика (комплаенс-скрининг, а не языковая модель), но тот же принцип доказательства «это не я» — с поправкой на формат канала. Читать кейс →

Чего мы не гарантируем

Ни AEGIS Reputation Lab, ни любое другое агентство не может обещать, что конкретная модель перестанет путать вас с другим человеком, — часть фактов зашита в веса модели на момент обучения и обновляется только с выходом новой версии, время которого не контролирует ни один внешний игрок. Мы не гарантируем срок ответа платформы на запрос об исправлении и не подменяем юриста там, где путаница уже причинила доказуемый ущерб и есть основания для иска о диффамации, — для действительно серьёзных случаев такого рода в статье о репутации в ответах ИИ разобраны реальные судебные прецеденты и то, когда юридический путь оправдан. Наша часть работы — диагностика, формулировка и подача запросов по всем каналам, укрепление структурированного цифрового профиля и системный мониторинг того, что о вас продолжают говорить основные ИИ-системы.

Услуга Мониторинг упоминаний в интернете Обсудить →

Часто задаваемые вопросы

Что теряет бизнес, пока путаница не устранена

Для собственника или топ-менеджера цена вопроса редко ограничивается неприятным ощущением от прочитанного ответа. Всё больше команд due diligence перед сделкой, банковских комплаенс-офицеров и даже журналистов, готовящих материал, в качестве первого шага задают вопрос напрямую генеративной модели — быстрее, чем открывают десять вкладок в браузере. Если в этот момент ИИ выдаёт связный, уверенный ответ, путающий вас с фигурантом чужого скандала или расследования, это способно повлиять на решение ещё до того, как кто-либо проверит факты вручную. Чем дольше путаница не исправлена и не компенсирована сильным структурированным профилем, тем выше шанс, что именно этот ошибочный ответ определит первое впечатление о вас в решающий момент.

AEGIS Reputation Lab проводит диагностику по основным ИИ-системам, готовит и подаёт запросы на исправление по каждому каналу и выстраивает структурированный цифровой профиль, снижающий вероятность повторной путаницы, — без обещаний по срокам ответа платформ и без гарантии, что конкретная модель больше никогда не ошибётся. Свяжитесь с нами, чтобы обсудить вашу ситуацию.

Ложная ассоциация в ответах ИИ: как ChatGPT и Gemini путают вас с другим человеком — и что с этим делать

Разграничение с порога: это не комплаенс-ошибка и не выдумка о вас лично

Почему языковые модели путают людей