讓我們做一個思想實驗。你的公司剛剛提交了一份 300 頁的 IPO 招股書。PDF 無可挑剔——定制字體、品牌色彩、高管攝影、每個成本 4 萬美元的信息圖。董事會審查了三遍。律師批准了每一個逗號。
現在一位機構分析師打開 ChatGPT 輸入：「總結 [你的公司] 的財務前景和主要風險。」
以下是發生的事：AI 沒有打開你的 PDF。它從未看到你的簡報。相反，它從六七篇新聞文章、一個 Wikipedia 條目、兩篇 Seeking Alpha 帖子和一條 2023 年的 Reddit 主題中檢索碎片——拼接出一個可能 40% 準確、60% 幻覺的綜合描述。
格式問題：富媒體對機器是隱形的
大多數 AI 檢索系統通過將內容轉換為文本嵌入——代表語義含義的數值向量——來工作。當你饋送一個 PDF 時，它們運行 OCR 或文本提取。結果是單個沒有結構層次的純文本字符串：圖表、表格和設計層次被壓平為噪聲。
你文檔中所有有價值的東西——信息的層次、收入數據與風險免責聲明之間的關係、經審計財務數據與前瞻性陳述之間的區別——都被壓平為無法區分的文本流。AI 無法區分你的第四季度收入數字和公司餐廳菜單，如果兩者出現在同一提取中。
格式隱形的代價
一項針對 200 家準 IPO 公司的 2025 年研究發現，企業網站上沒有結構化數據存在的公司，在關鍵財務指標上的平均 AI 幻覺率為 34%——意味著大約每三條 AI 生成的關於收入、利潤率或增長的陳述中就有一條是可證明為虛假的。部署完整 JSON-LD Schema 的公司將這一比率降至 8% 以下。
AI 原生披露是什麼樣的
AI 原生披露將你的 IR 內容轉化為機器可以精確解析、索引和引用的格式。它由三個層面組成：
- 結構化數據層 — 嵌入 HTML 頁面的 JSON-LD Schema 標記，明確聲明你的公司法定名稱、股票代碼、行業、NAICS 分類、財務指標、領導層和企業行動。這是 AI 爬蟲作為權威信息攝取的基礎事實層。
- 語義 HTML 層 — 乾淨、可訪問的 HTML 頁面，具有適當的標題層次、語義分區和機器可讀的數據表。圖表附帶結構化的 CSV 或 JSON 數據下載。每張圖片都有描述性 alt 文本。每個財務數字都有上下文。
- 實體圖層 — 跨多個權威域（你的企業網站、投資者關係門戶、監管申報頁面、LinkedIn、Bloomberg 頁面）交叉引用你公司的結構化數據，創建一個 AI 模型在網絡上可識別的一致實體身份。
雙格式策略
我們不主張廢除 PDF。PDF 招股書仍然是法律記錄文件——律師和監管機構理解的格式——人類分析師習慣審查的物件。策略是雙格式發布：PDF 給人類（律師、分析師、監管機構、印刷分發）；HTML + Schema.org 給機器（AI 爬蟲、LLM 檢索管道、金融數據聚合器）。想想視頻上的字幕——視頻服務一個受眾；字幕軌道服務另一個。兩者可以且應該共存。
IR 團隊的實用步驟
- 審計你當前的 IR 網絡存在。 通過 Google Rich Results Test 和 Schema.org 驗證器運行你的投資者關係頁面。統計檢測到多少結構化數據類型。如果答案是零，你就有格式差距。
- 在 IR 網站上部署 JSON-LD Schema。 從 Organization 和 FAQPage 開始。為業績發布添加 FinancialProduct 和 NewsArticle。為投資者日和股東週年大會日期添加 Event。
- 建立年報和投資者簡報的 AI 優化 HTML 版本。 乾淨的語義 HTML、結構化數據、機器可讀表格。與 PDF 一起發布——相同 URL，不同格式服務不同受眾。
- 監控結果。 30 天後，運行 AI 感知審計：用標準化提示詞查詢 ChatGPT、Perplexity 和 Gemini 關於你的公司。記錄準確度改善。與董事會分享。
PDF 招股書沒有死。但它已不再足夠。為人類分析師和 AI 檢索系統同時發布的公司，是那些企業敘事完整存活到下一個資本市場時代的公司。