AI给了七个来源，四个点不开：它编的引用为什么那么像真的

2025 年斯坦福 HAI 做过一组测试，专门看主流大模型生成带引用的回答时，引用的准确率。

结果不太好看：很多看起来极其完整的引用，链接打不开、页码对不上、作者张冠李戴。

这不是模型坏掉了，是它工作方式的副产品。

它擅长写“像引用”的东西。格式、句式、标点，全都对。唯独那一行出处，可能从来没存在过。

为什么会这样：它在猜下一个词，不是在建档

大模型干的事，一句话能不能说清：根据上文，预测下一个最可能出现的词。

它读过的资料里，“根据某某年某某研究”这个句式后面，出现过无数次看起来像真的数字。所以它生成时，也会照着这个概率往下走。

它没有数据库索引，没有“这条到底是不是真的”的核对环节。

所以有个反直觉的结论：AI 的自信程度，和它说的对不对，基本无关。

它答错的时候，语气和答对的时候一模一样。都是那种“这件事很清楚”的口吻。

这就是最坑的地方。人类撒谎会犹豫，机器不会。

五类最容易出现的“看着特别真”的内容

跟信息整理打交道多了，这几类几乎是固定节目。

第一类：精确到小数点的数字

“增长了 37.4%”“覆盖率 82.6%”。小数点后一位，是最像真的伪装。

真实的统计数字很少这么干净，但 AI 生成时，精确等于可信，是它学到的强关联。

第二类：有名有姓还带机构的引用

“某大学某教授在 2019 年的一项研究中指出”。

人名真实存在，机构真实存在，研究不存在。

第三类：可以查到一半的法规条款

条款号对了，标题对了，具体那一条的内容是编的。

这类最危险，因为你一查，发现“确实有这个法”，就信了后半段。

第四类：年份和事件错位

事情是真的，时间挪了。听起来毫无破绽，直到你要写进报告。

第五类：把两个真实数据拼成一个假结论

A 数据是真的，B 数据也是真的，但把 A 和 B 放在一起得出的那句判断，方向反了。

这类最难识别，因为两头都能查证。

一套能落地的核实动作

不用每次都全查，按“要不要对外用”分两档。

第一档：自己看看，先问一次

把刚才那句话原样贴回去，加一句：“这条出处在哪，给可点击的原始链接。”

注意区分它的两种回答：

• 给了具体链接、具体机构名、具体发布日期，并且你能打开 → 大概率真
• 换了个说法、说“根据公开资料”、开始道歉 → 那一条基本是编的

这一步能筛掉大半。

第二档：要写进报告、发出去用，必须回到一手来源

顺序别搞反：

1. 找原始发布方，不是转载方。政府数据去统计部门官网，行业数据去行业协会或原报告发布者
2. 用文件号、条款号、报告全名直接搜，别用 AI 给的那句话去搜
3. 打开原文，看数字是不是在同一张表、同一段文字里
4. 记下你实际看到的内容，而不是 AI 说的内容

第四步很重要。写报告的时候，来源要抄你亲眼看到的，不是抄 AI 给的。

一个简单的用法边界

AI 适合干这几件事：

• 把一段很长的话压成几条要点（前提是你有原文）
• 换一种说法，让内容更好懂
• 列出你可能漏掉的角度，供你排查
• 帮你写提问的框架、整理的模板

不适合干这几件事：

• 让它提供精确数据（先假定它会编）
• 让它引用法规原文（必须自己开原文）
• 让它替你判断一件事的真假（它没有真假的判据）

用大白话总结：AI 是一个很会写的助手，不是一个会核对的证人。

你把没核对的东西交给它写得很漂亮，它会把错误一起写漂亮。

最后提醒一句

被 AI 编进去的东西，最麻烦的不是你被骗一次，是它悄悄进了你的文件、你的汇报、你的分享，然后被复制出去。

一次没核，可能扩散一百次。

核实这步慢，但它省下的是后面所有的解释。

风险提示： 本文为 AI 工具使用方法的科普内容，讲的是信息核实的通用动作，不涉及任何投资决策辅助，也不构成任何专业意见。涉法涉税等专业事项，请以官方原文和持证专业人士意见为准。