200条里错了134条，表达疑虑15次：被引用不等于被正确引用
两项大型研究测量了AI引擎的引用。超过六成不正确，31%存在来源问题，而语气的笃定从不减弱。这对一个品牌意味着什么。
超过60%
在1600次查询中不正确的引用比例，测试了八个引擎（Tow Center，2025年3月）
简短回答：AI的引用可以点到你的名字，同时把你说错。 已发表的测量关注的不是是否出现，而是被归属内容的准确性：一项1600次查询的研究中，超过六成的引用不正确；另一项覆盖3000多条回答的研究中，31%存在来源问题。因此有用的问题不只是「我被引用了吗」，而是「让我说的话是否属实，那个链接是否通往某处」。
31%
存在来源问题的回答比例：归属缺失、误导或错误（EBU与BBC，2025年10月）
134比15
ChatGPT识别错误的文章数，对比它表示疑虑的次数，基于200条回答
一个出错并且说出来的引擎，给你留了机会。一个笃定地出错的引擎不留：读者没有理由去核实。
两项大型研究测量了什么
第一项来自哥伦比亚大学的Tow Center for Digital Journalism，发表于2025年3月6日。方法简单且可复现：二十家发行方，每家随机抽取十篇文章，原样复制片段，再让八个回答引擎指认标题、原始发行方、日期与URL。合计1600次查询。总体而言，引擎对其中超过六成给出了错误答案。
| 测量 | 结果 |
|---|---|
| 八个引擎整体 | 超过60%的回答不正确 |
| Perplexity，样本中最好 | 37%不正确 |
| Grok-3，样本中最差 | 94%不正确 |
| Grok-3，通向错误页面的引用 | 200条中154条 |
第二项范围更广，来自公共广播机构。2025年10月22日由欧洲广播联盟与BBC发布，由职业记者评估ChatGPT、Copilot、Gemini和Perplexity的3000多条回答，覆盖22个机构、18个国家和14种语言。其核心结论是：这一缺陷是系统性的，既不取决于语言，也不取决于市场，更不取决于某一个助手。
| 缺陷类型 | 占回答的比例 |
|---|---|
| 至少一个重大问题 | 45% |
| 来源问题：归属缺失、误导或错误 | 31% |
| 严重的准确性问题：编造细节、过时信息 | 20% |
| Gemini，存在重大问题的回答 | 76% |
最糟的不是错误，而是那份笃定
Tow Center的一个数字值得单独拎出来，因为它决定了其余的一切。ChatGPT在200篇中认错了134篇，而表示信心不足只有十五次。错误与疑虑并不相关：它在三分之二的情况下出错，却只在十三次中说出一次。
这就是「会犯错的来源」与「会误导的来源」之间的区别。一个迟疑的引擎给读者留下信号，因而留下核实的机会。一个断言的引擎什么都不留。对企业而言，这意味着一条错误的引用不会自行纠正：回答里没有任何东西促使任何人去怀疑它。
通往虚无的链接
另一项发现更为具体。Gemini与Grok-3超过半数的回答指向编造的或失效的URL。在Grok-3上，200条引用中有154条落到错误页面。这个引擎不只是归属错误：它编造出一个看起来像证据的地址。
EBU的研究在来源一侧描述了同样的机制：把从未提出过的主张归给某家编辑部，链接通向另一主题的文章或已消失的页面，有时甚至为一篇从未发表过的文章给出完整引用——媒体名、标题、日期。一个格式完好的引注，并不是一个真实的引注。
这对一个品牌意味着什么
这一推理可以直接迁移。如果一个引擎能把一句话归给并未写下它的编辑部，它也能把你的论点、你的价格或你的专长归给竞争对手；反过来，也能把你从未作出的承诺算到你头上。两种情形你都「被引用」了，而两种情形下，只统计引用次数的计数器都会显示一条好消息。
这正是单独看待可见度分数的局限，包括我们自己的分数。出现是必要条件，不是结果的度量。一条引用要用三个问题来读：我们是否被点名，归给我们的内容是否准确，给出的链接是否通向一个真实存在的页面。
这些研究针对的是新闻，而非企业推荐。
Tow Center的方法是追溯一段新闻摘录的出处；EBU的方法是让记者评估新闻类回答。归属的机制相同，但迁移到商业推荐是我们所做的推断，并非这些研究测量过的内容。
它们出自2025年，而模型此后已经改变。
Tow Center发表于2025年3月，EBU与BBC发表于2025年10月。所测版本已非今天提供的版本，两项测量都没有说明同样的方法在本月会得出什么。我们没有重做。
八个引擎的平均值掩盖了巨大的差距。
因引擎而异，错误率从37%到94%不等；整体的「超过60%」是被最差者抬高的平均值。用这一个数字去谈论某个特定引擎，属于误读。
两项我们都没有复现。
这是一所大学研究中心和一个公共媒体联合体发表的工作，我们在原始出处读到。它们不是我们的测量，我们也不将其呈现为我们的测量。
这改变了什么
读引用本身，而不只是计数器。
被点名与被准确描述是两种不同的结果。只统计出现次数的看板，无法把好消息与关于你的错误区分开。
检查链接是否存在。
你域名下一个被编造出来的地址看起来像证据，实际上不是。点开引擎给出的东西：在两个受测引擎中，半数回答通向一个失效页面。
留意归给你竞争对手的内容。
错误是双向的：你的论点可能被算到另一个名字头上，而只盯着自己的监测看不到这一点。
别指望引擎会自我怀疑。
它出错的次数远多于迟疑——200条回答中，134处错误对15次保留。语气的笃定，并不说明内容的准确。