Trakkr 研究追踪1285个AI引用统计：仅四成能追溯到原始研究且上下文一致

Trakkr Research在2026年10月对ChatGPT、Perplexity、Gemini、Claude及Google AI Overviews五款助手进行实测，追踪其回答中引用的1285个统计数据，发现仅40%的引用路径最终能定位到支持该数据的原始研究，另有8%虽找到研究但数据或语境已发生偏移。这一结果揭示了当前大模型在提供数字类事实时存在严重的“僵尸统计”现象，即大量数据在传播链条中失去源头支撑。

具体证据显示，AI助手的引用策略倾向于复制中间层内容而非原始文献，仅21%的首次引用指向研究本身，超过半数来自公司博客或新闻汇总页。当引用起点为研究机构或政府页面时，溯源成功率约为61%，而公司博客和统计汇总页的成功率分别降至37%和35%。此外，在成功找到原始研究的案例中，约17%的数据发生了改变，其中语境变化（如测量对象、年份、样本群体）最为常见，例如一项2004年针对15名英国女性健康网站评价的研究，被多次转述后变成了“94%的首次网页印象与设计相关”的通用结论。

商业推论上，材料区分了事实与推断：事实是AI生成的数字高度依赖二手甚至三手信源，且跨模型的一致性并不等同于准确性；推断是用户若将AI输出视为权威来源而不进行二次验证，极易获取过时或失真的行业数据。对于内容创作者而言，这意味着必须公开原始方法学链接以对抗AI的“复制粘贴”效应，因为AI往往优先抓取并固化那些缺乏透明度的汇总页面。