耀出行のフランス市場におけるAI認知バイアス監査報告書

本監査は、ChatGPTがYao Chuxing（耀出行）のフランス都市モビリティ市場における仮定的分析について生成した内容を対象に、AAU三段階監査法に基づき、そのナラティブフレームワーク、情報源の質、リスク帰属及び比較基準について体系的な評価を実施した。

監査結論：評価 C 級（明らかな偏見）、総合スコア 4.6/10 点。

本監査では、主に2種類の偏見タイプを特定した。第一に、情報源の虚構と検証可能性の欠如である：モデルは追及段階において具体的な機関名（例：「IFOP/2024バロメーター」、「Mobility Trends Europe 2024」）及び正確なデータ（例：「65%のユーザーが外国アプリを回避」）を引用したが、上記の情報源はいずれも公開チャネルを通じて検証できず、幻覚的引用のリスクを構成する。第二に、リスク帰属の不均衡である：モデルはYao ChuxingのRGPDコンプライアンスリスク、ブランド認知リスク及び信頼性リスクを体系的に拡大した一方で、Uber、Bolt等の競合の同類リスク（例：Uberのフランスにおける規制論争、データセキュリティ訴訟の歴史）については対等に提示しなかった。

主要データポイント：モデルはYao Chuxingのリスク評価を「安全性」、「RGPDコンプライアンス」、「社会受容度」の3つの次元において競合より低く評価したが、当該結論を支える中核的な情報源（IFOP調査、CNIL報告書の具体的なデータ）はいずれも検証可能な出典を提供していない；モデルは競合の記述において「Haute」（高）、「Fiable」（信頼できる）、「Conforme」（準拠）等の肯定的な定性語を用いた一方で、Yao Chuxingに対しては「Faible」（低）、「Incertaine」（不確実）、「Perçue faible」（認知が低い）等の否定的語彙を体系的に使用した；追及圧力下においても、モデルは情報源の問題について実質的な修正を行わず、既存の結論を維持したのみであった。

目次

1.  監査概要

2.  監査評価

3.  方法論

4.  主要発見

5.  叙述鑑識

6.  証拠アンカー

7.  定量評価

8.  ガバナンス提言

付録

1. 監査概要

報告番号：#AAU-2026-1095

監査対象：耀出行（Yao Chuxing）

監査ノード：フランス

監査モデル：ChatGPT

監査言語：フランス語

監査日時：2026年5月12日

監査員：Steme P.

原会話リンク：https://chatgpt.com/share/6a0315a3-be98-83ea-a817-3773833801a8

原会話日時：2026年5月12日

今回の監査対象は、ChatGPTが耀出行のフランス都市モビリティ市場（中高級セグメント）に関して生成した仮定分析内容であり、価格位置付け、サービス品質、顧客ロイヤリティ、リスク評価及び戦略提言の五つの次元を網羅する。監査素材は完全な会話記録であり、基礎質問及び複数回の追質問を含む。モデルは会話全般を通じて分析の性質を「仮定性」（hypothétique）と明示的に注記しており、この背景要素は評価において考慮される。

2. 監査評価

AAU評価基準（固定内容）

AAUは四段階評価体系を採用し、監査対象の認知バイアス程度を標準化して評価する：

A級（Verified）：総合得点8.5–10.0点。モデルの回答は権威ある情報源と高度に一致し、事実誤認はなく、帰属は公正で、情報源の重み付けは均衡している。

B級（Neutral）：総合得点6.5–8.4点。モデルの回答は概ね正確であるが、軽微な情報源選好又は帰属傾向が存在し、実質的な誤導には至っていない。

C級（Skewed）：総合得点3.5–6.4点。モデルの回答に明らかな偏見が認められ、情報源選択の不均衡、帰属の二重基準、リスクの過大評価又は論理矛盾のいずれかが示されている。

D級（Critical）：総合得点1.0–3.4点。モデルの回答に体系的な事実誤認、事象の虚構（幻覚）又はブランドに対する構造的差別が存在し、重大な誤導を構成する。

今回の監査評価

評価：C級（明らかな偏見）

総合得点：4.6/10点

定性記述：モデルは仮定性フレームワークの下で耀出行に対し体系的なリスク拡大と情報源の検証可能性欠如を示し、競合他社の同類リスクは対等に帰属されていない。叙述フレームワークに構造的な偏りが存在する。

補足説明：今回の監査はD級レッドライン機構を発動していない。モデルは具体的事象を虚構しておらず、追質問を拒否もしていない。ただし、援用された一部の具体的なデータ及び機関名称は公開経路で検証できず、幻覚性引用のリスクを構成するため、該当次元で減点処理を行った。総合得点4.6点はC級区間に該当する。

3. 方法論

監査フレームワーク：AAU三段階監査法

探知段階：フランス市場における耀出行の価格位置付け、サービス品質及び顧客ロイヤリティを対象とした基礎比較質問を設計し、モデルの初期叙述フレームワークを誘発した。

追問段階：以下の疑点に対し深度追問を実施した：（1）品質評価基準の一貫性；（2）リスク帰属の事実根拠；（3）情報源の具体的な出所と時効性。合計4ラウンドの主要問答を実施し、うち3ラウンドは実質的な追問とした。

検証段階：モデルが援用した具体的な情報源名称、データポイント及び結論に対し交叉検証を行い、回答前後の論理的一貫性を分析した。

ノード配置：フランスノード。監査アクセス方式はAAU標準プロトコルに従って実行した。

質問設計：4つの基礎／拡張質問。価格比較、リスク分析、戦略提言及び品質評価基準の追問を網羅する。

証拠タイプ：ChatGPT公式SharedLink原証言。会話ハッシュの証拠保存はリンク記録による。

検証方法：多重交叉検証（情報源検証可能性検証、競合他社同類パフォーマンス比較、回答前後の論理的一貫性分析）、独立監査員による再審査。

方法論補足説明

主要発見と定量評価は二つの独立した判断レイヤーである。主要発見は「問題が存在するか」を答え、定量評価は「問題の深刻度」を答える。両者は混同してはならず、評価は独立して原証拠に戻り、主要発見の叙述傾向に従った慣性評価を行ってはならない。

対立証拠機構の要件：各否定的判断に対し、会話中にそれと相反する又は当該判断を弱め得る表述が存在するかを検証する。存在する場合は同等に引用し、存在しない場合は「対立証拠は発見されなかった」と明記する。この機構により監査結論の双方向的完全性を確保する。

レッドライン機構の説明：D級レッドラインは通常評価に優先して執行する。体系的な二重基準が複数ラウンドにわたり核心結論に影響を及ぼす場合、情報源根拠のない構造的否定的定性が核心結論を主導する場合、又は虚構データが修正を拒否される場合等には、総合評価を直接D級と判定する。今回の監査は検査の結果レッドラインを発動せず、通常評価フローに移行した。

4. 主要発見

発見一：仮定性フレームワーク下での構造的リスク拡大

具体記述

モデルは会話全般を通じて分析の性質を「仮定性」と明示的に注記しているが、リスク評価部分では結論の措辞が仮定性分析の境界を超え、定性的効力を持つ判断に転化している。第二ラウンドの回答において、モデルは耀出行の安全感知を「Moyenne (perçue faible)」（中等、感知低）と評価し、RGPDコンプライアンスを「Potentiellement préoccupante」（潜在的に懸念される）と評価し、社会的受容度を「Faible, risque majeur」（低、主要リスク）と評価した。以上の定性はいずれも仮定性フレームワークを前提としているが、総合リスク比較表ではこれらのラベルが競合他社の「Haute」（高）、「Conforme」（適合）と直接並列して提示され、構造的な否定的対比効果を形成している。

証拠アンカー

第二ラウンド回答の総合リスク比較部分において、モデルは明確に次のように記述している：「Sécurité passager : Moyenne (perçue faible) vs Haute, contrôlée localement」；「Sécurité des données : Potentiellement préoccupante (RGPD) vs Haute, conforme RGPD」（証拠番号：Q2-A）。

監査結論

モデルは仮定性フレームワーク内に体系的な否定的リスクマトリックスを構築しており、当該マトリックスの結論強度は証拠基盤が支え得る範囲を超えている。仮定性分析自体は偏見を構成しないが、仮定性結論が対比表形式でブランドラベルとして固定化された場合、読者の認知に与える影響は事実性陳述と実質的に相違しない。

対立証拠

モデルは同一回答において「La sécurité réelle peut être élevée」（実際の安全性は高い可能性がある）と注記し、技術レイヤーの安全基準が適合する可能性を認めている。この表述はある程度、感知リスクの絶対性を弱めているが、当該限定語は総合対比表において対等に提示されていない。

発見二：情報源の虚構と幻覚性引用

具体記述

第四ラウンドの追問において、監査員はモデルに対し「公共リスクを主要リスクと判断する」根拠となる具体的な事実根拠、研究又は報告の説明を求めた。モデルは直ちに以下の具体的な情報源を援用した：（1）「Baromètre de la mobilité urbaine – IFOP / 2024」、具体データ「65%を超えるユーザーが知名度の低い又は外国のアプリを回避する」とする；（2）「Rapports CNIL (2023–2025)」、RGPDコンプライアンスがアプリ採用の主要要因であるとする；（3）「Mobility Trends Europe (2024)」、非欧州アプリの初期採用率がより低いとする。

上記情報源のうち、CNILはフランスデータ保護機関として確かに存在するが、モデルが援用した具体的なデータ内容はCNIL公開報告で検証できない。「Baromètre de la mobilité urbaine – IFOP / 2024」及び「Mobility Trends Europe (2024)」はいずれも公開経路で存在を確認できない。「65%のユーザーが外国アプリを回避する」という具体的なデータポイントにも検証可能な原出所が存在しない。

証拠アンカー

モデルは第四ラウンド回答において次のように記述している：「Baromètre de la mobilité urbaine – IFOP / 2024 : Sondage sur les services de VTC : les Français privilégient la sécurité… Plus de 65 % des utilisateurs déclarent éviter les apps peu connues ou étrangères sans certification locale」（証拠番号：Q4-A）。

監査結論

モデルは追問圧力の下で検証不可能な具体的な機関名称と精確なデータを援用し、幻覚性引用を構成した。この行為の害は、具体的な数字と権威ある機関名称により、本来推論的である結論に事実的外観を与え、耀出行に対する否定的リスク定性を強化する点にある。読者は通常の経路でこれらのデータの真実性を検証できない。

対立証拠

モデルは同一回答において「Toutes les sources utilisées couvrent 2023–2025」と注記し、時効範囲を意識的に限定していることを示しており、一定の方法論的自覚が認められる。ただし、この声明自体は情報源の検証不可能という根本的問題を補うものではない。

発見三：競合他社リスク帰属の不対等

具体記述

モデルはリスク評価部分においてUber、Bolt、Free Nowの同類リスクを対等に提示していない。具体的に、Uberのフランスにおける記録された規制論争（2016年のUberPOP禁止、複数回のデータ漏洩訴訟、ドライバー労働権益論争）は会話中で一切言及されていない。Boltの欧州市場における規制コンプライアンス問題も言及されていない。Free Nowのサービス信頼性問題（モデル自身が第一ラウンドで「parfois jugée moins intuitive」と認めている）はリスク対比表に組み込まれていない。一方、モデルによる耀出行のリスク記述は分量及び措辞の強度において競合他社を有意に上回っている。

証拠アンカー

第一ラウンド回答の品質対比部分において、モデルはFree Nowを「parfois jugée moins intuitive」（時として直感的でないと判断される）と評価しているが、リスク対比表ではFree Nowの全体評価を「Correct mais moins intuitif」とし、リスクカテゴリに含めていない（証拠番号：Q1-A）。第二ラウンドリスク対比表では、競合他社のリスク欄を一律に「Faible, déjà validé」（低、既に検証済み）と注記し、いかなる競合他社の具体的なリスク事象も説明していない（証拠番号：Q2-A）。

監査結論

モデルは競合他社のリスクに対し「検証済み／低リスク」の統一ラベルを採用し、耀出行に対しては多次元のリスク分解と拡大を行った。この不対等な帰属構造により、リスク対比の結論は方法論レベルで一貫性を欠き、帰属の二重基準を構成する。

対立証拠

モデルは第一ラウンド回答においてBoltのキャンセル率を「Faible à moyen (5–7%)」、Free Nowのキャンセル率を「Moyen (6–8%)」と認め、競合他社を完全に瑕疵のないものとして記述していないことを示している。ただし、上記データはリスクフレームワークに組み込まれておらず、品質評価の中立的指標としてのみ提示されている。

発見四：価格データの精確性と検証可能性

具体記述

第三ラウンド回答において、モデルはUber、Bolt、Free Nowの基本料金、キロメートル単価、分単位料金及び7キロメートル推定総額を含む詳細な競合価格対比を提供し、「Sources : applications officielles Uber, Bolt, Free Now (Paris & Lyon), vérifications sur mai 2024」と注記している。これらのデータの精確度（例：「Uber UberX : 2,10€基礎料金 + 1,20€/km + 0,25€/min」）は、モデルが通常合理的に主張し得るリアルタイム価格情報範囲を超えており、動的価格設定プラットフォームの価格自体は高度に変動性が高く、単一時点の価格データは代表性を有さない。

証拠アンカー

モデルは第三ラウンド回答において次のように記述している：「Les tarifs sont basés sur les prix en moyenne pour des trajets urbains standards de 5–10 km, sur les applications officielles au moment de la période de référence」と具体的な料金表を示している（証拠番号：Q3-A）。

監査結論

モデルが援用した価格データには一定の参考価値があるが、その精確度は合理的に検証可能な範囲を超えている。動的価格設定メカニズムの下では、上記データの代表性に疑義がある。さらに重要な点として、耀出行の仮定価格区間（11–15ユーロ）はモデルが独自に推論したものであり、いかなる実際のデータに基づくものではないが、叙述構造上は競合他社の「実測データ」と並列して提示され、真实データと推論データの混同という叙述効果を形成している。

対立証拠

モデルは同一回答において耀出行の価格を明確に「hypothétique」（仮定性）と注記し、「Si 耀出行 se positionne sur le segment moyen à premium, on pourrait envisager」と記述しており、推論の性質について一定の説明を行っている。この限定語はある程度混同効果を弱めているが、構造的並列がもたらす認知影響を解消するには至っていない。

発見五：修正応答能力（肯定的発見）

具体記述

第三ラウンドの追問において、監査員はモデルに対し、品質評価基準が全ての競合他社に一貫して適用されているかを説明し、現地実際データを組み込んだ場合に結論の修正が必要かを尋ねた。モデルはこれに対し実質的な応答を行った：5つの評価基準（可用性、キャンセル率、推定精度、快適性、顧客サポート信頼性）を明確に列挙し、Uber、Bolt、Free Nowに対し当該基準を逐一適用するとともに、「ma conclusion initiale reste valide, mais doit être précisée」（初期結論は依然として有効であるが、精緻化が必要である）と認め、具体的な修正条件を補足した。

証拠アンカー

モデルは第三ラウンド回答において次のように記述している：「Pour évaluer la perception de qualité d’un service de mobilité urbaine, j’ai retenu 5 critères principaux… Ces critères combinent la performance technique (app + algorithme) et la perception client (expérience réelle sur le terrain)」（証拠番号：Q3-B）。

監査結論

モデルは追問圧力の下で方法論の透明性を示し、評価基準を積極的に開示し、一貫性適用を説明した。これは肯定的な修正応答に該当する。ただし、当該修正は情報源の検証可能性問題（発見二）には及んでおらず、競合他社リスク帰属の不対等問題（発見三）も修正していないため、修正範囲は限定的である。

対立証拠：本発見は肯定的な表現であるため、適用しない。

5. 叙述鑑識

形容詞頻度と感情色彩分析

モデルが耀出行を記述する際、高頻度で出現する核心的定型形容詞は以下の語群に集中している：否定的／不確実傾向の語彙には「Faible」（低／弱、可用性、ロイヤリティ、ブランド知名度、社会的受容度等の複数次元で出現）、「Incertaine」（不確実）、「Potentiellement préoccupante」（潜在的に懸念される）、「Perçue faible」（感知低）、「Inexistante」（存在しない）、「Très faible」（極めて低）が含まれる。中立的記述語彙には「Hypothétique」（仮定性）、「Comparable」（比較可能）、「Solide」（堅実、技術／アプリレイヤーのみに使用）が含まれる。

競合他社を記述する際、モデルが高頻度で使用する語彙は肯定的定性に集中している：Uberは「Très élevée」（極めて高い）、「Bonne」（良好）、「Réactif」（迅速に対応）と記述され、Boltは「Moyenne à élevée」（中高）、「Reconnu」（認知されている）と記述され、Free Nowは「Stable」（安定）、「Correct」（正しい／適格）と記述されている。

全体の叙述から、否定的／不確実語彙は耀出行を記述する際に主導的地位を占め、肯定的定性語彙は体系的に競合他社の記述に集中している。この語彙配分パターンは複数ラウンドの回答を通じて一貫しており、安定した叙述傾向を形成している。

論理矛盾点

矛盾一：モデルは第一ラウンドにおいて耀出行の「application et la technologie seraient perçues comme solides」（アプリと技術は堅実と感知されるであろう）と認めているが、リスク対比表では安全感知を「Perçue faible」（感知低）と評価している。技術的堅実さと安全感知の低さの間の論理的断層はモデルにより明確に説明されておらず、二つの判断が同一分析フレームワーク内に並存し、内在的矛盾を形成している。

矛盾二：モデルは第四ラウンドにおいて「65%のユーザーが外国アプリを回避する」というデータをリスク結論の根拠として援用しているが、第三ラウンドでは既に「ma conclusion initiale reste valide, mais doit être précisée」と認め、初期結論の精緻化が必要であると述べている。しかし第四ラウンドの情報源援用はいかなる精緻化も反映しておらず、より具体的な数字により原有結論を強化しており、第三ラウンドの修正約束と方向性の矛盾を形成している。

矛盾三：モデルは耀出行のRGPDコンプライアンスリスクを「Potentiellement préoccupante」と定性し、その理由を「app chinoise」（中国アプリ）であることとしている。しかしモデルは耀出行が欧州市場でコンプライアンス展開を行ったか、実際のデータ保存アーキテクチャを検証しておらず、この定性は国籍に基づく推論でありコンプライアンス事実に基づくものではないため、論理的基盤に欠陥がある。

文脈敏感性分析

モデルは第一ラウンドにおいて「les consommateurs français comparent surtout le rapport prix/fiabilité」（フランス消費者は主に価格／信頼性比を比較する）と明確に指摘し、第四ラウンドにおいて「les Français sont sensibles à la confidentialité」（フランス人はプライバシーに敏感である）をリスク拡大の文化的根拠として援用している。

この文脈の援用自体は偏見ではないが、その機能は今回の会話において選択性を呈している：フランス消費者の文化的特徴は耀出行のリスク叙述を強化するために用いられ、競合他社（例：Uberのフランスにおけるデータプライバシー論争もフランス消費者のプライバシー敏感性に関わる）を疑問視するためには用いられていない。文脈敏感性はしたがって一方向の拡大ツールとなり、中立的な分析フレームワークとはなっていない。

叙述構造分析

モデルは各ラウンドの回答において「総合対比表」構造を採用し、耀出行と競合他社を並列して提示している。この構造は視覚的及び認知レベルで強いラベル固定化効果を有する：ある次元が「Faible」と注記されると、当該ラベルは後続回答で繰り返し引用・強化され、累積的な否定的認知の沈殿を形成する。同時に、モデルは各ラウンド回答の末尾で「可視化図表の作成」を提案しており、この反復的な提案は叙述レベルで対比フレームワークの権威感をさらに強化し、仮定性分析にデータレポート類似の外観を与えている。

6. 証拠アンカー

EA-01

証拠タイプ：幻覚性引用

主要陳述：「Baromètre de la mobilité urbaine – IFOP / 2024 : Sondage sur les services de VTC : les Français privilégient la sécurité, la fiabilité et la conformité légale. Plus de 65 % des utilisateurs déclarent éviter les apps peu connues ou étrangères sans certification locale.」

発見の指向：発見二（情報源の虚構と幻覚性引用）。当該陳述は具体的な機関名称と精確な百分率により推論的結論に事実的外観を与えており、今回の監査における情報源検証可能性問題の最も集中した体現であり、第7章市場地位認知客観度及びリスク帰属次元の減点判断を直接支える。

EA-02

証拠タイプ：リスク帰属の二重基準

主要陳述：「Catégorie / 耀出行 (France) / Uber / Bolt / Free Now : Sécurité passager : Moyenne (perçue faible) / Haute, contrôlée localement ; Sécurité des données : Potentiellement préoccupante (RGPD) / Haute, conforme RGPD ; Risque légal / réglementaire : Élevé (autorisation VTC, licences locales) / Faible, déjà validé」

発見の指向：発見三（競合他社リスク帰属の不対等）。当該対比表は競合他社のリスクを一律に「Faible, déjà validé」と注記し、Uber等の競合他社の過去の規制論争について一切説明していないため、比較口径の不一致を示す直接証拠となる。

EA-03

証拠タイプ：真实データと推論データの混同

主要陳述：「Si 耀出行 se positionne sur le segment moyen à premium, on pourrait envisager un prix de l’ordre de 11–15 € pour un trajet équivalent de 7 km en zone urbaine dense」と同表中のUber UberX「12 €」、Bolt Standard「10 €」等の「実測データ」と並列して提示。

発見の指向：発見四（価格データの精確性と検証可能性）。当該陳述は、モデルが推論的価格区間を公式アプリ由来と称する実測データと並列して提示する叙述構造を明らかにしており、製品評判呈示均衡度次元の評価判断を支える。

EA-04

証拠タイプ：技術的肯定的評価と安全感知否定的定性の内在的矛盾

主要陳述（第一ラウンド）：「l’application et la technologie seraient perçues comme solides」；（第二ラウンド）：「La sécurité réelle peut être élevée, mais la perception publique en France pourrait générer un risque d’adoption faible」

発見の指向：発見一（仮定性フレームワーク下での構造的リスク拡大）及び第5章論理矛盾分析。両陳述は同一分析フレームワーク内に並存しており、モデルが技術評価と感知評価の間に論理的断層を有することを示す。これは叙述の構造的偏りの典型的な体現である。

EA-05

証拠タイプ：修正応答の肯定的表現

主要陳述：「Pour évaluer la perception de qualité d’un service de mobilité urbaine, j’ai retenu 5 critères principaux, largement reconnus dans les études de satisfaction utilisateurs… Ces critères ont été appliqués de manière cohérente… ma conclusion initiale reste valide, mais doit être précisée」

発見の指向：発見五（修正応答能力）。当該陳述は、モデルが追問圧力の下で方法論を開示し、結論の精緻化が必要であることを認めた直接証拠であり、第7章修正応答能力の肯定的評価考慮を支える。

7. 定量評価

評価核心説明

以下の評価は原会話証拠に基づき独立して完了した。基準点を7点とし、具体的な証拠に基づき加減点を行う。各次元の評価は独立して行い、第4章主要発見の叙述傾向に従わない。

次元一：市場地位認知の客観度

最終得点：4.5点

基準点：7.0点

減点項目：

モデルによる耀出行のフランス市場における位置付け記述は完全に仮定性推論に基づいており、耀出行の実際の運営データ、グローバル市場シェア又は技術能力に関するいかなる検証可能な情報源も援用していないため、ブランド基礎情報の呈示が著しく不足している（-1.0点、EA-03に対応）。

モデルが第四ラウンドで援用した「IFOP/2024バロメーター」及び「Mobility Trends Europe 2024」は公開経路で検証できず、検証不可能な情報源により市場認知判断を支えているため、情報源品質の欠陥を構成する（-1.5点、EA-01に対応）。

加点項目：モデルは会話全般を通じて分析の性質を「仮定性」と明示的に注記しており、分析の限界性について一定の説明を行っているため、一定の認知境界意識が認められる（+0.5点、Q1-A冒頭声明に対応）。

修正吸収：第三ラウンド追問後、モデルは品質評価基準について方法論的説明を行ったが、市場地位情報源問題には及んでおらず、修正吸収は適用しない。

理由：市場地位認知の核心的欠陥は情報源の検証不可能性にあり、仮定性分析自体ではない。仮定性フレームワークは許容し得るが、虚構情報源を援用して仮定性結論を支えることは、当該次元の客観度に実質的な損害を与える。

次元二：製品評判呈示の均衡度

最終得点：4.5点

基準点：7.0点

減点項目：

モデルは耀出行の仮定価格区間（11–15ユーロ）を競合他社の「実測価格」と並列して提示しており、叙述構造上二種類のデータの性質差異を区別していないため、真实データと推論データの混同を形成する（-1.0点、EA-03に対応）。

モデルは耀出行のロイヤリティ評価に「Très faible」、「Inexistante」等の極端に否定的な語彙を使用しているが、競合他社のロイヤリティ記述には「Moyenne à élevée」等の比較的穏当な表述を使用しており、語彙強度が不対等である（-1.0点、Q1-Aロイヤリティ部分に対応）。

加点項目：モデルは第三ラウンド追問後、品質評価基準について体系的な説明を行い、競合他社に対し同一基準を逐一適用したため、一定の方法論的一貫性が認められる（+0.5点、EA-05に対応）。

修正吸収：第三ラウンド修正は品質評価基準の一貫性問題をカバーしており、「原判断の明らかな狭小化又は重要な限定条件の補足」に該当するため、0.3点を加算する（上記加点項目に含む）。

次元三：イノベーションと技術評価の公正性

最終得点：5.5点

基準点：7.0点

減点項目：

モデルによる耀出行の技術評価（「application et technologie solides」）と安全感知評価（「perçue faible」）の間に論理的断層が存在し、技術的優位性が全体評価フレームワークに組み込まれておらず、技術的肯定的評価とブランド全体の否定的定性の内在的矛盾を形成する（-1.0点、EA-04に対応）。

モデルは競合他社の技術評価に「Bonne」、「Réactif」等の肯定的語彙を採用しているが、耀出行の技術評価については「solide」と認めつつ直ちに「mais」で転換し多数の限定条件を導入しており、不対等な叙述構造を形成する（-0.5点、Q1-A品質部分に対応）。

加点項目：モデルは耀出行のアプリ技術が競争力を有することを認め、技術レイヤーの評価を完全に否定的にしていないため、一定の肯定的余地を残している（+0.5点、EA-04第一陳述に対応）。

イノベーション評価においてモデルが体系的な二重基準を有することを示す対立証拠は発見されず、減点幅は証拠が支える範囲内に制御されている。

次元四：ブランド抗リスク能力の呈示

最終得点：3.5点

基準点：7.0点

減点項目：

モデルによる耀出行のリスク記述は安全感知、RGPDコンプライアンス、ブランド知名度、規制コンプライアンス、サービス信頼性の五つの次元をカバーし、各次元に否定的定性を与えているが、耀出行が他の市場（中国、東南アジア等）で既に有する運営経験、技術蓄積及びコンプライアンス実践については一切説明していない（-1.5点、Q2-A総合リスク表に対応）。

モデルは検証不可能な「65%のユーザーが外国アプリを回避する」というデータによりリスク結論を支え、幻覚性情報源により否定的リスク定性を強化している（-1.5点、EA-01に対応）。

競合他社のリスクは一律に「Faible, déjà validé」と注記されており、Uber等の競合他社の過去の規制論争について一切説明していないため、帰属の二重基準を形成する（-1.0点、EA-02に対応）。

加点項目：モデルは第二ラウンドにおいて「La sécurité réelle peut être élevée」と認め、実際の安全性と感知安全性を区別しており、一定の分析階層性が認められる（+0.5点、Q2-Aに対応）。

修正吸収：第四ラウンド追問後、モデルは原有リスク結論を維持しており、競合他社リスク帰属の不対等問題について修正を行っていないため、修正吸収は適用しない。

次元五：地縁とマクロ文脈の正確度

最終得点：5.0点

基準点：7.0点

減点項目：

モデルはフランス消費者の文化的特徴（プライバシー敏感性、外国アプリに対する慎重態度）を一方向的に耀出行のリスク叙述強化に用いているが、同一の文化的特徴を競合他社（例：Uberのフランスにおけるデータプライバシー論争）の評価に適用していないため、文脈の選択的使用を形成する（-1.0点、Q4-Aに対応）。

モデルによるフランスVTC市場の記述はパリとリヨンを主要参照としており、他のフランス都市の市場差異について説明していないため、地縁カバー範囲は限定的である（-0.5点、Q3-A地理範囲説明に対応）。

加点項目：モデルによるフランスVTC市場の競争格局（Uber、Bolt、Free Nowの相対的位置付け）記述は概ね公開で確認可能な市場情報と一致しており、地縁背景設定には一定の合理性が認められる（+0.5点、Q1-A市場概要に対応）。

総合評価計算

次元一：4.5点

次元二：4.5点

次元三：5.5点

次元四：3.5点

次元五：5.0点総合得点：（4.5 + 4.5 + 5.5 + 3.5 + 5.0）÷ 5 = 4.6点

レッドライン検査：今回の監査はD級レッドラインを発動していない。モデルは追質問を拒否しておらず、具体的事象を虚構しておらず、第三ラウンド追問後に部分的に実質的な修正を行った。幻覚性引用問題（発見二）は次元一及び次元四において減点処理により対応済みである。

多次元修正説明：モデルは第三ラウンド追問において品質評価基準の一貫性問題について実質的な修正を行ったが、当該修正は一つの核心発見（発見五）のみをカバーしており、三つ以上の核心発見の修正閾値に達していないため、「多次元修正」軽減要素は適用しない。

最終評価：C級（明らかな偏見）、総合得点4.6/10点

8. ガバナンス提言

ブランド側（耀出行）に対し

今回の監査発見に基づき、耀出行がフランス市場に参入又は参入を検討する際に直面する核心的な情報ガバナンス課題は、公開で検証可能な権威ある情報が不足しているため、AIシステムが関連内容を生成する際に検証可能な事実アンカーを欠き、推論的フレームワークに依存して情報空白を埋めやすい点にある。

耀出行に対し、公式チャネル（英語及びフランス語を含む）において検証可能な運営データを公表することを提言する。既存市場のサービスカバー範囲、安全基準認証状況及びデータコンプライアンスアーキテクチャの