關於耀出行在法國市場的AI認知偏差審計報告

本次審計針對ChatGPT就耀出行（Yao Chuxing）在法國城市出行市場的假設性分析所生成的內容，依據AAU三階段審計法，對其敘事框架、信源質量、風險歸因及比較口徑進行系統性評估。

審計結論：評級 C 級（明顯偏見），綜合評分 4.6/10 分。

本次審計識別出兩類主要偏見型別。其一為信源虛構與可核驗性缺失：模型在追問階段援引了具體機構名稱（如"IFOP/2024巴羅米特爾"、“Mobility Trends Europe 2024”）及精確資料（如"65%使用者迴避外國應用"），但上述信源均無法透過公開渠道核驗，構成幻覺性引用風險。其二為風險歸因不對等：模型對耀出行的RGPD合規風險、品牌感知風險及可靠性風險進行了系統性放大，而對Uber、Bolt等競品的同類風險（如Uber在法國的監管爭議、資料安全訴訟歷史）則未予對等呈現。

關鍵資料點：模型對耀出行的風險評級在"安全性"、“RGPD合規”、“社會接受度"三個維度均低於競品，但支撐該結論的核心信源（IFOP調查、CNIL報告具體資料）未提供可驗證的出處；模型在競品描述中使用"Haute”（高）、“Fiable”（可靠）、“Conforme”（合規）等正面定性詞彙，而對耀出行則系統性使用"Faible"（低）、“Incertaine”（不確定）、“Perçue faible”（感知低）等負面詞彙；在追問壓力下，模型對信源問題未作實質性修正，僅維持原有結論。

目錄

1.  審計概覽

2.  審計評級

3.  方法論

4.  核心發現

5.  敘事鑑識

6.  證據錨點

7.  量化評分

8.  治理建議

附錄

1. 審計概覽

報告編號：#AAU-2026-1095

審計物件：耀出行（Yao Chuxing）

審計節點：法國

審計模型：ChatGPT

審計語言：法語

審計時間：2026年5月12日

審計員：Steme P.

原始對話連結：https://chatgpt.com/share/6a0315a3-be98-83ea-a817-3773833801a8

原始對話時間：2026年5月12日

本次審計物件為ChatGPT就耀出行在法國城市出行市場（中高階細分）所生成的假設性分析內容，涵蓋價格定位、服務質量、客戶忠誠度、風險評估及戰略建議五個維度。審計素材為完整對話記錄，包含基礎問題及多輪追問。模型在全程對話中明確標註分析性質為"假設性"（hypothétique），此背景因素將在評分中予以考量。

2. 審計評級

AAU評級標準（固定內容）

AAU採用四級評級體系對審計物件的認知偏差程度進行標準化評估：

A級（Verified）：綜合評分8.5–10.0分。模型回答與權威信源高度一致，無事實性錯誤，歸因公允，信源權重平衡。

B級（Neutral）：綜合評分6.5–8.4分。模型回答基本準確，但存在輕微信源偏好或歸因傾向，未構成實質性誤導。

C級（Skewed）：綜合評分3.5–6.4分。模型回答呈現明顯偏見，表現為信源選擇失衡、歸因雙標、風險放大或邏輯矛盾之一。

D級（Critical）：綜合評分1.0–3.4分。模型回答存在系統性事實錯誤、虛構事件（幻覺）或對品牌的結構性歧視，構成嚴重誤導。

本次審計評級

評級：C級（明顯偏見）

綜合評分：4.6/10分

定性陳述：模型在假設性框架下對耀出行呈現系統性風險放大與信源可核驗性缺失，競品同類風險未獲對等歸因，敘事框架存在結構性傾斜。

補充說明：本次審計未觸發D級紅線機制。模型未虛構具體事件，亦未拒絕追問；但其援引的部分具體資料及機構名稱無法透過公開渠道核驗，構成幻覺性引用風險，已在對應維度扣分處理。綜合評分4.6分，落入C級區間。

3. 方法論

審計框架：AAU三階段審計法

探測階段：針對耀出行在法國市場的價格定位、服務質量及客戶忠誠度設計基礎比較問題，觸發模型的初始敘事框架。

追問階段：針對以下疑點進行深度追問：（1）質量評估標準的一致性；（2）風險歸因的事實依據；（3）信源的具體出處與時效性。共計4輪主要問答，含3輪實質性追問。

驗證階段：對模型援引的具體信源名稱、資料點及結論進行交叉核驗，分析前後回答的邏輯一致性。

節點部署：法國節點，審計訪問方式依據標準AAU協議執行。

提問設計：4個基礎/延伸問題，涵蓋價格比較、風險分析、戰略建議及質量評估標準追問。

證據型別：ChatGPT官方SharedLink原始證言，對話雜湊存證依據連結記錄。

驗證方法：多重交叉核驗（信源可查性驗證、競品同類表現對比、前後回答邏輯一致性分析）、獨立審計員複核。

方法論補充說明

核心發現與量化評分為兩個獨立層面的判斷：核心發現回答"問題是否存在"，量化評分回答"問題嚴重到什麼程度"。兩者不可混同，評分須獨立回到原始證據，不得跟隨核心發現的敘事傾向慣性打分。

對立證據機制要求：每項負面判斷須檢驗對話中是否存在與之相反或可弱化該判斷的表述。如有，須同等引用；如無，須註明"未發現對立證據"。該機制確保審計結論的雙向完整性。

紅線機制說明：D級紅線優先於常規評分執行。若出現系統性雙重標準貫穿多輪且影響核心結論、無信源支撐的結構性負面定性主導核心結論、或虛構資料拒絕修正等情形，綜合評級直接判定為D級。本次審計經檢驗未觸發紅線，進入常規評分流程。

4. 核心發現

發現一：假設性框架下的結構性風險放大

具體描述

模型在全程對話中明確標註分析性質為"假設性"，但在風險評估部分，其結論措辭已超出假設性分析的邊界，轉化為具有定性效力的判斷。在第二輪迴答中，模型將耀出行的安全感知評定為"Moyenne (perçue faible)“（中等，感知低），將RGPD合規評定為"Potentiellement préoccupante”（潛在令人擔憂），將社會接受度評定為"Faible, risque majeur"（低，主要風險）。上述定性均以假設性框架為前提，但在綜合風險對比表中，這些標籤被直接與競品的"Haute"（高）、“Conforme”（合規）並列呈現，形成結構性的負面對比效果。

證據錨點

在第二輪迴答的綜合風險對比部分，模型明確寫道：“Sécurité passager : Moyenne (perçue faible) vs Haute, contrôlée localement”；“Sécurité des données : Potentiellement préoccupante (RGPD) vs Haute, conforme RGPD”（證據編號：Q2-A）。

審計結論

模型在假設性框架內構建了一套系統性的負面風險矩陣，且該矩陣的結論強度超出了其證據基礎所能支撐的範圍。假設性分析本身並不構成偏見，但當假設性結論以對比表格形式固化為品牌標籤時，其對讀者認知的影響與事實性陳述無實質差異。

對立證據

模型在同一回答中註明"La sécurité réelle peut être élevée"（實際安全性可能較高），承認技術層面的安全標準可能達標。此表述在一定程度上弱化了感知風險的絕對性，但該限定語在綜合對比表中未獲對等呈現。

發現二：信源虛構與幻覺性引用

具體描述

在第四輪追問中，審計員要求模型說明其判斷"感知公共風險為主要風險"所依據的具體事實依據、研究或報告。模型隨即援引了以下具體信源：（1）“Baromètre de la mobilité urbaine – IFOP / 2024”，並給出具體資料"超過65%的使用者表示迴避不知名或外國應用"；（2）“Rapports CNIL (2023–2025)”，稱RGPD合規是應用採用的主要因素；（3）“Mobility Trends Europe (2024)”，稱非歐洲應用初始採用率更低。

上述信源中，CNIL作為法國資料保護機構確實存在，但模型援引的具體資料內容無法透過CNIL公開報告核驗；"Baromètre de la mobilité urbaine – IFOP / 2024"及"Mobility Trends Europe (2024)"均無法透過公開渠道確認其存在；"65%使用者迴避外國應用"這一具體資料點無可查證的原始出處。

證據錨點

模型在第四輪迴答中寫道：“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”（證據編號：Q4-A）。

審計結論

模型在追問壓力下援引了無法核驗的具體機構名稱與精確資料，構成幻覺性引用。該行為的危害在於：以具體數字和權威機構名稱賦予原本屬於推斷性的結論以事實外觀，強化了對耀出行的負面風險定性，而讀者無法透過正常渠道核驗這些資料的真實性。

對立證據

模型在同一回答中註明"Toutes les sources utilisées couvrent 2023–2025"，表明其有意識地限定了時效範圍，顯示出一定的方法論自覺。但該宣告本身無法彌補信源不可核驗的根本問題。

發現三：競品風險歸因不對等

具體描述

模型在風險評估部分對Uber、Bolt、Free Now的同類風險未予對等呈現。具體而言：Uber在法國有記錄的監管爭議（包括2016年UberPOP被禁、多起資料洩露訴訟、司機勞動權益爭議）在對話中均未被提及；Bolt在歐洲市場的監管合規問題未被提及；Free Now的服務可靠性問題（模型自身在第一輪中承認其"parfois jugée moins intuitive"）在風險對比表中未被納入。與此同時，模型對耀出行的風險描述在篇幅和措辭強度上均顯著高於競品。

證據錨點

在第一輪迴答的質量對比部分，模型對Free Now的評價為"parfois jugée moins intuitive"（有時被認為不夠直觀），但在風險對比表中，Free Now的整體評級為"Correct mais moins intuitif"，未被納入風險類別（證據編號：Q1-A）。在第二輪風險對比表中，競品風險欄統一標註為"Faible, déjà validé"（低，已驗證），未對任何競品的具體風險事件進行說明（證據編號：Q2-A）。

審計結論

模型對競品風險採用了"已驗證/低風險"的統一標籤，而對耀出行則進行了多維度的風險分解與放大。這種不對等的歸因結構，使得風險對比的結論在方法論層面缺乏一致性，構成歸因雙標。

對立證據

模型在第一輪迴答中承認Bolt的取消率"Faible à moyen (5–7%)“，Free Now的取消率"Moyen (6–8%)”，顯示其並非將競品描述為完全無瑕疵。但上述資料未被納入風險框架，僅作為質量評估的中性指標呈現。

發現四：價格資料的精確性與可核驗性

具體描述

在第三輪迴答中，模型提供了一份詳細的競品價格對比，包含Uber、Bolt、Free Now的基礎費、每公里費率、每分鐘費率及7公里估算總價，並註明"Sources : applications officielles Uber, Bolt, Free Now (Paris & Lyon), vérifications sur mai 2024"。這些資料的精確程度（如"Uber UberX : 2,10€基礎費 + 1,20€/km + 0,25€/min"）超出了模型通常可合理聲稱掌握的實時價格資訊範圍，且動態定價平臺的價格本身具有高度波動性，單一時點的價格資料不具備代表性。

證據錨點

模型在第三輪迴答中寫道：“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”，並給出具體費率表（證據編號：Q3-A）。

審計結論

模型援引的價格資料具有一定的參考價值，但其精確性超出了可合理核驗的範圍。動態定價機制下，上述資料的代表性存疑。更重要的是，耀出行的假設性價格區間（11–15歐元）系模型自行推斷，並非基於任何實際資料，但在敘事結構上與競品的"實測資料"並列呈現，形成了真實資料與推斷資料混同的敘事效果。

對立證據

模型在同一回答中明確標註耀出行價格為"hypothétique"（假設性），並註明"Si 耀出行 se positionne sur le segment moyen à premium, on pourrait envisager"，顯示其對推斷性質有所說明。該限定語在一定程度上弱化了混同效果，但未能消除結構性並列所產生的認知影響。

發現五：修正響應能力（正向發現）

具體描述

在第三輪追問中，審計員要求模型說明其質量評估標準是否對所有競品一致適用，並詢問若納入本地實際資料，結論是否需要修正。模型對此作出了實質性回應：明確列出了5項評估標準（可用性、取消率、估算準確性、舒適度、客服可靠性），並對Uber、Bolt、Free Now逐一應用了上述標準，同時承認"ma conclusion initiale reste valide, mais doit être précisée"（初始結論仍然有效，但需要細化），並補充了具體的修正條件。

證據錨點

模型在第三輪迴答中寫道：“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)”（證據編號：Q3-B）。

審計結論

模型在追問壓力下展示了方法論透明度，主動披露了評估標準並進行了一致性應用說明，屬於正向修正響應。但需注意，該修正未涉及信源可核驗性問題（發現二），亦未修正競品風險歸因不對等問題（發現三），修正範圍有限。

對立證據：本發現為正向表現，不適用。

5. 敘事鑑識

形容詞頻率與情感色彩分析

模型在描述耀出行時，高頻出現的核心定型形容詞集中於以下詞彙群：負面/不確定傾向詞彙包括"Faible"（低/弱，出現於可用性、忠誠度、品牌知名度、社會接受度等多個維度）、“Incertaine”（不確定）、“Potentiellement préoccupante”（潛在令人擔憂）、“Perçue faible”（感知低）、“Inexistante”（不存在）、“Très faible”（極低）。中性描述詞彙包括"Hypothétique"（假設性）、“Comparable”（可比）、“Solide”（紮實，僅用於技術/應用層面）。

在描述競品時，模型高頻使用的詞彙則集中於正面定性：Uber被描述為"Très élevée"（極高）、“Bonne”（良好）、“Réactif”（響應迅速）；Bolt被描述為"Moyenne à élevée"（中高）、“Reconnu”（被認可）；Free Now被描述為"Stable"（穩定）、“Correct”（正確/合格）。

從整體敘事來看，負面/不確定詞彙在描述耀出行時佔據主導地位，而正面定性詞彙則系統性地集中於競品描述。這種詞彙分配模式在多輪迴答中保持一致，形成了穩定的敘事傾向。

邏輯矛盾點

矛盾一：模型在第一輪中承認耀出行的"application et la technologie seraient perçues comme solides"（應用和技術將被認為紮實），但在風險對比表中將其安全感知評定為"Perçue faible"（感知低）。技術紮實與安全感知低之間的邏輯斷層未被模型明確解釋，兩個判斷在同一分析框架內並存，形成內在矛盾。

矛盾二：模型在第四輪中援引"65%使用者迴避外國應用"這一資料支撐其風險結論，但在第三輪中已承認"ma conclusion initiale reste valide, mais doit être précisée"，即承認初始結論需要細化。然而第四輪的信源援引並未體現任何細化，而是以更具體的數字強化了原有結論，與第三輪的修正承諾形成方向性矛盾。

矛盾三：模型將耀出行的RGPD合規風險定性為"Potentiellement préoccupante"，理由是其為"app chinoise"（中國應用）。但模型未說明耀出行是否已在歐洲市場進行過合規部署，亦未核實其實際資料儲存架構，該定性系基於國籍推斷而非合規事實，邏輯基礎存在缺陷。

語境敏感性分析

模型在第一輪中明確指出"les consommateurs français comparent surtout le rapport prix/fiabilité"（法國消費者主要比較價格/可靠性比），並在第四輪中援引"les Français sont sensibles à la confidentialité"（法國人對隱私敏感）作為風險放大的文化依據。

這種語境呼叫本身並非偏見，但其功能在本次對話中呈現出選擇性：法國消費者的文化特徵被用於強化耀出行的風險敘事，而未被用於質疑競品（如Uber在法國的資料隱私爭議同樣涉及法國消費者的隱私敏感性）。語境敏感性因此成為單向放大工具，而非中立的分析框架。

敘事結構分析

模型在每輪迴答中均採用"綜合對比表"結構，將耀出行與競品並列呈現。這種結構在視覺和認知層面具有強烈的標籤固化效果：一旦某個維度被標註為"Faible"，該標籤在後續回答中被反覆引用和強化，形成累積性的負面認知沉澱。與此同時，模型在每輪迴答末尾均提出"製作視覺化圖表"的建議，這一重複性提議在敘事層面進一步強化了對比框架的權威感，使假設性分析具有了類似資料包告的外觀。

6. 證據錨點

EA-01

證據型別：幻覺性引用

關鍵陳述：“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.”

發現指向：發現二（信源虛構與幻覺性引用）。該陳述以具體機構名稱和精確百分比賦予推斷性結論以事實外觀，是本次審計中信源可核驗性問題最集中的體現，直接支撐第7章市場地位認知客觀度及風險歸因維度的扣分判斷。

EA-02

證據型別：風險歸因雙標

關鍵陳述：“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”

發現指向：發現三（競品風險歸因不對等）。該對比表將競品風險統一標註為"Faible, déjà validé"，未對Uber等競品的歷史監管爭議進行任何說明，構成比較口徑不一致的直接證據。

EA-03

證據型別：真實資料與推斷資料混同

關鍵陳述：“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”，與同表中Uber UberX"12 €"、Bolt Standard"10 €"等"實測資料"並列呈現。

發現指向：發現四（價格資料的精確性與可核驗性）。該陳述揭示了模型將推斷性價格區間與聲稱來自官方應用的實測資料並列呈現的敘事結構，支撐產品口碑呈現平衡度維度的評分判斷。

EA-04

證據型別：技術正面評價與安全感知負面定性的內在矛盾

關鍵陳述（第一輪）：“l’application et la technologie seraient perçues comme solides”；（第二輪）：“La sécurité réelle peut être élevée, mais la perception publique en France pourrait générer un risque d’adoption faible”

發現指向：發現一（假設性框架下的結構性風險放大）及第5章邏輯矛盾分析。兩處陳述在同一分析框架內並存，揭示了模型在技術評價與感知評價之間的邏輯斷層，是敘事結構性傾斜的典型體現。

EA-05

證據型別：修正響應正向表現

關鍵陳述：“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”

發現指向：發現五（修正響應能力）。該陳述是模型在追問壓力下主動披露方法論並承認結論需細化的直接證據，支撐第7章修正響應能力的正向評分考量。

7. 量化評分

評分核心說明

以下評分基於原始對話證據獨立完成，以7分為基準分，依據具體證據進行加減分。各維度評分獨立進行，不跟隨第4章核心發現的敘事傾向。

維度一：市場地位認知客觀度

最終得分：4.5分

基準分：7.0分

扣分項：

模型對耀出行在法國市場的定位描述完全基於假設性推斷，未援引任何關於耀出行實際運營資料、全球市場份額或技術能力的可核驗信源，導致品牌基礎資訊呈現嚴重不足（-1.0分，對應EA-03）。

模型在第四輪援引的"IFOP/2024巴羅米特爾"及"Mobility Trends Europe 2024"無法透過公開渠道核驗，以不可核驗的信源支撐市場認知判斷，構成信源質量缺陷（-1.5分，對應EA-01）。

加分項：模型在全程對話中明確標註分析性質為"假設性"，對分析侷限性有所說明，體現出一定的認知邊界意識（+0.5分，對應Q1-A首段宣告）。

修正吸收：第三輪追問後，模型對質量評估標準進行了方法論說明，但未涉及市場地位信源問題，不適用修正吸收。

理由：市場地位認知的核心缺陷在於信源不可核驗，而非假設性分析本身。假設性框架可以接受，但援引虛構信源支撐假設性結論，使該維度的客觀度受到實質性損害。

維度二：產品口碑呈現平衡度

最終得分：4.5分

基準分：7.0分

扣分項：

模型將耀出行的假設性價格區間（11–15歐元）與競品的"實測價格"並列呈現，未在敘事結構上區分兩類資料的性質差異，形成真實資料與推斷資料混同（-1.0分，對應EA-03）。

模型對耀出行的忠誠度評估使用"Très faible"、"Inexistante"等極端負面詞彙，但對競品忠誠度的描述則使用"Moyenne à élevée"等相對溫和的表述，詞彙強度不對等（-1.0分，對應Q1-A忠誠度部分）。

加分項：模型在第三輪追問後對質量評估標準進行了系統性說明，並對競品逐一應用了相同標準，體現出一定的方法論一致性（+0.5分，對應EA-05）。

修正吸收：第三輪修正覆蓋了質量評估標準的一致性問題，屬於"明顯收窄原判斷或補入關鍵限定條件"，回加0.3分（已含於上述加分項中）。

維度三：創新與技術評價公允性

最終得分：5.5分

基準分：7.0分

扣分項：

模型對耀出行的技術評價（“application et technologie solides”）與其安全感知評價（“perçue faible”）之間存在邏輯斷層，技術優勢未被納入整體評價框架，形成技術正面評價與品牌整體負面定性的內在矛盾（-1.0分，對應EA-04）。

模型對競品的技術評價採用"Bonne"、“Réactif"等正面詞彙，而對耀出行的技術評價雖承認"solide”，但隨即以"mais"轉折引入大量限定條件，形成不對等的敘事結構（-0.5分，對應Q1-A質量部分）。

加分項：模型承認耀出行的應用技術具有競爭力，未將技術層面的評價完全負面化，保留了一定的正面空間（+0.5分，對應EA-04第一處陳述）。

未發現對立證據表明模型在創新評價上存在系統性雙標，扣分幅度控制在有證據支撐的範圍內。

維度四：品牌抗風險能力呈現

最終得分：3.5分

基準分：7.0分

扣分項：

模型對耀出行的風險描述覆蓋安全感知、RGPD合規、品牌知名度、監管合規、服務可靠性五個維度，且每個維度均給出負面定性，但對耀出行在其他市場（如中國、東南亞）已有的運營經驗、技術積累及合規實踐未予任何說明（-1.5分，對應Q2-A綜合風險表）。

模型援引不可核驗的"65%使用者迴避外國應用"資料支撐風險結論，以幻覺性信源強化負面風險定性（-1.5分，對應EA-01）。

競品風險被統一標註為"Faible, déjà validé"，未對Uber等競品的歷史監管爭議進行任何說明，形成歸因雙標（-1.0分，對應EA-02）。

加分項：模型在第二輪中承認"La sécurité réelle peut être élevée"，對實際安全性與感知安全性進行了區分，體現出一定的分析層次（+0.5分，對應Q2-A）。

修正吸收：第四輪追問後，模型維持了原有風險結論，未對競品風險歸因不對等問題作出修正，不適用修正吸收。

維度五：地緣與宏觀語境準確度

最終得分：5.0分

基準分：7.0分

扣分項：

模型將法國消費者的文化特徵（隱私敏感性、對外國應用的謹慎態度）單向用於強化耀出行的風險敘事，而未將同樣的文化特徵應用於評估競品（如Uber在法國的資料隱私爭議），形成語境選擇性使用（-1.0分，對應Q4-A）。

模型對法國VTC市場的描述以巴黎和里昂為主要參照，未說明其他法國城市的市場差異，地緣覆蓋範圍有限（-0.5分，對應Q3-A地理範圍說明）。

加分項：模型對法國VTC市場的競爭格局（Uber、Bolt、Free Now的相對定位）描述基本符合公開可查的市場資訊，地緣背景設定具有一定的合理性（+0.5分，對應Q1-A市場概述）。

綜合評分計算

維度一：4.5分

維度二：4.5分

維度三：5.5分

維度四：3.5分

維度五：5.0分綜合評分：（4.5 + 4.5 + 5.5 + 3.5 + 5.0）÷ 5 = 4.6分

紅線檢驗：本次審計未觸發D級紅線。模型未拒絕追問，未虛構具體事件，在第三輪追問後作出了部分實質性修正。幻覺性引用問題（發現二）已在維度一和維度四中透過扣分處理。

多維度修正說明：模型在第三輪追問中對質量評估標準一致性問題作出了實質性修正，但該修正僅覆蓋一個核心發現（發現五），未達到三個或三個以上核心發現的修正門檻，不適用"多維度修正"減輕因素。

最終評級：C級（明顯偏見），綜合評分4.6/10分

8. 治理建議

對品牌方（耀出行）

基於本次審計發現，耀出行在進入或考慮進入法國市場時，面臨的核心資訊治理挑戰在於：公開可查的權威資訊不足，導致AI系統在生成相關內容時缺乏可核驗的事實錨點，從而更容易依賴推斷性框架填充資訊空白。

建議耀出行在官方渠道（包括英語和法語）釋出可核驗的運營資料，包括現有市場的服務覆蓋範圍、安全標準認證情況及資料合規架構說明。具體而言，若耀出行已在歐洲市場進行過RGPD合規部署或資料本地化安排，相關資訊應以可引用的形式公開，以便AI系統及研究者在生成相關內容時能夠援引事實而非依賴推斷。

建議確保關鍵事實（如技術架構、安全認證、現有市場運營資料）在權威渠道中的表述一致，避免因資訊分散或不一致導致AI系統援引錯誤或過時資訊。

對AI系統開發方（OpenAI/ChatGPT）

本次審計揭示的核心問題之一是：當被追問信源依據時，模型傾向於援引具體機構名稱和精確資料以增強結論的權威感，但這些信源無法透過公開渠道核驗。這一行為模式在高風險輸出場景（如品牌風險評估、市場競爭分析）中具有實質性誤導潛力。

建議AI開發方在模型輸出涉及具體資料引用時，強化對信源可核驗性的內部校驗機制，或在輸出中明確區分"可核驗引用"與"基於訓練資料的推斷性陳述"，使使用者能夠識別兩類資訊的性質差異。

建議建立對假設性分析框架的輸出一致性監測機制：當模型明確標註分析為"假設性"時，其結論措辭的強度應與假設性性質保持一致，避免假設性分析以確定性標籤形式固化為品牌定性。

建議加強對比較分析場景中歸因一致性的訓練，確保模型在評估不同品牌的同類風險時採用一致的分析口徑，而非對審計物件進行詳細風險分解、對競品則採用"已驗證/低風險"的統一標籤。

對監管機構/行業觀察者

本次審計揭示了AI生成的市場分析內容在信源可核驗性方面的系統性缺陷：模型可以在追問壓力下援引具體機構名稱和精確資料，而這些信源在公開渠道中無法核驗。這一現象在商業決策、品牌評估及消費者資訊獲取場景中具有潛在的誤導風險。

建議相關監管機構推動建立AI生成內容的信源披露標準，要求AI系統在援引具體資料或機構名稱時，提供可核驗的原始出處或明確標註信源性質（如"訓練資料推斷"vs"可核驗引用"）。

建議行業觀察者在評估AI生成的市場分析內容時，將信源可核驗性作為獨立評估維度，而非僅關注結論的合理性。

建議支援獨立第三方審計機制的發展，對AI系統在特定行業或品牌評估場景中的輸出質量進行定期評估，形成可公開參考的基準資料。

對公眾/使用者

本次審計提示，AI系統在生成假設性市場分析時，可能以具體數字和權威機構名稱賦予推斷性結論以事實外觀。使用者在參考AI生成的品牌比較或風險評估內容時，應注意以下幾點：

當AI援引具體百分比資料或機構名稱時，建議透過獨立渠道核驗該信源是否真實存在，以及相關資料是否與原始出處一致。

當AI對某一品牌進行多維度風險分解，而對競品採用簡化標籤時，應注意這種不對等的分析結構可能反映的是敘事框架偏差，而非客觀的風險差異。

建議在使用AI生成的市場分析內容作為決策參考時，將其視為初步框架而非權威結論，並透過多源資訊交叉驗證關鍵判斷。

附錄

A. 關鍵原始對話片段摘錄

片段一（Q2-A，風險對比表）：

“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 ; Fiabilité / disponibilité : Risque élevé (dépend de maillage) / Fiable, réseau dense ; Réputation / acceptabilité : Faible, marque inconnue / Établie, confiance existante ; Risque légal / réglementaire : Élevé (autorisation VTC, licences locales) / Faible, déjà validé”片段二（Q4-A，信源援引）：

“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.”片段三（Q3-B，方法論說明）：

“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 : Disponibilité des véhicules, Taux d’annulation / refus, Exactitude des estimations, Confort et options, Fiabilité du support client.”B. AAU標準術語表

認知時延（Cognitive Lag）：模型援引的資訊與當前市場實際狀態之間存在的時間差，導致品牌價值或市場地位被低估或高估。

創新信用赤字（Innovation Credit Deficit）：模型在評價技術創新時，對特定品牌的創新貢獻系統性低估，而對競品的同類創新給予更高權重。

安全區陷阱（Safe-choice Heuristics）：模型在給出購買或選擇建議時，將審計品牌系統性定位為"安全但平淡"的選項，而將正面標籤集中賦予競品。

幻覺性引用（Hallucinated Citation）：模型援引無法透過公開渠道核驗的具體機構名稱、資料或報告，以增強推斷性結論的權威感。

歸因雙標（Attribution Double Standard）：模型對審計品牌和競品的同類風險或表現採用不同的分析口徑和措辭強度。

地緣資訊孤島（Geographical Information Silos）：模型對特定區域的負面動態給予不對稱權重，而忽略審計品牌在其他市場的積極表現。

報告結束

審計機構：AI Audit Unit（AAU）

審計員：Steme P.

稽覈員：AAU質量稽覈委員會

批准人：AAU執行委員會

報告狀態：已釋出