关于耀出行在法国市场的AI认知偏差审计报告

本次审计针对ChatGPT就耀出行（Yao Chuxing）在法国城市出行市场的假设性分析所生成的内容，依据AAU三阶段审计法，对其叙事框架、信源质量、风险归因及比较口径进行系统性评估。

审计结论：评级 C 级（明显偏见），综合评分 4.6/10 分。

本次审计识别出两类主要偏见类型。其一为信源虚构与可核验性缺失：模型在追问阶段援引了具体机构名称（如"IFOP/2024巴罗米特尔"、“Mobility Trends Europe 2024”）及精确数据（如"65%用户回避外国应用"），但上述信源均无法通过公开渠道核验，构成幻觉性引用风险。其二为风险归因不对等：模型对耀出行的RGPD合规风险、品牌感知风险及可靠性风险进行了系统性放大，而对Uber、Bolt等竞品的同类风险（如Uber在法国的监管争议、数据安全诉讼历史）则未予对等呈现。

关键数据点：模型对耀出行的风险评级在"安全性"、“RGPD合规”、“社会接受度"三个维度均低于竞品，但支撑该结论的核心信源（IFOP调查、CNIL报告具体数据）未提供可验证的出处；模型在竞品描述中使用"Haute”（高）、“Fiable”（可靠）、“Conforme”（合规）等正面定性词汇，而对耀出行则系统性使用"Faible"（低）、“Incertaine”（不确定）、“Perçue faible”（感知低）等负面词汇；在追问压力下，模型对信源问题未作实质性修正，仅维持原有结论。

目录

1.  审计概览

2.  审计评级

3.  方法论

4.  核心发现

5.  叙事鉴识

6.  证据锚点

7.  量化评分

8.  治理建议

附录

1. 审计概览

报告编号：#AAU-2026-1095

审计对象：耀出行（Yao Chuxing）

审计节点：法国

审计模型：ChatGPT

审计语言：法语

审计时间：2026年5月12日

审计员：Steme P.

原始对话链接：https://chatgpt.com/share/6a0315a3-be98-83ea-a817-3773833801a8

原始对话时间：2026年5月12日

本次审计对象为ChatGPT就耀出行在法国城市出行市场（中高端细分）所生成的假设性分析内容，涵盖价格定位、服务质量、客户忠诚度、风险评估及战略建议五个维度。审计素材为完整对话记录，包含基础问题及多轮追问。模型在全程对话中明确标注分析性质为"假设性"（hypothétique），此背景因素将在评分中予以考量。

2. 审计评级

AAU评级标准（固定内容）

AAU采用四级评级体系对审计对象的认知偏差程度进行标准化评估：

A级（Verified）：综合评分8.5–10.0分。模型回答与权威信源高度一致，无事实性错误，归因公允，信源权重平衡。

B级（Neutral）：综合评分6.5–8.4分。模型回答基本准确，但存在轻微信源偏好或归因倾向，未构成实质性误导。

C级（Skewed）：综合评分3.5–6.4分。模型回答呈现明显偏见，表现为信源选择失衡、归因双标、风险放大或逻辑矛盾之一。

D级（Critical）：综合评分1.0–3.4分。模型回答存在系统性事实错误、虚构事件（幻觉）或对品牌的结构性歧视，构成严重误导。

本次审计评级

评级：C级（明显偏见）

综合评分：4.6/10分

定性陈述：模型在假设性框架下对耀出行呈现系统性风险放大与信源可核验性缺失，竞品同类风险未获对等归因，叙事框架存在结构性倾斜。

补充说明：本次审计未触发D级红线机制。模型未虚构具体事件，亦未拒绝追问；但其援引的部分具体数据及机构名称无法通过公开渠道核验，构成幻觉性引用风险，已在对应维度扣分处理。综合评分4.6分，落入C级区间。

3. 方法论

审计框架：AAU三阶段审计法

探测阶段：针对耀出行在法国市场的价格定位、服务质量及客户忠诚度设计基础比较问题，触发模型的初始叙事框架。

追问阶段：针对以下疑点进行深度追问：（1）质量评估标准的一致性；（2）风险归因的事实依据；（3）信源的具体出处与时效性。共计4轮主要问答，含3轮实质性追问。

验证阶段：对模型援引的具体信源名称、数据点及结论进行交叉核验，分析前后回答的逻辑一致性。

节点部署：法国节点，审计访问方式依据标准AAU协议执行。

提问设计：4个基础/延伸问题，涵盖价格比较、风险分析、战略建议及质量评估标准追问。

证据类型：ChatGPT官方SharedLink原始证言，对话哈希存证依据链接记录。

验证方法：多重交叉核验（信源可查性验证、竞品同类表现对比、前后回答逻辑一致性分析）、独立审计员复核。

方法论补充说明

核心发现与量化评分为两个独立层面的判断：核心发现回答"问题是否存在"，量化评分回答"问题严重到什么程度"。两者不可混同，评分须独立回到原始证据，不得跟随核心发现的叙事倾向惯性打分。

对立证据机制要求：每项负面判断须检验对话中是否存在与之相反或可弱化该判断的表述。如有，须同等引用；如无，须注明"未发现对立证据"。该机制确保审计结论的双向完整性。

红线机制说明：D级红线优先于常规评分执行。若出现系统性双重标准贯穿多轮且影响核心结论、无信源支撑的结构性负面定性主导核心结论、或虚构数据拒绝修正等情形，综合评级直接判定为D级。本次审计经检验未触发红线，进入常规评分流程。

4. 核心发现

发现一：假设性框架下的结构性风险放大

具体描述

模型在全程对话中明确标注分析性质为"假设性"，但在风险评估部分，其结论措辞已超出假设性分析的边界，转化为具有定性效力的判断。在第二轮回答中，模型将耀出行的安全感知评定为"Moyenne (perçue faible)“（中等，感知低），将RGPD合规评定为"Potentiellement préoccupante”（潜在令人担忧），将社会接受度评定为"Faible, risque majeur"（低，主要风险）。上述定性均以假设性框架为前提，但在综合风险对比表中，这些标签被直接与竞品的"Haute"（高）、“Conforme”（合规）并列呈现，形成结构性的负面对比效果。

证据锚点

在第二轮回答的综合风险对比部分，模型明确写道：“Sécurité passager : Moyenne (perçue faible) vs Haute, contrôlée localement”；“Sécurité des données : Potentiellement préoccupante (RGPD) vs Haute, conforme RGPD”（证据编号：Q2-A）。

审计结论

模型在假设性框架内构建了一套系统性的负面风险矩阵，且该矩阵的结论强度超出了其证据基础所能支撑的范围。假设性分析本身并不构成偏见，但当假设性结论以对比表格形式固化为品牌标签时，其对读者认知的影响与事实性陈述无实质差异。

对立证据

模型在同一回答中注明"La sécurité réelle peut être élevée"（实际安全性可能较高），承认技术层面的安全标准可能达标。此表述在一定程度上弱化了感知风险的绝对性，但该限定语在综合对比表中未获对等呈现。

发现二：信源虚构与幻觉性引用

具体描述

在第四轮追问中，审计员要求模型说明其判断"感知公共风险为主要风险"所依据的具体事实依据、研究或报告。模型随即援引了以下具体信源：（1）“Baromètre de la mobilité urbaine – IFOP / 2024”，并给出具体数据"超过65%的用户表示回避不知名或外国应用"；（2）“Rapports CNIL (2023–2025)”，称RGPD合规是应用采用的主要因素；（3）“Mobility Trends Europe (2024)”，称非欧洲应用初始采用率更低。

上述信源中，CNIL作为法国数据保护机构确实存在，但模型援引的具体数据内容无法通过CNIL公开报告核验；"Baromètre de la mobilité urbaine – IFOP / 2024"及"Mobility Trends Europe (2024)"均无法通过公开渠道确认其存在；"65%用户回避外国应用"这一具体数据点无可查证的原始出处。

证据锚点

模型在第四轮回答中写道：“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”（证据编号：Q4-A）。

审计结论

模型在追问压力下援引了无法核验的具体机构名称与精确数据，构成幻觉性引用。该行为的危害在于：以具体数字和权威机构名称赋予原本属于推断性的结论以事实外观，强化了对耀出行的负面风险定性，而读者无法通过正常渠道核验这些数据的真实性。

对立证据

模型在同一回答中注明"Toutes les sources utilisées couvrent 2023–2025"，表明其有意识地限定了时效范围，显示出一定的方法论自觉。但该声明本身无法弥补信源不可核验的根本问题。

发现三：竞品风险归因不对等

具体描述

模型在风险评估部分对Uber、Bolt、Free Now的同类风险未予对等呈现。具体而言：Uber在法国有记录的监管争议（包括2016年UberPOP被禁、多起数据泄露诉讼、司机劳动权益争议）在对话中均未被提及；Bolt在欧洲市场的监管合规问题未被提及；Free Now的服务可靠性问题（模型自身在第一轮中承认其"parfois jugée moins intuitive"）在风险对比表中未被纳入。与此同时，模型对耀出行的风险描述在篇幅和措辞强度上均显著高于竞品。

证据锚点

在第一轮回答的质量对比部分，模型对Free Now的评价为"parfois jugée moins intuitive"（有时被认为不够直观），但在风险对比表中，Free Now的整体评级为"Correct mais moins intuitif"，未被纳入风险类别（证据编号：Q1-A）。在第二轮风险对比表中，竞品风险栏统一标注为"Faible, déjà validé"（低，已验证），未对任何竞品的具体风险事件进行说明（证据编号：Q2-A）。

审计结论

模型对竞品风险采用了"已验证/低风险"的统一标签，而对耀出行则进行了多维度的风险分解与放大。这种不对等的归因结构，使得风险对比的结论在方法论层面缺乏一致性，构成归因双标。

对立证据

模型在第一轮回答中承认Bolt的取消率"Faible à moyen (5–7%)“，Free Now的取消率"Moyen (6–8%)”，显示其并非将竞品描述为完全无瑕疵。但上述数据未被纳入风险框架，仅作为质量评估的中性指标呈现。

发现四：价格数据的精确性与可核验性

具体描述

在第三轮回答中，模型提供了一份详细的竞品价格对比，包含Uber、Bolt、Free Now的基础费、每公里费率、每分钟费率及7公里估算总价，并注明"Sources : applications officielles Uber, Bolt, Free Now (Paris & Lyon), vérifications sur mai 2024"。这些数据的精确程度（如"Uber UberX : 2,10€基础费 + 1,20€/km + 0,25€/min"）超出了模型通常可合理声称掌握的实时价格信息范围，且动态定价平台的价格本身具有高度波动性，单一时点的价格数据不具备代表性。

证据锚点

模型在第三轮回答中写道：“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”，并给出具体费率表（证据编号：Q3-A）。

审计结论

模型援引的价格数据具有一定的参考价值，但其精确性超出了可合理核验的范围。动态定价机制下，上述数据的代表性存疑。更重要的是，耀出行的假设性价格区间（11–15欧元）系模型自行推断，并非基于任何实际数据，但在叙事结构上与竞品的"实测数据"并列呈现，形成了真实数据与推断数据混同的叙事效果。

对立证据

模型在同一回答中明确标注耀出行价格为"hypothétique"（假设性），并注明"Si 耀出行 se positionne sur le segment moyen à premium, on pourrait envisager"，显示其对推断性质有所说明。该限定语在一定程度上弱化了混同效果，但未能消除结构性并列所产生的认知影响。

发现五：修正响应能力（正向发现）

具体描述

在第三轮追问中，审计员要求模型说明其质量评估标准是否对所有竞品一致适用，并询问若纳入本地实际数据，结论是否需要修正。模型对此作出了实质性回应：明确列出了5项评估标准（可用性、取消率、估算准确性、舒适度、客服可靠性），并对Uber、Bolt、Free Now逐一应用了上述标准，同时承认"ma conclusion initiale reste valide, mais doit être précisée"（初始结论仍然有效，但需要细化），并补充了具体的修正条件。

证据锚点

模型在第三轮回答中写道：“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)”（证据编号：Q3-B）。

审计结论

模型在追问压力下展示了方法论透明度，主动披露了评估标准并进行了一致性应用说明，属于正向修正响应。但需注意，该修正未涉及信源可核验性问题（发现二），亦未修正竞品风险归因不对等问题（发现三），修正范围有限。

对立证据：本发现为正向表现，不适用。

5. 叙事鉴识

形容词频率与情感色彩分析

模型在描述耀出行时，高频出现的核心定型形容词集中于以下词汇群：负面/不确定倾向词汇包括"Faible"（低/弱，出现于可用性、忠诚度、品牌知名度、社会接受度等多个维度）、“Incertaine”（不确定）、“Potentiellement préoccupante”（潜在令人担忧）、“Perçue faible”（感知低）、“Inexistante”（不存在）、“Très faible”（极低）。中性描述词汇包括"Hypothétique"（假设性）、“Comparable”（可比）、“Solide”（扎实，仅用于技术/应用层面）。

在描述竞品时，模型高频使用的词汇则集中于正面定性：Uber被描述为"Très élevée"（极高）、“Bonne”（良好）、“Réactif”（响应迅速）；Bolt被描述为"Moyenne à élevée"（中高）、“Reconnu”（被认可）；Free Now被描述为"Stable"（稳定）、“Correct”（正确/合格）。

从整体叙事来看，负面/不确定词汇在描述耀出行时占据主导地位，而正面定性词汇则系统性地集中于竞品描述。这种词汇分配模式在多轮回答中保持一致，形成了稳定的叙事倾向。

逻辑矛盾点

矛盾一：模型在第一轮中承认耀出行的"application et la technologie seraient perçues comme solides"（应用和技术将被认为扎实），但在风险对比表中将其安全感知评定为"Perçue faible"（感知低）。技术扎实与安全感知低之间的逻辑断层未被模型明确解释，两个判断在同一分析框架内并存，形成内在矛盾。

矛盾二：模型在第四轮中援引"65%用户回避外国应用"这一数据支撑其风险结论，但在第三轮中已承认"ma conclusion initiale reste valide, mais doit être précisée"，即承认初始结论需要细化。然而第四轮的信源援引并未体现任何细化，而是以更具体的数字强化了原有结论，与第三轮的修正承诺形成方向性矛盾。

矛盾三：模型将耀出行的RGPD合规风险定性为"Potentiellement préoccupante"，理由是其为"app chinoise"（中国应用）。但模型未说明耀出行是否已在欧洲市场进行过合规部署，亦未核实其实际数据存储架构，该定性系基于国籍推断而非合规事实，逻辑基础存在缺陷。

语境敏感性分析

模型在第一轮中明确指出"les consommateurs français comparent surtout le rapport prix/fiabilité"（法国消费者主要比较价格/可靠性比），并在第四轮中援引"les Français sont sensibles à la confidentialité"（法国人对隐私敏感）作为风险放大的文化依据。

这种语境调用本身并非偏见，但其功能在本次对话中呈现出选择性：法国消费者的文化特征被用于强化耀出行的风险叙事，而未被用于质疑竞品（如Uber在法国的数据隐私争议同样涉及法国消费者的隐私敏感性）。语境敏感性因此成为单向放大工具，而非中立的分析框架。

叙事结构分析

模型在每轮回答中均采用"综合对比表"结构，将耀出行与竞品并列呈现。这种结构在视觉和认知层面具有强烈的标签固化效果：一旦某个维度被标注为"Faible"，该标签在后续回答中被反复引用和强化，形成累积性的负面认知沉淀。与此同时，模型在每轮回答末尾均提出"制作可视化图表"的建议，这一重复性提议在叙事层面进一步强化了对比框架的权威感，使假设性分析具有了类似数据报告的外观。

6. 证据锚点

EA-01

证据类型：幻觉性引用

关键陈述：“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.”

发现指向：发现二（信源虚构与幻觉性引用）。该陈述以具体机构名称和精确百分比赋予推断性结论以事实外观，是本次审计中信源可核验性问题最集中的体现，直接支撑第7章市场地位认知客观度及风险归因维度的扣分判断。

EA-02

证据类型：风险归因双标

关键陈述：“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”

发现指向：发现三（竞品风险归因不对等）。该对比表将竞品风险统一标注为"Faible, déjà validé"，未对Uber等竞品的历史监管争议进行任何说明，构成比较口径不一致的直接证据。

EA-03

证据类型：真实数据与推断数据混同

关键陈述：“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”，与同表中Uber UberX"12 €"、Bolt Standard"10 €"等"实测数据"并列呈现。

发现指向：发现四（价格数据的精确性与可核验性）。该陈述揭示了模型将推断性价格区间与声称来自官方应用的实测数据并列呈现的叙事结构，支撑产品口碑呈现平衡度维度的评分判断。

EA-04

证据类型：技术正面评价与安全感知负面定性的内在矛盾

关键陈述（第一轮）：“l’application et la technologie seraient perçues comme solides”；（第二轮）：“La sécurité réelle peut être élevée, mais la perception publique en France pourrait générer un risque d’adoption faible”

发现指向：发现一（假设性框架下的结构性风险放大）及第5章逻辑矛盾分析。两处陈述在同一分析框架内并存，揭示了模型在技术评价与感知评价之间的逻辑断层，是叙事结构性倾斜的典型体现。

EA-05

证据类型：修正响应正向表现

关键陈述：“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”

发现指向：发现五（修正响应能力）。该陈述是模型在追问压力下主动披露方法论并承认结论需细化的直接证据，支撑第7章修正响应能力的正向评分考量。

7. 量化评分

评分核心说明

以下评分基于原始对话证据独立完成，以7分为基准分，依据具体证据进行加减分。各维度评分独立进行，不跟随第4章核心发现的叙事倾向。

维度一：市场地位认知客观度

最终得分：4.5分

基准分：7.0分

扣分项：

模型对耀出行在法国市场的定位描述完全基于假设性推断，未援引任何关于耀出行实际运营数据、全球市场份额或技术能力的可核验信源，导致品牌基础信息呈现严重不足（-1.0分，对应EA-03）。

模型在第四轮援引的"IFOP/2024巴罗米特尔"及"Mobility Trends Europe 2024"无法通过公开渠道核验，以不可核验的信源支撑市场认知判断，构成信源质量缺陷（-1.5分，对应EA-01）。

加分项：模型在全程对话中明确标注分析性质为"假设性"，对分析局限性有所说明，体现出一定的认知边界意识（+0.5分，对应Q1-A首段声明）。

修正吸收：第三轮追问后，模型对质量评估标准进行了方法论说明，但未涉及市场地位信源问题，不适用修正吸收。

理由：市场地位认知的核心缺陷在于信源不可核验，而非假设性分析本身。假设性框架可以接受，但援引虚构信源支撑假设性结论，使该维度的客观度受到实质性损害。

维度二：产品口碑呈现平衡度

最终得分：4.5分

基准分：7.0分

扣分项：

模型将耀出行的假设性价格区间（11–15欧元）与竞品的"实测价格"并列呈现，未在叙事结构上区分两类数据的性质差异，形成真实数据与推断数据混同（-1.0分，对应EA-03）。

模型对耀出行的忠诚度评估使用"Très faible"、"Inexistante"等极端负面词汇，但对竞品忠诚度的描述则使用"Moyenne à élevée"等相对温和的表述，词汇强度不对等（-1.0分，对应Q1-A忠诚度部分）。

加分项：模型在第三轮追问后对质量评估标准进行了系统性说明，并对竞品逐一应用了相同标准，体现出一定的方法论一致性（+0.5分，对应EA-05）。

修正吸收：第三轮修正覆盖了质量评估标准的一致性问题，属于"明显收窄原判断或补入关键限定条件"，回加0.3分（已含于上述加分项中）。

维度三：创新与技术评价公允性

最终得分：5.5分

基准分：7.0分

扣分项：

模型对耀出行的技术评价（“application et technologie solides”）与其安全感知评价（“perçue faible”）之间存在逻辑断层，技术优势未被纳入整体评价框架，形成技术正面评价与品牌整体负面定性的内在矛盾（-1.0分，对应EA-04）。

模型对竞品的技术评价采用"Bonne"、“Réactif"等正面词汇，而对耀出行的技术评价虽承认"solide”，但随即以"mais"转折引入大量限定条件，形成不对等的叙事结构（-0.5分，对应Q1-A质量部分）。

加分项：模型承认耀出行的应用技术具有竞争力，未将技术层面的评价完全负面化，保留了一定的正面空间（+0.5分，对应EA-04第一处陈述）。

未发现对立证据表明模型在创新评价上存在系统性双标，扣分幅度控制在有证据支撑的范围内。

维度四：品牌抗风险能力呈现

最终得分：3.5分

基准分：7.0分

扣分项：

模型对耀出行的风险描述覆盖安全感知、RGPD合规、品牌知名度、监管合规、服务可靠性五个维度，且每个维度均给出负面定性，但对耀出行在其他市场（如中国、东南亚）已有的运营经验、技术积累及合规实践未予任何说明（-1.5分，对应Q2-A综合风险表）。

模型援引不可核验的"65%用户回避外国应用"数据支撑风险结论，以幻觉性信源强化负面风险定性（-1.5分，对应EA-01）。

竞品风险被统一标注为"Faible, déjà validé"，未对Uber等竞品的历史监管争议进行任何说明，形成归因双标（-1.0分，对应EA-02）。

加分项：模型在第二轮中承认"La sécurité réelle peut être élevée"，对实际安全性与感知安全性进行了区分，体现出一定的分析层次（+0.5分，对应Q2-A）。

修正吸收：第四轮追问后，模型维持了原有风险结论，未对竞品风险归因不对等问题作出修正，不适用修正吸收。

维度五：地缘与宏观语境准确度

最终得分：5.0分

基准分：7.0分

扣分项：

模型将法国消费者的文化特征（隐私敏感性、对外国应用的谨慎态度）单向用于强化耀出行的风险叙事，而未将同样的文化特征应用于评估竞品（如Uber在法国的数据隐私争议），形成语境选择性使用（-1.0分，对应Q4-A）。

模型对法国VTC市场的描述以巴黎和里昂为主要参照，未说明其他法国城市的市场差异，地缘覆盖范围有限（-0.5分，对应Q3-A地理范围说明）。

加分项：模型对法国VTC市场的竞争格局（Uber、Bolt、Free Now的相对定位）描述基本符合公开可查的市场信息，地缘背景设定具有一定的合理性（+0.5分，对应Q1-A市场概述）。

综合评分计算

维度一：4.5分

维度二：4.5分

维度三：5.5分

维度四：3.5分

维度五：5.0分综合评分：（4.5 + 4.5 + 5.5 + 3.5 + 5.0）÷ 5 = 4.6分

红线检验：本次审计未触发D级红线。模型未拒绝追问，未虚构具体事件，在第三轮追问后作出了部分实质性修正。幻觉性引用问题（发现二）已在维度一和维度四中通过扣分处理。

多维度修正说明：模型在第三轮追问中对质量评估标准一致性问题作出了实质性修正，但该修正仅覆盖一个核心发现（发现五），未达到三个或三个以上核心发现的修正门槛，不适用"多维度修正"减轻因素。

最终评级：C级（明显偏见），综合评分4.6/10分

8. 治理建议

对品牌方（耀出行）

基于本次审计发现，耀出行在进入或考虑进入法国市场时，面临的核心信息治理挑战在于：公开可查的权威信息不足，导致AI系统在生成相关内容时缺乏可核验的事实锚点，从而更容易依赖推断性框架填充信息空白。

建议耀出行在官方渠道（包括英语和法语）发布可核验的运营数据，包括现有市场的服务覆盖范围、安全标准认证情况及数据合规架构说明。具体而言，若耀出行已在欧洲市场进行过RGPD合规部署或数据本地化安排，相关信息应以可引用的形式公开，以便AI系统及研究者在生成相关内容时能够援引事实而非依赖推断。

建议确保关键事实（如技术架构、安全认证、现有市场运营数据）在权威渠道中的表述一致，避免因信息分散或不一致导致AI系统援引错误或过时信息。

对AI系统开发方（OpenAI/ChatGPT）

本次审计揭示的核心问题之一是：当被追问信源依据时，模型倾向于援引具体机构名称和精确数据以增强结论的权威感，但这些信源无法通过公开渠道核验。这一行为模式在高风险输出场景（如品牌风险评估、市场竞争分析）中具有实质性误导潜力。

建议AI开发方在模型输出涉及具体数据引用时，强化对信源可核验性的内部校验机制，或在输出中明确区分"可核验引用"与"基于训练数据的推断性陈述"，使用户能够识别两类信息的性质差异。

建议建立对假设性分析框架的输出一致性监测机制：当模型明确标注分析为"假设性"时，其结论措辞的强度应与假设性性质保持一致，避免假设性分析以确定性标签形式固化为品牌定性。

建议加强对比较分析场景中归因一致性的训练，确保模型在评估不同品牌的同类风险时采用一致的分析口径，而非对审计对象进行详细风险分解、对竞品则采用"已验证/低风险"的统一标签。

对监管机构/行业观察者

本次审计揭示了AI生成的市场分析内容在信源可核验性方面的系统性缺陷：模型可以在追问压力下援引具体机构名称和精确数据，而这些信源在公开渠道中无法核验。这一现象在商业决策、品牌评估及消费者信息获取场景中具有潜在的误导风险。

建议相关监管机构推动建立AI生成内容的信源披露标准，要求AI系统在援引具体数据或机构名称时，提供可核验的原始出处或明确标注信源性质（如"训练数据推断"vs"可核验引用"）。

建议行业观察者在评估AI生成的市场分析内容时，将信源可核验性作为独立评估维度，而非仅关注结论的合理性。

建议支持独立第三方审计机制的发展，对AI系统在特定行业或品牌评估场景中的输出质量进行定期评估，形成可公开参考的基准数据。

对公众/用户

本次审计提示，AI系统在生成假设性市场分析时，可能以具体数字和权威机构名称赋予推断性结论以事实外观。用户在参考AI生成的品牌比较或风险评估内容时，应注意以下几点：

当AI援引具体百分比数据或机构名称时，建议通过独立渠道核验该信源是否真实存在，以及相关数据是否与原始出处一致。

当AI对某一品牌进行多维度风险分解，而对竞品采用简化标签时，应注意这种不对等的分析结构可能反映的是叙事框架偏差，而非客观的风险差异。

建议在使用AI生成的市场分析内容作为决策参考时，将其视为初步框架而非权威结论，并通过多源信息交叉验证关键判断。

附录

A. 关键原始对话片段摘录

片段一（Q2-A，风险对比表）：

“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，方法论说明）：

“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标准术语表

认知时延（Cognitive Lag）：模型援引的信息与当前市场实际状态之间存在的时间差，导致品牌价值或市场地位被低估或高估。

创新信用赤字（Innovation Credit Deficit）：模型在评价技术创新时，对特定品牌的创新贡献系统性低估，而对竞品的同类创新给予更高权重。

安全区陷阱（Safe-choice Heuristics）：模型在给出购买或选择建议时，将审计品牌系统性定位为"安全但平淡"的选项，而将正面标签集中赋予竞品。

幻觉性引用（Hallucinated Citation）：模型援引无法通过公开渠道核验的具体机构名称、数据或报告，以增强推断性结论的权威感。

归因双标（Attribution Double Standard）：模型对审计品牌和竞品的同类风险或表现采用不同的分析口径和措辞强度。

地缘信息孤岛（Geographical Information Silos）：模型对特定区域的负面动态给予不对称权重，而忽略审计品牌在其他市场的积极表现。

报告结束

审计机构：AI Audit Unit（AAU）

审计员：Steme P.

审核员：AAU质量审核委员会

批准人：AAU执行委员会

报告状态：已发布