AI 回答里的数字查不到出处，怎么自己核对

上个月拿一份 AI 给的行业数据对了两天，40 多个数字里挑出 3 处错的。

1. 先要来源。问它「这组数字出自哪份报告、哪一年」，报不出报告名和年份的，按没有处理，我在 40 个数字里筛掉了 11 个。

2. 换 3 个平台问同一句。同一组数在 3 家问，两家差不到 1 个百分点，剩下那家差了 12 个百分点，差的那家是自己按 8% 增速推的，直接弃用。

3. 拿官方统计公报对一遍。企业数量、从业人员这类指标每年 1 月到 3 月出公报，对不上就先放着。

两类错误出现得多，一类把 2 个年份的数字塞进同一句话，一类把抽样结果说成全国总量，后者在 6 次核对里遇到 3 次。

整个核对花 30 到 40 分钟，比在会上被追问再改口划算。

核对 AI 给的数字，备齐下面 4 样东西，一轮下来约 30 分钟。

1. 一份官方统计公报。国家统计局的年度公报、地方统计年鉴里，规模以上企业数量、从业人员这类口径每年更新 1 次。

2. 一份行业主管部门的年度报告。工信、住建、交通运输这些部门每年发 1 份本行业运行情况，里面有分季度数据。

3. 一份自己的台账。把过去 12 个月自己掌握的真实数字列成表，AI 给的数跟台账差多少，写在第 2 列。

4. 一张核对表。字段设成名称、数值、出处、年份、核对结果 5 列，核过的打勾，没核的空着。

表格比记忆可靠，过 3 个月回看还能说清每个数字的来历。

这 4 样准备 1 次能用 1 年，后面每轮只填表。

模型写数字靠的是概率，它挑的是上下文里常见的那个值，并没有去查表。

常见的偏差有 3 种。年份错位，把 2019 年的数写成 2023 年；口径混淆，把规模以上企业算成全部企业；量级偏差，多加或少加 1 个零。

还有一种情况容易被当成错，AI 给的是区间而不是点值，比如 3 到 5 个工作日，这种反而是它能给出的较稳说法。

带检索的产品会好一些，它先从网页里取数再组织语言，来源可以点开对。纯对话类产品省掉了这一步，数字全靠生成。

同一个问题在带检索的产品里问，准确率通常高出 1 档。

凡是要写进合同、写进申报材料的数字，我都要回到原始出处核 1 遍。

核对数字时有 4 个动作会把自己带偏。

1. 拿它的解释当来源。追问「这个数字的依据」，它会再生成一段看着合理的说明，点开链接多半是 404。

2. 只核总量不核口径。数字对得上，统计范围不一样，结论就反了，规模以上工业和全部工业在 2024 年的口径差着一大截。

3. 用搜索摘要当原文。摘要会截断，前后条件丢了，数字的意思就变了，点进原文看第 2 段往往就明白。

4. 把 2 个来源一致当成确认。两个来源可能出自同一份报告，查一下转载关系，5 分钟能确认。

还有一条，核完不记录，3 个月后再用同一个数，还得从头来一遍。

前 2 条踩的人多，改起来也简单，多问 1 句「原始报告在哪」。

三个渠道对同一组数，可信度差得挺明显。

官方统计公报与年鉴，更新慢，通常滞后 6 到 12 个月，口径固定，适合做基准。年鉴一般每年 9 月到 10 月出上一年的数据。

行业主管部门的年度报告，滞后 3 到 6 个月，带分季度数据，适合看趋势。

协会和咨询机构的白皮书，更新快，3 个月内就有，抽样范围和统计口径各家不同，跨年对比容易失真，同一个指标在 2 家白皮书里差 20% 的情况不稀奇。

AI 直接给的数字排在这三类之后，当成线索用，不当成结论用，写进材料前至少核 1 遍。

我的做法是先用它找方向，再去前两类里取数，第 3 类只用来补充解释。