Trakkr Research 針對 ChatGPT、Perplexity、Gemini、Claude 及 Google AI Overviews 五款 AI 助手進行研究，詢問了 200 個需要具體數字的問題。研究團隊隨機抽取各助手引用的共 1,285 個統計數據（ChatGPT 108 筆、Perplexity 277 筆、Gemini 300 筆、Claude 300 筆、Google AI Overviews 300 筆），並追蹤其引用鏈條，最多深入五層頁面以尋找原始研究。
結果顯示，僅 40% 的統計數據最終能追溯到證實該數字的原始研究。另有 8% 雖然找到了研究，但數字或脈絡（如調查對象、時間、地點）已發生改變。其餘數據無法驗證：40% 停在無法檢查的來源（如付費牆後、連結失效或未提及具體數字），11% 則完全找不到任何研究支持，僅在無引用的頁面間重複流傳。
在各助手的表現上，ChatGPT 引用數字最少（每答覆平均 1.3 個），但溯源成功率最高，達 57%。Perplexity 為 46%，Google AI Overviews、Gemini 及 Claude 則落在 38% 至 39% 之間，差異在統計誤差範圍內，無法明確排名。
研究發現，AI 引用來源的類型對溯源成功率影響顯著。若引用來自研究機構或政府頁面，61% 能成功追溯到匹配的研究；但若引用來自公司部落格（佔所有引用的 54%），僅 37% 能追溯成功；統計數據彙整頁面的成功率更低至 35%。這意味著 AI 引用來源往往並非原始研究，而是轉述其他來源的二手資訊。
此外，即使找到原始研究，數字本身也可能失真。在成功追溯到研究的案例中，17% 的數據內容已改變，其中僅約四分之一是數字本身的變動，多數是脈絡錯誤（如調查年份、對象或測量指標改變）。例如，一項 2004 年針對 15 名女性評估健康網站的研究指出「94% 的評論關於設計」，經過多年轉述後，被 Google AI Overviews 誤植為「94% 的网站第一印象與設計有關」。
研究亦發現，當五款助手對同一問題給出相同數字時，並不代表該數據更可靠。在五款助手均給出百分比的 71 個問題中，有 28 題出現了四個或五個不同的數字，平均差距達 16 個百分點，其中 31 題的差距超過 20 個百分點。反之，當五款助手意見一致時（共 10 題），僅 2 題能追溯到原始研究；被至少三款助手引用的數據中，僅 11/29 能溯源成功。有四項數據被所有助手引用卻完全找不到原始研究支持，包括「44% 的銷售人員在一次跟進後放棄」及「90% 的社群媒體用戶追蹤至少一個品牌」。
尚待確認：部分統計數據因來源付費牆、連結失效或未明確標示數字而無法驗證（佔 40%）。
尚待確認：11% 的統計數據完全找不到任何原始研究支持，僅在無引用的頁面間重複流傳。
尚待確認：五款助手在引用數字數量與溯源成功率上的差異，除 ChatGPT 外，其餘四款的表現落在彼此的統計誤差範圍內，無法明確排名。
尚待確認：部分被廣泛引用的數據（如「44% 銷售人員放棄跟進」）雖被所有助手引用，但研究團隊未能找到任何原始研究支持。
事件背景
此研究由 Trakkr Research 於 2026 年 10 月進行。為驗證結果是否受問題選擇影響，團隊額外追蹤了 Google AI Overviews 對 52,930 個真實日常英文搜尋（2026 年 9 月 25 日至 10 月 25 日）的回答中引用的 300 個統計數據，發現溯源成功率同樣約為 40%。研究過程採用 AI 模型初步判斷引用鏈條，再由更強大的模型複核 300 筆，最後由人工隨機複核 150 筆並處理分歧，所有報告的比率均經過人工校正並標註不確定範圍。
社群觀察
社群討論中，用戶 Isamu 認為 AI 的理想用途應是自動追蹤聲明至原始參考文獻以進行驗證，但目前卻被用於提供未經盡職調查的快速答案，反而更懶惰。用戶 toddmorey 對報告寫作風格（如「一個數字，隨後...」）感到困惑，不確定是懶散還是諷刺。用戶 alberth 指出 Perplexity 要求每句話都能回溯至實際來源（如同儕審查論文）的設計似乎是建立信任的優勢。用戶 falcor84 以幽默方式評論，稱若人類基準中有 73.6% 的統計數據是編造的（該數據本身也是編造的），則 AI 有 40% 的數據有研究支持令人鼓舞。用戶 armcat 提醒使用者需自行檢查引用連結的有效性，並建議實驗室公司應對引用來源進行品質排名或檢查，因為內聯引用標記可能給用戶錯誤的安全感。
