https://www.ygaixiao.top/tags/%E4%BA%8C%E6%AC%A1%E6%A0%B8%E9%AA%8C/Recent content in 二次核验 on 集洲无水 | AI 落地实战笔记Hugo -- gohugo.iozh-cnFri, 15 May 2026 00:00:00 +0000https://www.ygaixiao.top/p/ai%E8%B0%83%E7%A0%94%E4%B8%8D%E6%98%AF%E6%90%9C%E4%B8%80%E9%81%8D%E5%B0%B1%E5%AE%8C%E4%BA%8B/Fri, 15 May 2026 00:00:00 +0000https://www.ygaixiao.top/p/ai%E8%B0%83%E7%A0%94%E4%B8%8D%E6%98%AF%E6%90%9C%E4%B8%80%E9%81%8D%E5%B0%B1%E5%AE%8C%E4%BA%8B/ <blockquote> <p><strong>核心结论</strong>：AI调研最大的风险不是&quot;找不到信息&quot;，而是&quot;找到的信息不可靠&quot;。4类信息必须做二次核验：精确数字、排名比较、时间敏感信息、争议性观点。核验的核心方法不是&quot;再搜一遍&quot;，而是&quot;换一个来源类型交叉验证&quot;——用官方数据验证媒体报道，用第三方统计验证公司自报。</p> </blockquote> <h2 id="先看一个真实的假数据案例">先看一个真实的&quot;假数据&quot;案例 </h2><p>某团队用AI调研&quot;中国AI人才缺口&quot;，AI返回了&quot;中国AI人才缺口超过500万&quot;这个数据，来源是某财经媒体的文章。</p> <p>团队把这个数据写进了给董事会的报告。后来有人在复核时追查来源，发现：</p> <ol> <li>该财经媒体的文章引用了&quot;某研究报告&quot;</li> <li>但没有给出报告的具体名称和发布机构</li> <li>用搜索引擎逆向查找&quot;500万AI人才缺口&quot;，发现这个数字最早出现在2017年的一篇论坛演讲稿中</li> <li>当时说的是&quot;到2030年可能达到500万&quot;——这是预测，不是现状</li> <li>8年过去了，这个预测数字被反复转述，逐渐变成了&quot;现状数据&quot;</li> </ol> <p><strong>从&quot;2030年预测&quot;变成&quot;当前缺口500万&quot;，信息在传播过程中被严重扭曲。</strong></p> <p>如果不做二次核验，这个错误数据就会进入决策链。</p> <h2 id="4类必须二次核验的信息">4类必须二次核验的信息 </h2><p>不是所有信息都需要核验——常识性内容（如&quot;北京是中国的首都&quot;）不需要。但以下4类必须核验：</p> <h3 id="第1类精确数字">第1类：精确数字 </h3><p><strong>包括</strong>：市场规模、增长率、市场份额、百分比、金额、数量。</p> <p><strong>为什么必须核验</strong>：</p> <ul> <li>AI可能&quot;幻觉&quot;出看起来很精确的数字（如&quot;提升73.56%效率&quot;）</li> <li>不同来源的统计口径不同，数字可能相差几倍</li> <li>过时数据可能已经被新数据替代</li> </ul> <p><strong>核验方法</strong>：</p> <table> <thead> <tr> <th>场景</th> <th>核验操作</th> <th>正确做法</th> </tr> </thead> <tbody> <tr> <td>市场规模</td> <td>找2个不同来源对比</td> <td>艾瑞说120亿，IDC说135亿→在报告中写&quot;约120-135亿元&quot;并说明口径差异</td> </tr> <tr> <td>增长率</td> <td>确认计算基数和时间范围</td> <td>&ldquo;同比增长50%&quot;——是和去年Q1比还是去年全年比？</td> </tr> <tr> <td>市场份额</td> <td>区分&quot;宣称&quot;和&quot;实际&rdquo;</td> <td>公司自己说的份额通常偏大，第三方统计更可信</td> </tr> </tbody> </table> <p><strong>实战案例</strong>：</p> <p>AI返回&quot;2025年中国SaaS市场规模达800亿元&quot;。核验过程：</p> <ul> <li>来源A（某行业报告）：800亿元，但注明&quot;含PaaS和IaaS&quot;</li> <li>来源B（中国信通院）：SaaS市场480亿元（不含PaaS/IaaS）</li> <li>差异原因：口径不同。A把PaaS和IaaS也算进去了</li> <li>正确写法：在报告中注明口径，不能直接用&quot;800亿&quot;作为SaaS市场规模</li> </ul> <h3 id="第2类排名和比较">第2类：排名和比较 </h3><p><strong>包括</strong>：&ldquo;行业第一&quot;&ldquo;市场领先&quot;&ldquo;主要玩家&quot;&ldquo;TOP3&rdquo;。</p> <p><strong>为什么必须核验</strong>：</p> <ul> <li>&ldquo;领先&quot;的定义是什么？营收？用户数？技术能力？增长率？</li> <li>不同维度排名可能完全不同</li> <li>&ldquo;主要玩家&quot;可能遗漏重要的长尾竞争者</li> </ul> <p><strong>核验方法</strong>：</p> <div class="highlight"><div class="chroma"> <table class="lntable"><tr><td class="lntd"> <pre tabindex="0" class="chroma"><code><span class="lnt">1 </span><span class="lnt">2 </span><span class="lnt">3 </span><span class="lnt">4 </span></code></pre></td> <td class="lntd"> <pre tabindex="0" class="chroma"><code class="language-fallback" data-lang="fallback"><span class="line"><span class="cl">AI说&#34;XX是国内AI客服领域的头部企业&#34;，核验： </span></span><span class="line"><span class="cl">1. 按什么维度算头部？营收？客户数？融资额？ </span></span><span class="line"><span class="cl">2. 找到该领域的行业报告或第三方排名 </span></span><span class="line"><span class="cl">3. 如果找不到权威排名，改为&#34;该领域的主要参与者之一&#34;而不是&#34;头部企业&#34; </span></span></code></pre></td></tr></table> </div> </div><h3 id="第3类时间敏感信息">第3类：时间敏感信息 </h3><p><strong>包括</strong>：政策法规、产品版本、定价、组织架构、融资情况。</p> <p><strong>为什么必须核验</strong>：</p> <ul> <li>AI训练数据有截止日期，可能不知道最新变化</li> <li>互联网上的旧文章仍然存在，AI可能抓到过时信息</li> <li>政策变化频繁，几个月前的信息可能已经失效</li> </ul> <p><strong>核验方法</strong>：</p> <table> <thead> <tr> <th>信息类型</th> <th>核验渠道</th> <th>核验要点</th> </tr> </thead> <tbody> <tr> <td>政策法规</td> <td>政府官网原文</td> <td>最新版本是什么？有没有修订？</td> </tr> <tr> <td>产品功能</td> <td>官网产品页+更新日志</td> <td>最新版本是否包含AI说的功能？</td> </tr> <tr> <td>定价信息</td> <td>官网定价页+销售人员</td> <td>公开价格和实际成交价可能差很多</td> </tr> <tr> <td>融资情况</td> <td>IT桔子/企查查/天眼查</td> <td>最新一轮是什么时候？金额多少？</td> </tr> </tbody> </table> <p><strong>实战案例</strong>：</p> <p>AI返回&quot;XX产品支持语音识别功能，准确率达98%&quot;。核验发现：</p> <ul> <li>98%这个数据来自该产品2023年的宣传材料</li> <li>2025年的最新版本文档中已经不再提这个数据</li> <li>实际用户反馈准确率在90-95%之间</li> <li>结论：98%可能是在特定测试条件下的数据，不具有代表性</li> </ul> <h3 id="第4类争议性观点">第4类：争议性观点 </h3><p><strong>包括</strong>：行业趋势判断、技术路线选择、政策影响评估。</p> <p><strong>为什么必须核验</strong>：</p> <ul> <li>不同专家/机构的观点可能完全相反</li> <li>AI倾向于&quot;和稀泥&rdquo;——把对立观点都说成&quot;各有道理&rdquo;</li> <li>你的报告需要给出明确判断，而不是罗列争议</li> </ul> <p><strong>核验方法</strong>：</p> <ol> <li>找到至少2个立场不同的来源</li> <li>分析各自的观点和支撑论据</li> <li>判断哪个论据更充分</li> <li>在报告中：如果一方明显更有道理，支持更强的一方并说明原因；如果双方势均力敌，列出两个观点并给出你的判断依据</li> </ol> <h2 id="5种核验方法">5种核验方法 </h2><h3 id="方法1换来源类型交叉验证">方法1：换来源类型交叉验证 </h3><p>最核心的核验方法——<strong>不要用同类型来源验证同类型来源</strong>。</p> <table> <thead> <tr> <th>错误做法</th> <th>正确做法</th> </tr> </thead> <tbody> <tr> <td>用一篇媒体报道验证另一篇媒体报道</td> <td>用官方数据验证媒体报道</td> </tr> <tr> <td>用公司官网验证公司官网</td> <td>用第三方数据验证公司自报</td> </tr> <tr> <td>用AI的搜索结果验证AI的搜索结果</td> <td>用原始来源验证AI的搜索结果</td> </tr> </tbody> </table> <p><strong>优先级</strong>：官方数据 &gt; 行业报告 &gt; 权威媒体 &gt; 一般媒体 &gt; 博客论坛</p> <h3 id="方法2追查原始来源">方法2：追查原始来源 </h3><p>当你看到一个数据被多处引用时，追查到<strong>最原始的出处</strong>。</p> <p>操作步骤：</p> <ol> <li>复制关键数据（如&quot;中国AI市场2025年达XX亿&rdquo;）</li> <li>搜索这个精确数据</li> <li>找到最早发布这个数据的来源</li> <li>确认该来源的权威性和发布时间</li> <li>检查原始语境中这个数据是否有附加条件（如&quot;预测&quot;&ldquo;估算&quot;&ldquo;特定口径&rdquo;）</li> </ol> <h3 id="方法3反向验证">方法3：反向验证 </h3><p><strong>用一个你确定的事实，去验证来源的可靠性。</strong></p> <p>举例：某行业报告说&quot;2025年中国AI市场规模为5000亿元&rdquo;。你先确认自己已经知道的一个事实——比如&quot;Gartner报告中国AI市场约为800亿美元&rdquo;。两个数字差距太大（5000亿人民币≈700亿美元 vs 800亿美元），说明至少有一个来源的口径或数据有问题。进一步追查发现，5000亿是包含了AI相关硬件和服务的广义口径，800亿美元主要是软件和服务。口径不同，不是谁对谁错。</p> <h3 id="方法4时效性检查">方法4：时效性检查 </h3><p>任何超过1年的市场数据，都要确认是否仍然有效。</p> <p>操作：</p> <ul> <li>搜索&quot;XX 2025 2026 最新数据&rdquo;</li> <li>检查来源发布时间是否在6个月内</li> <li>如果只能找到旧数据，在报告中注明&quot;截至XX时间的最新公开数据为……&quot;</li> </ul> <h3 id="方法5ai幻觉检测">方法5：AI&quot;幻觉&quot;检测 </h3><p>AI有时会生成看起来非常合理但完全编造的信息。检测方法：</p> <table> <thead> <tr> <th>信号</th> <th>可能是幻觉</th> <th>核验操作</th> </tr> </thead> <tbody> <tr> <td>有精确数字但无来源</td> <td>高概率</td> <td>搜索这个数字，看其他来源是否提到</td> </tr> <tr> <td>引用了&quot;某报告&quot;但不给名称</td> <td>高概率</td> <td>要求AI给出具体报告名和链接</td> </tr> <tr> <td>数据&quot;太好看了&quot;</td> <td>中概率</td> <td>反向验证：是否有其他来源佐证</td> </tr> <tr> <td>来源链接打开是404</td> <td>高概率</td> <td>换关键词重新搜索</td> </tr> </tbody> </table> <h2 id="核验检查清单">核验检查清单 </h2><p>写完调研报告后，对以下内容逐项核验：</p> <table> <thead> <tr> <th>#</th> <th>核验项</th> <th>检查内容</th> <th>状态</th> </tr> </thead> <tbody> <tr> <td>1</td> <td>市场规模数字</td> <td>至少2个来源确认，口径一致？</td> <td>□</td> </tr> <tr> <td>2</td> <td>增长率/百分比</td> <td>基数和时间范围明确？</td> <td>□</td> </tr> <tr> <td>3</td> <td>竞品市场份额</td> <td>不是竞品自己宣称的？</td> <td>□</td> </tr> <tr> <td>4</td> <td>排名/比较声明</td> <td>有权威来源支撑？</td> <td>□</td> </tr> <tr> <td>5</td> <td>政策法规引用</td> <td>是最新版本？来源是政府官网？</td> <td>□</td> </tr> <tr> <td>6</td> <td>产品功能描述</td> <td>和官网最新信息一致？</td> <td>□</td> </tr> <tr> <td>7</td> <td>定价信息</td> <td>多渠道确认？公开价≠成交价？</td> <td>□</td> </tr> <tr> <td>8</td> <td>用户评价/案例</td> <td>不是只展示正面案例？</td> <td>□</td> </tr> <tr> <td>9</td> <td>趋势预测</td> <td>标注了预测来源和假设？</td> <td>□</td> </tr> <tr> <td>10</td> <td>争议性观点</td> <td>列出了不同立场并给出了判断？</td> <td>□</td> </tr> </tbody> </table> <p><strong>任何一项标注为&quot;不通过&quot;，都要回去修改报告，不能带着不确定的信息交付。</strong></p> <h2 id="核验不通过的3种处理方式">核验不通过的3种处理方式 </h2><table> <thead> <tr> <th>情况</th> <th>处理方式</th> <th>正确写法</th> </tr> </thead> <tbody> <tr> <td>找不到可靠来源</td> <td>删除该数据或改为定性表述</td> <td>&ldquo;目前缺乏权威公开数据确认，但多个间接指标指向XX趋势&rdquo;</td> </tr> <tr> <td>两个来源数据冲突</td> <td>列出两个数据，说明差异原因</td> <td>&ldquo;艾瑞报告为120亿元（含PaaS），信通院为480亿元（纯SaaS），差异主要来自口径不同&rdquo;</td> </tr> <tr> <td>数据可能过时</td> <td>标注数据时效性</td> <td>&ldquo;该数据截至2025年Q2，最新数据暂未公布&rdquo;</td> </tr> </tbody> </table> <h2 id="常见问题">常见问题 </h2><p><strong>Q1：二次核验会不会让调研效率大幅下降？</strong></p> <p>不会。你不需要对报告中的每一条信息都做核验——只对&quot;4类必须核验的信息&quot;做。一份20页的报告中，通常只有10-15个关键数字和判断需要核验，每个5-10分钟，总共1-2小时。对比一下：带着错误数据做决策的成本远大于这1-2小时。</p> <p><strong>Q2：AI能不能帮我做核验？</strong></p> <p>可以，但不能完全依赖。让AI帮你找到需要核验的信息点、搜索可能的验证来源、整理核验结果。但最终的判断（这个来源可不可信、两个冲突数据怎么处理）必须由人来做。AI的核验能力受限于它的训练数据——如果AI训练数据中就包含错误信息，它可能&quot;验证&quot;出错误的结论。</p> <p><strong>Q3：如果所有核验都通过了，报告就一定准确吗？</strong></p> <p>不一定。核验能大幅降低错误概率，但不能保证100%准确。某些领域（如非公开市场的商业数据）天然缺乏权威来源，只能基于有限信息做最佳判断。关键是在报告中清晰标注哪些是确认的、哪些是推测的，让决策者知道信息的不确定性在哪里。</p> <p><strong>Q4：做咨询的公司是怎么做核验的？</strong></p> <p>大型咨询公司（麦肯锡、BCG等）通常有三层核验：第一层是分析师做初步检索和整理；第二层是项目经理审核关键数据和逻辑；第三层是合伙人（行业专家）基于经验判断数据的合理性。中小企业做不到三层，但至少做到一层（分析师/负责人审核关键数据）——这已经比不做核验强太多了。</p> <p><strong>Q5：什么时候可以不做二次核验？</strong></p> <p>内部参考的快速概览式调研可以简化核验。但只要这个调研结果要用于外部汇报、决策、合同、投标，核验就不可省。一个简单的判断标准：如果这个数据是错的，会导致错误的决策吗？如果会，就核验。</p> <hr> <p>希望这篇文章对你有帮助。如果你在实践中遇到问题，欢迎交流讨论，我的微信：18010612009（杨哥）。</p>