AI FactScan
2026 年 6 月，國際知名會計師事務所 KPMG（安侯建業）悄悄從官方網站撤下了一份重磅報告。
這份報告名為 Redefining Excellence in the Age of Agentic AI（代理型 AI 時代重新定義卓越），最初於 2025 年 10 月發布。報告深入探討了企業如何運用 AI 邁向卓越，並煞有介事地引用了瑞士信貸／瑞銀集團（UBS）、英國國民健保署（NHS）、瑞士聯邦鐵路（Swiss Federal Railways）以及倫敦交通局（Transport for London）等大型機構的實際導入案例。
但問題來了：這些企業案例全遭到了當事機構的強烈否認。瑞銀集團表示報告中的描述完全失真且具誤導性；據《Financial Times》報導，英國 NHS、瑞士聯邦鐵路與倫敦交通局也都出面澄清，表示報告中提到的案例根本子虛烏有。外媒《TechRadar》更引述 AI 偵測團隊 GPTZero 的調查指出，在整份報告列出的 45 條參考文獻中，竟然只有 5 條真正指向真實存在的來源！其餘多達 40 條要麼根本查無此文，要麼斷章取義，要麼就是徹頭徹尾憑空捏造的「幽靈文獻」。
KPMG 隨後發表聲明稱：「我們要求所有員工必須嚴格遵守負責任 AI 使用準則，包括必須由人工親自審核內容，並對所有獨立來源進行查證。」
話音剛落，這份報告就被徹底下架了。
KPMG 到底是什麼樣的機構？
這絕不是什麼默默無聞的小作坊。
KPMG 是全球聲名赫赫的「四大會計師事務所」之一，業務遍及 140 多個國家，全球員工高達數十萬人。他們賴以立足的核心本業正是「審計與確信」——專門負責查核財務數字的精確度，確保企業報告值得公眾信任。
然而，正是這樣一家以「專業查帳與驗證」為金字招牌的頂級機構，卻發布了一份充斥虛假企業案例的 AI 報告，透過全球宣傳管道大肆推廣，在官網上掛了好幾個月，直到東窗事發才被揪出來。
如果連這種把「核查」當飯吃的專業機構都會被 AI 生成的假文獻瞞天過海，你憑什麼確信自己昨天剛用 AI 寫完的報告，裡面的參考文獻全都是真的？
為什麼 AI 寧可胡說八道，也不肯說「我不知道」？
KPMG 的這起事件並不能單純歸咎於審查疏忽。疏忽只是表面症狀，背後更值得探究的是 AI 本身的運作機制。
當你問 AI「瑞銀集團是如何導入 AI 的？」，AI 模型首要的任務是產出一段「聽起來合情合理」的回答。表面上，「真實的回答」與「看似合理的回答」長得非常相像，但在演算法的底層，這兩者根本是完全不同的目標。
大型語言模型非常擅長走「順暢路徑」：輸出語句通順、架構嚴謹且細節滿滿的文字；但當它們碰上不確定或知識空白的邊界時，卻極度不擅長立刻停下腳步。
這在某種程度上是模型訓練與微調過程帶來的副作用。在人類回饋強化學習中，模型如果表現得樂於助人、回答詳盡且語氣自信，往往會獲得更高的評分。雖然在特定情境下謹慎的免責聲明或直接拒絕回答也會受到鼓勵，但在一般的學術或商業寫作中，一段包裝華麗的回答，比起乾巴巴地承認「我不清楚」，往往讓人感覺更有價值。
這就導致了一種常見的現象：就算手邊的佐證資料極其單薄，AI 依然會竭盡所能為你捏造出一個「完整回答的形狀」。
當你要求它提供參考來源時，它就會順水推舟，將作者姓名、報告標題、機構名稱、日期以及長得很像網址的字串拼湊在一起。每個元件拆開來看都無比逼真，組合在一起就是一條看似完美無缺的參考文獻。
從人類的角度來看，AI 並不是在蓄意說謊，它根本不知道自己在寫小說。它只是在延續某種語言模式：企管顧問報告通常會引用大型企業案例；企業 AI 案例往往會提到銀行、醫院、鐵路與運輸機構；參考文獻則一定包含標題、年份與網址。產出來的成果看起來天衣無縫，直到有人真正動手去查證原始文獻。
AI FactScan 能為你揪出哪些破綻？
AI FactScan 是一款瀏覽器擴充功能，讓你在與 AI 對話的當下就能直接進行檢測。
選取 AI 的回答並啟動掃描，它會立即執行三件事：
- 提取所有引用的連結：包括那些外表長得像參考資料、點進去卻是一片空白或無效的死連結。
- 給予 A 到 F 的來源品質評級：結合來源公信力訊號、DOI 解析器驗證與已知資料庫特徵進行客觀評分。
- 標記 AI 自我循環引用：抓出無效的解析器連結，以及肉眼容易忽略的薄弱來源模式。
像 KPMG 這樣的慘痛案例，如果當初在草稿階段使用了 AI FactScan，就能在第一時間浮現出大量無效、存疑的文獻警訊。這就是立刻停下腳步、點開原始文獻核實的最佳時機，避免讓充滿幻覺的草稿演變成正式對外發布的災難。
AI FactScan 無法替代的事情
AI FactScan 能告訴你連結是否存在、DOI 編號是否有效，以及該來源是否具備足夠的權威性訊號。
但有一個關鍵環節，是任何輕量級工具都無法完全取代的：這篇文獻到底有沒有講出 AI 所聲稱的那些結論？
AI 完全有可能引用了一篇真實存在的高水準論文，卻把一個論文根本沒提過的結論硬扣在它頭上；或者引用了一份合法的政府報告，卻嚴重誇大了報告裡的數據。這個最後的把關環節，依然需要人類親自點開原文看一眼。
如何對可疑的 AI 引用進行「壓力測試」？
在你採信或引用 AI 給出的文獻之前，可以向 AI 追問以下這些極難靠機率「完美造假」的細節：
- 要求具體細節：「這項研究的樣本數是多少？採用了哪種研究方法？出現在哪一頁或哪一個章節？」
- 進行矛盾測試：先詢問這項研究的核心結論，接著追問「這項研究有何限制或爭議？」。憑空捏造的文獻通常在連續追問下會自相矛盾、漏洞百出。
- 索取關鍵原文引句：要求 AI「請從這份文獻中直接摘錄出支持這項主張的原始英文句子」，然後拿這句話去搜尋引擎比對，或直接對照原文。
這些方法並不能保證 AI 絕對誠實，但能讓那些沒有佐證的胡言亂語變得極難維持下去。
血淋淋的教訓
KPMG 的問題並不是缺乏管理規章——他們早就明文規定員工必須由人工審核 AI 的產出。真正的問題在於：只要一串參考來源看起來足夠專業逼真，它就能暢行無阻地穿透層層工作流程，期間沒有任何人在文獻查核上真正踩剎車。
這正是 AI FactScan 的核心價值所在：在工作流程的最前端為參考資料進行快速把關，在有問題的文獻混入正式報告之前，第一時間將它們揪出來。