用户看到 AI 对品牌的描述，会照单全收吗？

先说一件国内的事。北京律师黄贵耕，一个案子的被告人家属想了解他，就在百度上搜，结果平台的 AI 生成了好几条关于他的虚假负面信息。按黄贵耕跟央视讲的，家属搜到以后「感到很震惊。这个律师怎么存在这么多污点」。他自己的判断是，这种信息「突破一般人的想象，他不会相信这是假的」。同一篇报道里还有一件：一位网友的手机号被豆包错标成了某养殖场的联系方式，陌生电话一个接一个打进来，开口就问卖不卖猪。

家属有多震惊，是黄贵耕转述的；卖猪那件其实是号码被标错、有人照着打了电话，谈不上信了什么负面说法。两件都是个案，一般人到底信不信、会不会去核，还得看研究。我们翻了一圈，照单全收是谈不上的，可麻烦出在另一个地方。

皮尤研究中心 2025 年 8 月调查了 5153 个美国成年人。见过搜索结果里 AI 摘要的那些人里，53% 说至少有些信任，说非常信任的只有 6%。有些信的人不少，很信的很少。

MIT 的 Haiwen Li 和 Sinan Aral 做过一个预注册的随机实验，4927 个美国人参加。同一段 AI 写的回答，标成生成式 AI 的那组，信任平均比「传统搜索」那组低。不过所谓传统搜索那组，其实是研究者把同一段 AI 文本套上 Google 精选摘要的样子，还告诉受试者这不是 AI 写的。所以它说明的是标签和界面会左右信任，并不是说 AI 写的东西本身就差。

光看这两份，好像可以松口气了。麻烦在下一步。

还是 MIT 那个实验。给 AI 回答加上参考链接和引用，受试者打的信任分明显上去了；研究者在 9 个任务里挑了 7 个，各把一条链接换成打不开的或对不上的，这份加成也没有显著变小。摘要的原话是，引用让人更信，「even when those links and citations are incorrect or hallucinated」。「没有显著变小」不等于效果一模一样，可至少从信任分上，看不出好链接和坏链接有什么分别。

伯克利 LMArena 团队（ICLR 2026）用的是另一种数据：用户在他们自家的 Search Arena 上，从两个联网模型的回答里挑一个，团队攒了一万两千多张这样的偏好票。引用多的回答更常被选中；再细分，撑得住那句话的引用，系数是 0.29，跟那句话不相干的引用是 0.27，几乎一样高，相矛盾的引用倒看不出显著关联。团队在代码仓库里说得更白：「models do not always cite retrieved sources accurately and humans do not always check citations!」模型不总把出处引对，人也不总去核。

这组数是统计上的相关。引用多的回答往往也更长、搜得更深，不能说成多挂几条引用就能让人更信；它测的也是两个回答里偏向哪个，不是信不信某句话。撑不撑得住那部分只抽了约 800 段对话，主要靠模型判别，投票的人也可能偏技术人群。

那出处撑不住是什么样子？新华社 2025 年 9 月的报道里，记者让一款 AI 说说某个行业的市场规模，附上信源。AI 马上答，某投资机构预测 2028 年这个市场到 5 万亿美元，还附了链接。点开一看，页面上确实有这家机构的名字，也有「5 万亿美元」，可这个预测压根儿不是它做的，页面上也没有 2028 年。不点开，什么都看不出来。AI 标的出处到底撑不撑得住，我们在另一条里专门看过。

这得分开说，手上这几份数据测的不是一回事。

皮尤 2025 年 3 月记录了 900 个美国成年人在 Google 上的真实浏览。出现 AI 概览的访问里，只有 1% 的下一次访问去了概览列出的出处。这个 1% 是访问次数的比例，不是「只有 1% 的人会核对」，而且皮尤只记了概览里最多前三条出处。

FAccT 2025 上 Venkit 等人的研究更细，但人很少：21 个在自己专业里算行家的人，多是博士生和研究人员，每人用 Perplexity、Bing Copilot、YouChat 里的一个，再用 Google。用 AI 答案引擎的时候，平均还是会点开一次上下出处，用 Google 是 3.8 次，论文检验过，差别显著。碰上跟本人立场相反的问题，平均点 1.72 次，顺着立场的只点 0.48 次，这个差别也显著。放到品牌上，一个本来对你印象不错的人看到 AI 说你不好，算不算「逆立场」、会不会因此多点两下，这项研究没测，我们也不知道。

MIT 那个实验也记了点击：信任分越高的人，在任务页面上的总点击越多、停留越短，带参考链接那组的停留则更长。可它记的是整个页面的操作，页面上还有评分题，没有单独统计点出处，所以说明不了谁点出处更多、谁核得更多。

德国一项 1417 人的实验问的是另一件事：两份模拟的 AI 搜索回答摆在一起，题目是欧洲议会选举相关的政治议题，你更想核哪一份。加一句提醒核验的话，没让人更常挑这份去核；挂上公共电视台 ZDF 和 Tagesschau 这样的可信出处，被挑去核的概率反倒低了 6 个百分点。真正拉开差距的是内容本身，说法是错的，比全对的被挑去核的概率高 20 个百分点左右。不过这是假设性的选择，不是真去点。

国内测点击行为的研究，我们没找到。离得最近的是上海交大媒体与传播学院的一项调研，经上观新闻报道，原始报告没公开：811 份「感知 AI 幻觉」评分里，高警觉的只有 8.5%，而且用得越多、学历越高的人，感知到的幻觉反而越低。这是自我报告的感知，也只是相关；他们会不会自己去查，这份调研没问。

平台自己倒是写了提醒。OpenAI 的帮助页说搜索结果和引用「can be incomplete, outdated, or incorrect」，让用户点开被引的出处，看它撑不撑得住回答；Google 说得更干脆，「AI Overviews can and will make mistakes.」，重要的信息要多处核对。两页都没标这段是哪天写的，用户看没看、照没照做，文档也说明不了。

CNNIC 9 月 29 日发布的报告说，截至 2026 年上半年，国内生成式 AI 用户突破 7 亿，76.0% 的用户会让它回答问题。这里面多少人会去问你的品牌，报告没说。

把上面这些拼起来，我们觉得站得住的是这几条：

• 美国的调查和实验都不支持「用户对 AI 照单全收」：皮尤调查里见过 AI 搜索摘要的美国成年人，非常信任的只有 6%；MIT 实验里，同一段文字标成 AI 生成的，平均信任比标成传统搜索的低。
• MIT 实验里，给 AI 回答挂上参考链接，受试者的信任分明显上升；把一条链接换成打不开或对不上的，这份加成也没有显著变小。
• Search Arena 的对战数据里，支持性引用与无关引用跟偏好票的正向关联系数接近，相矛盾的引用未显示显著关联；这是相关，不是因果。
• 皮尤记录的美国 Google 搜索里，出现 AI 概览的访问，只有 1% 的下一次访问去了概览列出的出处；这是访问次数，只算 Google AI 概览。
• 截至 2026 年 10 月 1 日，专门测「AI 说某品牌不好以后，消费者信不信、核不核、还买不买」的研究，我们没找到。

所以 AI 说你不好，不能说人人都信。往品牌上推一步，一种可能是：它挂了出处，哪怕出处打不开、跟那句话不相干，读的人也未必分得出来，未必点开看。这是推出来的，不是测出来的，上面没有一项研究拿品牌做过题目。可要真是这样，指望读的人替你去核就不太靠得住，AI 把你说错了，还是得自己去找平台改，渠道见这一条；有人为此打过官司，黄贵耕的案子也在里面，见这一条。

• 国内一些做 GEO（AI 搜索优化）的营销文章说，用户对 AI 回答的信任度超过 90%、超过传统搜索，AI 说什么用户就信什么。 「超过 90%」「超过传统搜索」，我们没找到一手出处。MIT 实验里，同一段文字标成 AI 生成的，平均信任反倒比标成传统搜索的低；皮尤调查里说非常信任的是 6%。两份都是美国样本。
• 反过来也有人说，AI 回答都带引用，用户会自己点开核对，不用担心。 皮尤记到的是 1% 的访问；Search Arena 团队自己说人不总去核；德国实验的假设选择里，挂上可信出处，被挑去核的概率反而低了 6 个百分点。
• 「根本没人会点出处」也说过头了。 Venkit 那项研究里，用 AI 答案引擎的人平均也点开一次上下，碰上跟自己立场相反的问题点得更多。只是 21 个行家，不能当成普通消费者的点击率。

• 皮尤两份、MIT 实验都是美国样本。MIT 的材料取自 Google AI 概览，题目是政策社会议题，测的是量表上的信任和分享意愿，不是购买决定；而且是平均数，学历更高、在技术相关行业干过、更常用生成式 AI 的人，信任更高。
• Search Arena 是相关性分析，测的是两个回答里选哪个；Venkit 只有 21 人；德国实验测的是假设性的核验选择，不是真实点击。
• 皮尤的 1% 只算 Google AI 概览、最多前三条出处，是访问次数，不能当成豆包、ChatGPT 这些产品的比例。
• 交大调研经媒体转述，原始报告没公开，测的是感知，不是行为。
• 黄贵耕案和养殖场电话都是个案，不是测量；黄贵耕案截至 2026 年 9 月还没宣判。

• Search Arena 的系数：出处包里两家写法不一样。我们 2026 年 10 月 1 日重开 ICLR 2026 版全文，引言写 0.285、0.273，3.2 节写 0.29、0.27，是同一组数，正文统一用两位小数；归因分析见附录 E.3，约 800 段对话，模型判别，人类专家核过一部分。
• MIT 实验的样本：出处包里有「7 国」的说法，全文写的是 4927 名经 Prolific 招募的美国受试者，没有 7 国；25–44 岁偏多、65 岁以上偏少，所以稿里不说它有代表性。坏链接那组，正文照「unaffected by whether the references and links are valid or invalid」写成「没有显著变小」，没写成「效果完全一样」。MIT 的点击和停留时间按整页记录，正文没拿它当点出处的次数。
• Venkit 的点击差别：出处包里一家说显著、一家没说。正式论文表 4 的双样本 t 检验显示显著，顺逆立场的差别也显著。
• 德国实验：只有挂 ZDF、Tagesschau 的高可信度一档显著，挂《图片报》、web.de 或混挂的都不显著；高 20 个百分点左右的是回答内容本身为假，不是给回答贴了「假」的标签。