旺角一位地产经纪，请 ChatGPT 帮忙整理区内三家竞争对手的比较资料。AI 很快交出了一份精美的表格：公司名称、地址、电话、成交量、佣金率，一应俱全。她把表格打印出来，带去见客户。结果，其中两家公司根本不存在，第三家的电话号码也是错的。那位客户再没有回复。
这不是 AI 出故障的故事。这是一种叫做"AI 幻觉"的现象所带来的真实后果。如果你的业务已经开始使用任何 AI 工具，了解幻觉是什么、为什么会发生，以及如何保护自己，就是你现在最需要做的事。
什么是 AI 幻觉？
简答： AI 幻觉是指人工智能生成的内容听起来自信、完整，但实际上是错误或虚构的信息。AI 本身不知道自己说错了，它以完全相同的语气和格式输出正确与错误的内容。
"幻觉"这个词来自心理学，指感知到现实中并不存在的事物。在 AI 领域，这个比喻非常贴切。驱动 ChatGPT、Claude、Gemini 等工具的大型语言模型（LLM）是通过预测"下一个最有可能出现的文字"来生成回应的。当模型对某个话题缺乏可靠的训练数据时，它不会停下来说"我不知道"，而是用听起来合理的内容填补空白，即使那些内容从未在现实中存在过。
根据 Suprmind AI 2026 年幻觉统计报告，各主流商业大型语言模型的幻觉率介于 15% 至 52% 之间，即大约每五个 AI 输出中就有一个可能包含错误。对于依赖 AI 撰写提案、研究供应商或回复客户的业务来说，这是一个需要认真对待的风险。
更重要的是，幻觉并非等待修复的漏洞，而是现有 AI 语言模型运作方式的基本特性。2026 年最先进的模型比早期版本幻觉率更低，但并未消除这个问题，而且它们往往以更自信的语气表达错误信息，使错误更难被察觉。
AI 为什么会产生幻觉？
简答： AI 幻觉的根本原因是模型被训练为生成流畅、连贯的语言，而非验证事实。当它对某个话题缺乏可靠的训练数据时，它会用统计上"最合理"的内容填补空白，而不是承认不确定性。
可以把 AI 想象成一位阅读量极广的员工，读过数以百万计的文件，但没有查阅实时事实数据库的渠道。当你问他一个超出其直接经验的问题时，他可能会从相关知识中拼凑出一个答案，听起来信心十足，但偏偏是错的，而且你们两个人都不会立刻发现。
以下几类问题特别容易诱发幻觉。关于特定本地企业、小众行业或近期事件的问题风险最高，因为模型可能在这些领域的训练数据有限。需要精确数字的请求，例如电话号码、地址、财务数据、法规条款，尤其危险，因为模型只是把它们当作文字来预测，而非事实来查找。引用参考资料的任务也是重灾区：AI 可能虚构学术论文、政府报告或新闻报道，听起来像真的，但根本找不到，因为它们从未存在。
随着企业开始将 AI 用于多步骤的自动化任务，幻觉问题变得更加严重。2026 年 4 月 Asanify 的 AI 新闻分析指出，当 AI 被要求执行多个连贯步骤时，第一步的错误假设可能在后续步骤中不断放大，导致最终输出与现实相差甚远。
对业务有哪些实际风险？
简答： 主要风险包括：因错误决策导致的财务损失、损害客户关系的声誉问题、因不准确文件引发的法律责任，以及流失客户信任。2026 年的研究已有大量真实案例记录。
这些风险并非假设。Suprmind AI 的 2026 年报告发现，47% 的企业承认过去一年中至少曾基于 AI 幻觉内容做出一个重大业务决策。财务影响最为直接。根据 National Law Review 的分析，2026 年第一季度，因提交引用不存在案例的 AI 生成法律文件，法院单计罚款就超过 14.5 万美元，是有记录以来最高的季度数字。
品牌信任是另一个隐性但同样严峻的风险。First Line Software 引用的研究表明，AI 幻觉导致的错误产品规格使一家零售商的退货率上升了 25%，研究预测若准确性问题得不到解决，65% 的消费者可能在年底前对受 AI 影响的品牌产生不信任。
对香港中小企来说，最常见的幻觉风险更贴近日常业务：AI 虚构供应商的最低订单量、捏造政府法规，或基于错误的产品信息生成客户服务回复。这些错误可以悄悄侵蚀客户信任和业务关系，往往等到损失已成才被发现。
最常见的幻觉类型有哪些？
简答： 四种最常见的幻觉类型分别是：事实错误（错误的名称、数字、日期）、来源捏造（虚构引用和参考资料）、推理错误（从正确前提得出错误结论），以及细节虚构（听起来合理但从未真实存在的信息）。
事实错误是最常见的类型，包括错误的电话号码、地址、过时或虚构的统计数据，以及被错误归因的引文。它们夹杂在其他准确的内容之中，粗看之下很难察觉。
来源捏造对业务文件尤其有害。当 AI 被要求为提案提供研究支持时，它可能虚构学术论文的参考资料，引用不存在的期刊或政府报告。Suprmind AI 的数据显示，在涉及具体法律引用的高风险查询中，幻觉率高达 69% 至 88%。
推理错误是指 AI 从真实信息中得出错误的结论，在财务分析或合规审查任务中尤为常见。细节虚构是最隐蔽的一种：AI 生成的供应商政策、产品规格或法规要求听起来言之凿凿，却从未真实存在过。
如何降低业务中的幻觉风险？
简答： 最有效的策略包括：采取行动前核实 AI 生成的事实、向 AI 提供你自己的来源资料、将 AI 用于起草和构思而非外部事实查找，以及将任何具体名称、数字或引用视为未经证实直到独立核查为止。
行动前先核实。 像对待新员工的初稿一样对待 AI 输出：可以作为出发点，但在送交客户或用于决策前必须经过审查。AI 生成的联系资料、统计数字或法规引用，在独立确认之前永远不要直接使用。
向 AI 提供你自己的文件。 不要问"供应商 X 现在的价格是多少？"，而是把供应商的实际报价单粘贴进对话框，让 AI 帮你整理或比较。当 AI 基于你提供的文件工作，而不是从自身"记忆"中提取事实时，幻觉风险会显著降低。
问题要具体。 含糊的问题会产生含糊甚至虚构的回答。"总结这份合同的付款条款"比"告诉我行业内常见的付款条款"安全得多。将 AI 用于起草、格式整理、头脑风暴、翻译，它的表现最为可靠；需要核实外部事实的任务则要格外谨慎。
懂AI，更懂你。真正善用 AI 的业务，是那些既了解它的能力，也清楚它的局限的业务。这不是回避 AI 的理由，而是正确使用它的基础。
了解 AI 幻觉只是第一步，下一步是找到你的业务真正可以信赖的 AI 方案。UD 团队手把手教你评估风险、选择工具，到部署上线，全程陪你走每一步。
