AI 助手经常提供看似可信但缺乏可验证证据的统计数据，Trakkr Research 将这一现象称为“僵尸统计数据”。这些数字在各种网页上反复出现——如新闻文章、营销材料和博客文章——但从未与原始研究建立联系。例如，关于“44% 的销售人员在一次跟进尝试后就放弃”的说法是多个 AI 模型经常引用的常见数字。然而，追踪这个特定数字会发现，其路径最终止步于一名自由撰稿人的示例文章和一家销售公司的统计页面，而这两者都没有包含支持该数字的实际研究。
为了调查这一问题，研究人员分析了五个主要 AI 助手提供的 1,285 个统计数据：ChatGPT、Perplexity、Gemini、Claude 和 Google AI Overviews。他们追踪每条引用路径深入到五个页面，以寻找原始来源。结果显示，这些统计数据中只有 40% 成功追溯到了确认相同数字的研究。其余的数字要么导致死胡同，要么被发现在过程中改变了上下文或数值，要么完全无法追踪。值得注意的是，ChatGPT 每条回答引用的数字最少（1.3 个）且来源成功率最高（57%），而 Claude 和 Gemini 等其他模型每条回答引用的统计数据显著更多，但来源成功率较低。
这张图片展示了第一段中描述的僵尸统计数据概念，即数字在网页上重复出现但没有原始研究链接。
该研究强调了来源类型与找到原始研究的可能性之间存在显著的相关性。当 AI 助手引用政府页面或研究公司时，路径有 61% 到 62% 的概率到达匹配的研究。相比之下，当第一个引用是公司博客时（占所有首个引用的 54%），成功率降至 37%。即使最终找到了研究，17% 的统计数据在含义上发生了“漂移”，变化发生在研究年份、特定的受访人群或所测量的指标上。这表明 AI 模型往往是在检索并重复来自次级营销内容的数字，而非原始研究，这可能意味着它们优先考虑回答的速度而非底层数据的准确性。
该图表支持了第二段中关于 ChatGPT、Claude 和 Gemini 特定来源成功率和引用数量的数据。
这项研究的一个重大局限是，40% 的路径止步于“锁定、消失或沉默”的来源，这意味着这些统计数据的真实起源仍然未知。此外，研究表明，虽然 AI 模型很少完全“捏造”数字——它们通常能正确识别引用页面上的数字——但它们经常无法区分原始研究结果和次级摘要。这造成了一种风险：用户可能会收到一个自信且带有引用的答案，但该答案实际上是一个“僵尸”数字，被许多来源重复，却没有任何实际数据支撑。