2026 年 3 月，一位機構分析師向 Claude Opus 4.7 查詢「[公司 X] 最新季度業績和利潤率趨勢的摘要」。AI 返回了一個自信、結構良好的摘要，報告毛利率下降 12% 和「客戶獲取成本上升的令人擔憂的趨勢」。
這些沒有一樣是真實的。該公司的利潤率實際上擴張了 3 個百分點。客戶獲取成本已經下降。AI 完全幻覺了整個分析——從碎片化的訓練數據中編造了一個連貫但完全虛構的敘事。分析師信任 AI 的回應如同信任 Bloomberg 終端，將幻覺數據納入模型。由此產生的降級報告觸發了盤中 5% 的跌幅。
為何 AI 幻覺不是「錯誤」
幻覺不是 AI 系統的故障——它是大語言模型運作方式的固有屬性。LLM 不從數據庫中檢索事實；它們根據訓練數據中的模式預測最可能的下一個 token。當訓練數據稀疏、矛盾或過時時，模型生成統計上最合理的輸出——可能完全錯誤。對一家上市公司而言，影響是鮮明的：每篇過時的新聞文章、每個不准確的第三方摘要、每條猜測你商業模式的 Reddit 帖子都成為 AI 描述你的概率湯的一部分。
金融 AI 幻覺的四種類型
| 類型 | 幻覺 | 實際影響 | 頻率 |
|---|---|---|---|
| 數值錯誤 | AI 報告的收入、利潤率或增長數字客觀錯誤——通常偏差 30–60%。 | 直接饋入錯誤的估值模型和篩選算法。 | 42% |
| 風險捏造 | AI 發明不存在的風險——監管風險、競爭威脅、財務弱點。 | 製造虛假紅旗，將公司從 AI 驅動的投資篩選中消除。 | 28% |
| 實體混淆 | AI 合併兩家名稱或行業相似的公司，混合財務數據、領導層和戰略。 | 產生一個不對應任何真實公司的複合實體——對小型股尤其毀滅性。 | 18% |
| 時間漂移 | AI 基於 1–3 年前的過時信息描述公司。 | 投資者收到過時數據，錯過近期的轉型、收購或增長加速。 | 12% |
幻覺反饋循環
使幻覺對金融市場特別危險的是反饋循環：一個幻覺陳述被另一個內容聚合器抓取，被另一個 AI 系統重新攝取，並作為「確證」信息重新浮現——因為模型現在看到兩個來源說同樣的話。每個循環都增加虛假信息的統計權重，使其更難被消除。
1
幻覺
AI 生成關於公司財務的虛假主張
2
放大
內容聚合器、社交媒體和論壇重新分享該主張
3
強化
其他 AI 將放大後的主張作為確證證據攝取
如何保護你的公司
幻覺無法被消除——但可以被管理。策略是徹底主導信號層，使 AI 的概率模型默認準確信息：
- 在所有 IR 頁面上部署結構化數據。 JSON-LD Schema（Organization、FinancialProduct、FAQPage）為 AI 爬蟲提供機器可讀的「真相來源」，覆蓋噪聲第三方數據。
- 在自己的域名上發布權威內容。 當 AI 系統加權來源時，你企業域名上的內容比第三方聚合器具有更高的權威性。擁有你公司故事的權威版本。
- 持續監控。 每週用標準化提示詞查詢每個主要 AI 平台。追蹤幻覺率、情緒極性和事實準確度。與同業基準對比。
- 快速回應。 當檢測到幻覺時，觸發多表面修正：更新結構化數據、發布澄清內容、向主要金融數據聚合器提交更正。速度至關重要——虛假信息每循環一小時，反饋循環就收緊一步。
在 2026 年，AI 幻覺不是技術好奇——它是值得在每個 IR 風險登記冊上佔據一席之地的系統性金融風險。正視它的公司將保護其估值。忽視它的公司每天都在用其 AI 生成的聲譽賭博。