机器不可见：基于完整市场普查的AI餐饮推荐审计

一项新研究首次以完整市场普查的方式审计了AI助手对本地餐饮场所的推荐行为。该研究由Vladimir Pitenin完成，覆盖印尼巴厘岛的两个边界清晰的市场——仓古（Canggu）和乌布（Ubud），完整枚举了4776家咖啡馆、餐厅和酒吧，并以此作为分母，测量四个主流AI系统（ChatGPT、Claude、Gemini、Perplexity）在七天内对96个带有用户角色设定的查询所产生的2208条搜索型回答。

研究采用预注册协议，避免审计过程中的主观偏差。结果显示，绝大多数场所从未出现在任何AI推荐中：85.6%的场所完全没有被推荐过；即使在拥有至少50条评价的成熟商户中，也有72.6%从未被系统提及。研究者指出，这种“不可见性”并非随机，而是呈现出与商户在线文档化程度相关的结构。

通过逻辑回归分析，研究识别出影响一个场所能否进入AI回答的两个层面。在“进入推荐列表”层面，评论数量（比值比1.64）、拥有自己的网站（1.92）、公开价格信息（1.54）以及第三方网页提及（1.44）都会显著提高被推荐概率；而星级评分在这一层面几乎没有作用（比值比0.89）。但在“排名”层面，规律发生反转：在已被推荐的场所中，评分越高越容易排在第一位（比值比1.17）。换句话说，评分决定的是排序而非入围资格。

研究还检验了一个民间流行的假设：出现在Foursquare等开放兴趣点（POI）数据集中是否有助于获得AI推荐。结果显示，这种数据存在性在两个层面都没有正面效应。另一个值得注意的发现是，完全捏造的信息很少，仅占全部提及的0.08%；但系统推荐了93家已永久关闭的场所。这说明当前AI推荐的主要风险并非“幻觉”，而是知识库更新滞后导致的数据陈旧问题。

各系统之间的推荐重合度也不高，排名前20的推荐结果杰卡德相似系数仅为0.33至0.54。在两周后的重测中，跨时间的回答相似性与同日重复运行的相似性相当，说明系统答案的波动主要来自采样随机性，而非真实世界随时间的变化。研究者公开了协议、登记册构建方法和派生数据，为后续审计提供了可复现的基础。