機器不可見：基於完整市場普查的AI餐飲推薦審計

一項新研究首次以完整市場普查的方式審計了AI助手對本地餐飲場所的推薦行為。該研究由Vladimir Pitenin完成，覆蓋印尼巴厘島的兩個邊界清晰的市場——倉古（Canggu）和烏布（Ubud），完整列舉了4776家咖啡館、餐廳和酒吧，並以此作為分母，測量四個主流AI系統（ChatGPT、Claude、Gemini、Perplexity）在七天內對96個帶有使用者角色設定的查詢所產生的2208條搜尋型回答。

研究採用預註冊協議，避免審計過程中的主觀偏差。結果顯示，絕大多數場所從未出現在任何AI推薦中：85.6%的場所完全沒有被推薦過；即使在擁有至少50條評價的成熟商戶中，也有72.6%從未被系統提及。研究者指出，這種“不可見性”並非隨機，而是呈現出與商戶線上文件化程度相關的結構。

透過邏輯迴歸分析，研究識別出影響一個場所能否進入AI回答的兩個層面。在“進入推薦列表”層面，評論數量（比值比1.64）、擁有自己的網站（1.92）、公開價格資訊（1.54）以及第三方網頁提及（1.44）都會顯著提高被推薦機率；而星級評分在這一層面幾乎沒有作用（比值比0.89）。但在“排名”層面，規律發生反轉：在已被推薦的場所中，評分越高越容易排在第一位（比值比1.17）。換句話說，評分決定的是排序而非入圍資格。

研究還檢驗了一個民間流行的假設：出現在Foursquare等開放興趣點（POI）資料集中是否有助於獲得AI推薦。結果顯示，這種資料存在性在兩個層面都沒有正面效應。另一個值得注意的發現是，完全捏造的資訊很少，僅佔全部提及的0.08%；但系統推薦了93家已永久關閉的場所。這說明當前AI推薦的主要風險並非“幻覺”，而是知識庫更新滯後導致的資料陳舊問題。

各系統之間的推薦重合度也不高，排名前20的推薦結果傑卡德相似係數僅為0.33至0.54。在兩週後的重測中，跨時間的回答相似性與同日重複執行的相似性相當，說明系統答案的波動主要來自取樣隨機性，而非真實世界隨時間的變化。研究者公開了協議、登記冊構建方法和派生資料，為後續審計提供了可復現的基礎。