top of page

ChatGPT 购物风险:研究警示虚假零售网站

8分钟前
讀畢需時 12 分鐘
Illustrative photograph. Photo: Sanket Mishra / Pexels.

Podqi 的一项研究发现,ChatGPT、Gemini 和 Perplexity 的回答中存在有风险的零售链接,由此凸显了 ChatGPT 购物风险。在 6,795 条回答中,9% 包含被该公司归类为有风险的网站。该类别涵盖疑似仿冒或售假网站,以及失效域名。

这家品牌保护服务商通过 AI 搜索公司 Gauge 收集回答,围绕 151 个品牌提出五个购物问题。其 AI 购物研究考察了 2026 年 9 月两轮测试期间处于登出状态的消费者服务。研究人员审查了 4,437 个域名,并将其中 718 个归类为有风险:351 个疑似虚假网站,以及 367 个失效网站。

研究结果揭示了一种具体矛盾:找到一个看似合理的购物目的地,与验证其运营者是两项不同的工作。助手可以流畅回答产品问题,却仍未确认卖家身份。对于消费者、品牌和聊天机器人开发者而言,当研究转化为购买决策时,这一缺口尤为重要。

ChatGPT 购物风险研究实际衡量了什么

Podqi 报告称,Perplexity 15% 的回答包含有风险链接,ChatGPT 为 8%,Gemini 为 4%。在包含有风险网站的回答中,57% 对其进行了推荐,34% 未作评论地提及,9% 向用户发出了警告。这些百分比描述的是有风险回答这一子集,而非所有购物回答。

该发现涉及目的地和推荐,而不是已完成购物欺诈的测量比例。

这一区别将几个读者可能混为一谈的问题分开。回答中是否包含不合适的目的地?其措辞是否鼓励用户访问?是否有人点击链接、输入支付信息或蒙受金钱损失?

研究的核心数字涉及的是较早阶段。它们不应被转化为同等比例的购物者遭遇欺诈的说法。接触、劝服、购买和损失是彼此独立的结果。

失效地址与仍在运营的仿冒商店所带来的即时问题也不同。二者都会削弱购物回答的可靠性,但需要不同的描述。将每个被标记的目的地都称为活跃骗局,会夸大证据所能支持的结论。

反过来,若将问题描述为普通失效链接,又会忽略疑似仿冒的发现。更有用的解读应保留这两类情况。推荐系统既需要可用的目的地,也需要关于谁控制这些目的地的可信证据。

抽样背景同样会影响这些比较的解读。这些结果描述的是所测试的消费者体验、提示词、品牌和收集时段。它们并不能确立适用于每种配置或购物功能的永久安全排名。

例如,通用聊天机器人的回答与专门的商家整合功能应分别评估。对一种体验的测试,不能自动证明或否定另一种体验。这一边界在读者将熟悉的产品名称与陌生实现进行比较时尤为重要。

因此,这项研究提供的是一个可供审视的具体起点,而不是通用评分卡。它将注意力引向回答购物问题与认可卖家之间的过渡环节。这个过渡本身值得评估。

一种有用的解读方式是追问:在那个时刻,什么证据足以证明该推荐合理?系统是否知道该地址属于该品牌?它是否验证了授权关系?还是仅仅找到了与请求相匹配的语言?

这些是研究结果引出的分析性问题,而不是该研究确凿证明的机制。两者之别很重要。观察到可疑输出,并不能揭示促成它的每一个内部步骤。

实际结论因此更为狭窄、也更站得住脚:消费者不应将对话式零售推荐视为已经完成的卖家验证。

购物回答比产品摘要承担更大分量

产品研究和卖家选择涉及不同类型的判断。助手或许能帮助用户比较材质、尺寸或产品类别,却不必决定该用户应在哪里花钱。

一旦它提供购买目的地,任务就发生了变化。回答将产品偏好连接到将接收付款和个人信息的企业。准确性此时也包括卖家身份。

相关的产品描述并不能证明存在合法的商业关系。

假设一位消费者正在寻找某个品牌的夹克。助手可以正确识别这件夹克的特征,却提供一家无关商店。产品信息和购买目的地需要分别核查。

当回答将商店标为“官方”或“授权”时,同样适用这一区别。这些词表达的是一种关系,而不是相似性。仅凭熟悉的标志或相同的产品照片,无法确立这种关系。

对话式呈现让这一区别格外重要。直接回答即使底层证据仍不完整,也可能读起来像是已经完成的判断。用户接收到的是以助手口吻给出的推荐。

这会促使聊天机器人开发者明确其措辞所承诺的内容。“这个页面提到了该产品”是一项有限的说法。“在这里购买”则是在促成行动,需要更强的支持。

品牌还面临另一个问题:正确提及其名称,仍可能附带错误的目的地。因此,可见度本身无法描述购物回答的质量。回答将用户引向何处,与是否出现该品牌同样重要。

对于零售商而言,未经授权的推荐会引发有关客户混淆和责任的问题。消费者可能把糟糕体验与回答中反复出现其名称的品牌联系起来。这是一种合理的商业风险,但并非本研究测量到的损失。

其影响还延伸至工作场所采购。研究设备或商品的员工,可能将未经验证的卖家链接带入采购讨论。一份精心整理的摘要随后可能脱离原始对话单独流传。

在这种情况下,重要记录应包括来源及其验证状态。标明推荐来源的候选清单更容易受到质疑。单纯列出建议商店,会掩盖尚未解决的判断问题。

对于维护 可搜索知识库的团队而言,获批采购来源应与相关研究一并保存。保留链接仍需要审查;保存它并不能证明其运营者的身份。

因此,商业压力具有明确针对性。帮助识别产品的助手,也需要为卖家背书划定边界。品牌需要检查与其名称关联的目的地。买家则需要看到发现与批准之间清晰可见的区别。

引用能够确立来源,但卖家身份需要单独证据

引用可以帮助读者审查回答从何处获取信息。它并不能自动证明被引用企业值得获得他们的钱。

当把购物回答中的各项主张分开看时,这种差异就会变得清晰。某个页面可能支持产品规格、展示商品列表,或说明退货政策。但这些都不能独立证明其获得了制造商授权。

页面存在的证据,弱于证明其运营者正是消费者希望找到的卖家的证据。

这是这个故事的核心反转。让回答看起来可供审查的功能,可以与尚未解决的商业信任问题并存。链接为读者提供了可检视的内容,但检视仍然必须发生。

这种风险在一个假设性的跨境购物请求中尤其明显。用户有理由预期某个品牌运营不同国家的独立商店。一个看似区域性的地址可能符合这一预期,却无法证明所有权。

问题随之变成关系问题:该地址如何与已知品牌相连?来自已确立品牌网站的链接,与地址中匹配的文字所能支持的主张不同。

这也是为什么要求聊天机器人再次确认一家商店是否合法,只能带来有限的安心感。第二次断言只有在引入更好证据时才有用。信心与验证不应变得可以互换。

同样的原则也适用于警告。关于网络诈骗的笼统提醒,并不能解决具体推荐的问题。附着于特定目的地的警告,会告诉消费者哪项行动需要重新考虑。

回答设计应保留这种具体性。如果系统无法验证一家商店,其推荐语言应反映这种不确定性。否则,负担就会悄无声息地转移到寻求选择帮助的人身上。

消费者保护指南早已区分呈现方式与合法性。加拿大网络安全中心的网上购物指南提醒用户,不应仅凭网站外观或挂锁图标作出判断。

这一建议在此很重要,因为信任可能由多个微弱信号累积而成。助手听起来很确定,商店看上去很专业,连接似乎也很安全。合在一起,这些细节可能让人感觉比底层身份凭证更有说服力。

对开发者而言,分析挑战在于评估界面实际传达的主张。检索到相关地址的系统完成的是发现步骤。它仍需具备将该地址描述为合适购买地点的依据。

这并不意味着每项推荐都需要完全相同的处理方式。成熟零售商、独立商店、平台市场和品牌直营店之间的关系各不相同。系统应描述它能够证实的关系。

谨慎的回答仍然可以有用。它可以指出候选卖家,同时说明哪些内容仍未验证。这种方法既保留研究价值,也不会将不确定性包装成已经完成的背书。

聊天机器人比较很有价值,但不能解决 AI 购物安全问题

ChatGPT、Gemini 和 Perplexity 之间的差异值得关注。它们表明,所测试的服务并未产生可互换的结果。它们也促使人们思考,每种比较实际捕捉到了什么。

某个助手可能因为选择不同来源、提供更少商店,或以不同方式处理不确定性,而呈现出更少可疑目的地。仅凭输出比例无法完全区分这些解释。

较低的观察到的接触比例,所支持的结论比“某个聊天机器人是安全的”这一笼统说法更为有限。

警告行为增加了另一个维度。避免某个目的地,与在提及后识别其问题,是两种不同能力。一项有用的评估应同时展示二者,以及最终回答的实用性。

否则,助手可能仅通过拒绝回答购物问题而显得谨慎。这会减少接触风险,却几乎无法提供帮助。购物产品需要在有用的发现能力与有充分依据的推荐之间取得平衡。

该研究的商业来源同样值得审视。Podqi 提供品牌保护服务,因此对其所描述的问题存在商业利益关联。但这一利益关联并不会使相关观察失效。

不过,这使得透明的分类方式尤为重要。独立审阅者需要获得足够证据,才能理解存在争议的个案。疑似售假卖家、无关的转售商以及无法访问的网站,不应被归为难以区分的同一类标签。

审阅者还应关注不确定性是如何处理的。一些零售关系比另一些更容易核实。方法论应为尚未解决的情况留出空间,而不是强行给每个网址都下达笃定结论。

识别问题与证明所提解决方案有效之间,还存在另一条边界。供应商可以记录存在疑点的推荐,但这并不能证明其自身服务能够解决所有根本原因。

同样的标准也适用于聊天机器人提供商。关于安全性改进的声明,需要与购物目的地相关的证据支持。有关回答质量的笼统说法,无法解决这一具体问题。

本文未独立复现实验。因此,研究应始终以归因方式呈现,其分类也应始终被视为研究人员的分类。其发现构成进一步调查的理由,而非夸大确定性的许可。

比较还需要附带时间维度。观察到的结果属于特定的数据收集时期。之后的产品行为需要重新测试,而不能基于熟悉的公司名称作出假设。

因此,对于询问 AI 购物安全性的买家,最有用的回答应当是有条件的。该研究指出,经过测试的服务存在值得谨慎对待的理由。但它并未证明每一项推荐都会失败,也未证明每一个被标记的网址都会造成损害。

有意义的回应应让不确定的卖家身份更容易被识别,也应让存在争议的结果更容易被复现和纠正。这些改变将直接弥合此处暴露出的信任缺口。

现有购物保障措施在 AI 交接环节依然适用

该研究围绕一个既有的消费者问题提出了新的界面问题。助手可以介绍卖家,但购物者仍需要有依据去信任该商家。

美国联邦贸易委员会的卖家核验建议建议消费者调查不熟悉的商家,并参考多个来源的评价。该机构还警告称,评论和评分可能具有误导性。

聊天机器人的推荐应当是卖家核查的起点,而不是最终证据。

这一原则并不要求将每一家不熟悉的商店都视为欺诈。小型零售商和独立企业也可能是合法经营者。关键问题在于,现有证据是否支持这一次具体购买。

一个有用的区分是把不确定性与指控分开。“我无法核实该卖家”是在说明限制;“该卖家存在欺诈行为”则是在指控不当行为,需要更强的证据。

助手在回答后续问题时也应保留这种区分。一个系统若从热情推荐转向缺乏依据的指控,并没有解决核验问题,只是改变了其表达自信的方向。

对购物者而言,从对话转向网站的交接环节值得认真关注。目的地网址应与正在评估的卖家一致。有关一家企业的证据,不应被套用到名称相似的另一家企业上。

FBI 的节日购物指南同样强调,在购买前应核查陌生卖家。其警示涵盖了付款后商品从未送达等问题。

无论通过何种方式发现目的地,这些既有保障措施都依然适用。聊天机器人的推荐不会改变卖家的义务,也不会证明其过往信誉。发现渠道与商家是交易中的不同环节。

对于组织而言,问题不在于禁止使用助手,而在于明确分配责任。产品研究可以使用对话式工具,而卖家批准则应遵循既定采购流程。

负责审核购买的人应能够看到该商店是否已获批准。如果该商店陌生,记录应说明核查了哪些内容。这样形成的是可追责的决策,而非继承而来的假设。

这里也存在产品设计机会。助手可以区分已核验的商家关系与普通网页推荐。但相关表述需要解释这种区分的实际依据。

仅有标签并不够。“已验证”需要明确范围:是已验证所有权、已验证授权关系,还是其他内容?若缺少说明,该标签可能只是增加另一层确定性的印象。

政策问题遵循同样的逻辑。当一个界面混合研究、推荐与商业推广时,责任会更难评估。清晰的边界将帮助用户理解自己被要求信任哪些主张。

因此,ChatGPT 购物风险所涉及的不仅是链接能否打开,还包括购买建议周围的证据与措辞。在用户采取行动前,最终交接环节应让尚未解决的信任问题清晰可见。

接下来该关注什么:核验、重复测试与实际结果

下一步值得关注的进展,将是购物回答和证据质量中可观察到的变化。更有自信的措辞无法解决问题;有更充分证据支持的推荐才能做到。

进展意味着改善目的地、背书,以及可供审查这两者的证据。

首先,关注区分商家发现与已验证关系的产品变化。相关变化包括更清晰的卖家标签、具体警告,以及对实际核查内容的说明。

最强的信号,是将推荐与有关该企业、可供审查的证据相连接。在本来就自信的商店推荐下方附上一条笼统提醒,支持力度会较弱。

这种区分也应体现在纠正行为中。如果用户报告某个目的地不合适,回应应具体处理该网址。重复宽泛的购物建议,无法解决原始推荐的问题。

其次,关注具有透明分类的独立重复测试。可复现的评估应区分无法访问的目的地、疑似冒充、疑似售假以及不确定的情形。

它还应保留理解比较所需的背景。测试体验、数据收集期与推荐措辞都很重要。缺少这些细节时,排名可能显得比其证据所允许的范围更具普遍性。

有价值的复现研究应测试,改进是否能超越一组常见问题而持续有效。它还应考察一个系统是否能在更加谨慎对待卖家身份的同时,继续提供有用帮助。

这比移除所有陌生结果的标准更高。它奖励有充分依据的帮助,而不是沉默。它也为开发者提供更清晰的改进目标。

第三,关注将推荐与实际购物者结果关联起来的证据。点击、尝试购买、投诉和已确认损失回答的是不同问题,应保持为独立衡量指标。

结果证据有助于说明可疑推荐的实际后果,也可能揭示哪些干预最为重要。访问商店前的警告与输入付款信息后的警告,目的并不相同。

相反,已完成损害的证据有限,将限制对其普遍程度的主张。这并不会让错误推荐变得可以接受,而是让对其后果的描述更为准确。

品牌方的回应与聊天机器人的变化同样重要。关于官方商店和授权关系的清晰、易获取信息,能为核验工作提供可供具体审查的依据。

不过,发布这些信息与让助手正确使用它们,是两个不同的里程碑。行业需要看到二者之间关联的证据。宣布存在可靠信息来源,并不能证明其得到了一致使用。

对于读者而言,眼下最重要的结论是为信任划定边界。ChatGPT 购物风险并未抹杀 AI 产品研究的价值。它们说明,为何被推荐的卖家值得接受独立评估。

在下一次由 AI 辅助的购买前,请审视推荐与交易之间的交接环节。回答是否说明了谁在运营该目的地,还是仅仅展示了一家看似合理的商店?如果证据止步于相关性,就应保持购买决定开放。将该网址与可信品牌来源的信息进行比对,查看独立的卖家信息,并保留作出决定的依据。对于工作场所采购,请将这些证据带入审批流程,而不是仅转发一个链接。值得提出的问题很具体:有什么依据值得信任这家企业来处理这笔交易?将自信的回答视为需要审查的主张,然后再决定证据是否足以支撑这项推荐。

 
 

免费开始使用

一款本地优先的AI助手

为了获得更好的人工智能体验,

remio 目前仅支持Windows 10+ (x64)和M-Chip Mac 。

你的 AI 工作伙伴

和 remio 一起高效工作

规划、创作、交付

一站式完成

bottom of page