来源: https://wmyskxz.cn/wiki/whats_ai/14/

怎么跟 AI 协作不翻车？——AI 说的话，你该信几分

这是 「AI是怎么回事」 系列的第 14 篇。我一直很好奇 AI 到底是怎么工作的，于是花了很长时间去拆这个东西——手机为什么换了发型还能认出你，ChatGPT 回答你的那三秒钟里究竟在算什么，AI 为什么能通过律师考试却会一本正经地撒谎。这个系列就是我的探索笔记，发现了很多有意思的东西，想分享给你。觉得不错的话，欢迎分享+关注。

第一次看到这个系列？从第1篇开始最顺畅，直接读这篇也没问题。

上一篇我们搞清楚了一件事：Prompt Engineering 不是玄学，而是给 AI 更精准的上下文，让它的模式匹配更精准。

但掌握了”怎么跟 AI 说话”之后，紧接着一个更重要的问题就来了——AI 说的话，你该信几分？

我见过两种人：

一种把 AI 当神谕——它说什么就信什么，连引用的论文都不查。结果呢？2023 年，纽约律师 Steven Schwartz 提交了一份法律文书，引用了 6 个判例，全部是 AI 编造的。他甚至问了 ChatGPT”这些判例是真的吗？”ChatGPT 说”是的”。法官罚了他 5000 美元。到 2025 年，全球已有超过 100 起类似的法律文书造假事件，涉及 128 名律师。

一种把 AI 当玩具——觉得它不靠谱，从来不用。结果呢？2024 年 Google 的内部实验显示，使用 AI 工具的开发者完成任务速度平均提高了 55.8%；微软、埃森哲等公司对近 5000 名开发者的研究发现，使用 GitHub Copilot 的开发者生产力有显著提升。不用 AI，你在跟一个”每天多出 2 小时”的人竞争。

两种都错了。正确的定位是：AI 是一个能力很强但完全不靠谱的实习生。

能力很强——它读过几乎整个互联网的文本，写代码、翻译、起草文档的速度比你快 10 倍。完全不靠谱——它会一本正经地编造事实，而且编的时候比说真话还自信。MIT 在 2025 年 1 月的一项研究发现，AI 在生成错误信息时，使用”肯定””毫无疑问”等高置信度词汇的概率比生成正确信息时更高。

你不会让一个什么都敢说、说错了毫无愧疚的实习生替你做决策。但你也不会因为实习生偶尔出错，就不让他帮你整理资料。

关键是知道什么时候用他，什么时候盯着他。

这就是这篇文章要给你的——四条有原理支撑的 AI 协作原则。不是”技巧”，而是”原则”。技巧会过时，原则不会——因为它们建立在 AI 的底层原理之上。

原则一：让 AI 做它擅长的事

先回顾一个老朋友

还记得第 11 篇的”三问判断法”吗？

1. 这个任务能转化为模式匹配吗？
2. 训练数据够不够？
3. 你能验证 AI 的输出吗？

这三个问题不只是用来判断 AI 新闻的。它们同样适用于判断——你应该把哪些工作交给 AI。

适合交给 AI 的任务

• 初稿生成 ：写邮件、起草报告、生成文案——AI 训练数据中有海量的此类文本，模式匹配精度很高
• 信息整理 ：从一堆资料中提取要点、做总结、列大纲——这是经典的模式匹配任务
• 代码框架 ：写常见功能的代码、搭建项目结构——代码是 AI 训练数据中最标准化的内容之一
• 翻译和改写 ：语言转换、调整语气、格式转换——语言对是训练数据中最丰富的模式之一
• 探索可能性 ：头脑风暴、列出方案选项——AI 能快速遍历它见过的所有相关模式

不适合交给 AI 的任务

• 事实核查 ：确认一个数据是否准确、一个引用是否存在——AI 不区分真假（第 7 篇、第 9 篇）
• 关键决策 ：医疗诊断、法律判断、重大投资——这些需要因果推理和责任承担
• 价值观判断 ：伦理问题、人际关系建议、涉及个人价值取向的选择——AI 没有价值观，只有统计模式

底层原因：为什么是这样？

回到第一章的核心结论：AI 是超级模式匹配器。

适合 AI 的任务，共同特征是什么？它们都可以被转化为”在已有数据中找到类似模式然后输出”。初稿生成是匹配”什么样的文字在这个语境中最常出现”；代码框架是匹配”什么样的代码结构最常被用于这类功能”；翻译是匹配”这个词在目标语言中最常对应的是什么”。

不适合 AI 的任务，共同特征又是什么？它们需要的不是”找到类似的模式”，而是”理解这个具体情境的独特性”。医生判断一个症状是心脏病还是焦虑发作，不能只靠”这个症状组合在训练数据中最常对应什么疾病”——他需要理解这个病人的具体病史、生活方式、检查结果之间的因果关系。

模式匹配型任务 = AI 强项。理解型任务 = AI 弱项。

这不是 AI”还不够好”的问题——这是当前架构的根本特征。还记得第 12 篇的 AI 认知三角吗？只要 AI 的底层仍然是统计模式匹配，这个区分就永远成立。

原则二：验证 > 信任

AI 幻觉：一个比你想象的更严重的问题

我知道你可能想：”AI 不是在变好吗？幻觉问题不是在解决吗？”

确实在变好。2024 年，顶尖模型在标准化测试中的幻觉率降到了大约 1.2%。到 2025 年，Google 的 Gemini-2.0-Flash-001 把这个数字压到了约 0.7%。

听起来很低对吧？但这里有几个关键的”但是”。

但是一：这些数字是在标准化测试上测出来的。 换到专业领域，数字就完全不一样了。斯坦福大学 2025 年发表在《实证法律研究期刊》上的研究发现，即使是专门的法律 AI 工具（包括 LexisNexis 和 Westlaw），幻觉率也高达 17% 到 33%。医疗领域，最好的模型仍然会在 1.5% 到 20% 的病例中产生临床相关的幻觉。

但是二：新一代”推理模型”反而可能更容易幻觉。 OpenAI 的 o3 模型在涉及人物的问题上幻觉率高达 33%，是前代模型 o1 的两倍。更强的推理能力，反而带来了更高的编造风险——因为模型在”推理”的过程中，会生成更多中间步骤，每个步骤都是一次可能出错的”预测下一个词”。

但是三：0.7% 看着小，但乘以使用量就不小了。 如果你每天跟 AI 对话 100 轮，0.7% 意味着每天大约有 1 次输出包含虚假信息。一周就是 5-7 次。而且你很难发现——因为这些虚假信息被包裹在 99.3% 的正确信息里，而且 AI 说错话时比说对话时更加自信。

真实后果：不只是”出个小错”

AI 幻觉不是学术概念，它已经造成了真实的后果。

法律领域： 除了开头提到的 Schwartz 案，2024 年马萨诸塞州又一位律师因为提交 AI 生成的虚假判例被法院制裁。2025 年，加州一位律师因为提交的上诉状中 23 个引用有 21 个是假的，被罚了历史性的高额罚款——他承认自己根本没读 AI 生成的文本就直接提交了。

医疗领域： 2024 年，一位 63 岁男性因为依赖 ChatGPT 的诊断建议，延误了短暂性脑缺血发作（TIA）的诊断——这是一种中风的前兆。2025 年，英国 NHS 的 AI 工具为一位患扁桃体炎的患者生成了一整套虚假的医疗记录，声称他有冠心病和 2 型糖尿病，并为他安排了糖尿病眼科筛查——他根本没有这些疾病。

学术领域： GPTZero 的分析发现，NeurIPS 2025（全球顶级 AI 学术会议）收录的论文中，至少 50 篇包含 AI 生成的虚假引用，涉及数百条不存在的参考文献——这些论文都通过了同行评审。

底层原因：为什么 AI 会”说谎”？

这个问题我们在第 7 篇和第 9 篇已经从原理上解释过了，但值得再强调一次，因为它是这条原则的根基。

语言模型的优化目标是”预测下一个最可能的词”——不是”预测下一个最准确的词”。当你问 AI 一个问题时，它做的不是”回忆事实”，而是”续写文字”。续写的依据是统计概率：在训练数据中，这个上下文之后最常出现什么词？

关键在于：「统计上最可能出现的词」和「事实上正确的词」，经常是同一个——但不总是。 当它们不一致时，AI 会毫不犹豫地选择统计概率更高的那个，即使它是错的。

而且 AI 被训练成”永远给答案”而不是”不知道就说不知道”。这就是为什么 RLHF（第 9 篇讲的”人类反馈训练”）让 AI 变得更礼貌了，但没有消除幻觉——礼貌和准确是两回事。

所以怎么办？

一句话：把 AI 的每一个输出都当成”初稿”而不是”定稿”。

具体来说：

• 关键数据 ：AI 给你一个数字，去原始来源核实
• 引用来源 ：AI 给你一个论文标题或链接，打开看看它存不存在
• 代码逻辑 ：AI 写的代码能跑不代表逻辑正确，要审查核心逻辑
• 专业建议 ：AI 的法律、医疗、财务建议只能作为参考起点，不能直接采纳

不是所有内容都需要同等程度的验证。按风险等级分类 ——一封内部非正式邮件的措辞出了小问题，后果很小；一份提交给法院的文书出了错，后果巨大。把精力集中在高风险内容上。

2024 年的一项企业调查显示，77% 的企业对 AI 幻觉表示担忧。知识工作者平均每周花数小时核查 AI 输出——这个时间是值得花的。

验证不是对 AI 的不信任，而是对这种协作方式的正确理解。 你不会不审稿就发表一篇论文，不会不复核就提交一份财报——AI 的输出也一样。

原则三：迭代，而非一次到位

AI 的第一次回答通常不是最好的

很多人用 AI 的方式是这样的：问一个问题 → 拿到回答 → 用或不用。

这就像你给实习生布置了一个任务，他交了第一版，你看都不看就直接用了——或者看了一眼觉得不行就扔了。

两种都浪费了。正确的方式是：看了第一版，告诉他哪里好哪里不好，让他改。

AI 非常擅长根据反馈修改。不是因为它”理解”了你的反馈——而是因为你的反馈给了它更精准的上下文。

底层原因：为什么迭代有效？

回到第 13 篇的核心结论：Prompt = 给 AI 更精准的上下文，让模式匹配更精准。

AI 第一次回答你的时候，它只有你最初给的那些上下文。当你说”这个部分太笼统了，我需要更具体的数据”，这句反馈本身就成了新的上下文。AI 在生成第二版时，不是在”修改”第一版——它是在一个更丰富的上下文中重新做模式匹配。

每一轮反馈，都在缩小 AI 的”搜索范围”。第一轮，AI 在整个可能性空间里匹配；你说”要更专业”，可能性空间缩小了；你说”参考某某风格”，又缩小了一圈；你说”第三段逻辑不通，应该先讲原因再讲结果”，再缩小。

这就像调收音机的频率——每一次微调都让信号更清晰。 不是收音机变聪明了，是你帮它对准了频道。

让你直观看到差距

光说”迭代有效”太抽象了。让我用一个真实场景演示——假设你要给一款产品写发布公告。

第一轮：你随手给了一句指令。

你：”帮我写一段产品发布公告。”

AI 的输出：

“我们很高兴地宣布，我们的全新产品正式发布！这款产品集成了最先进的技术，旨在为用户提供更高效、更便捷的体验。我们的团队经过数月的努力，终于将这一创新成果呈现给大家……”

——标准的”万能模板”。换个产品名字就能用在任何产品上。这不是 AI 的错，是你给的上下文太少了——它只能从”产品发布公告”这个模式里匹配出最”平均”的结果。

你给了第一轮反馈：

“太笼统了。我们的产品是一个面向小团队的项目管理工具，叫 TaskFlow，主打功能是 AI 自动分配任务，目标用户是 5-20 人的创业团队。”

第二轮输出：

“TaskFlow 正式上线了！如果你的团队每天都在为’谁来做这个任务’纠结，TaskFlow 可以帮你解决这个问题。我们的 AI 引擎会根据每位成员的技能、工作量和优先级，自动分配任务。专为 5-20 人的创业团队设计……”

——好多了。有产品名、有具体功能、有目标用户。但还不够好——语气太正式了，而且没有打动人的点。

你给了第二轮反馈：

“方向对了，但开头太正式。我们的品牌调性比较轻松。而且要突出一个关键数据：内测团队平均每周节省了 3 小时的开会时间。”

第三轮输出：

“你上一次开会讨论’这个任务谁来做’是什么时候？如果你在一个 5-20 人的小团队里，答案大概是——今天。TaskFlow 的 AI 引擎干的就是这件事：看你团队每个人手上有什么、擅长什么，然后自动把任务分好。内测团队的反馈是——每周少开了 3 小时的会。省下来的时间干嘛？随你。”

三轮下来，从”万能模板”变成了一段有产品特色、有数据支撑、有品牌调性的文案。

AI 变聪明了吗？没有。 它做的事情从头到尾都一样——预测下一个最可能的词。变的是你给它的上下文：从”产品发布公告”这 6 个字，变成了包含产品名、功能、用户画像、品牌调性、关键数据的丰富语境。

更多上下文 = 更窄的概率分布 = 更精准的输出。 第 13 篇的公式，在这里直接兑现了。

推荐的迭代工作流

第一轮： 给 AI 清晰的需求 → 拿到初稿
第二轮： 审查初稿，给出具体反馈 → 拿到改进版
第三轮： 微调细节，确认事实 → 拿到接近终稿的版本
最后： 你做最终润色和判断 → 定稿

通常，经过 2-3 轮迭代，AI 的输出质量会有质的提升。但注意——每一轮的”审查”和”判断”必须是你做的。 AI 不知道什么是”好”，你知道。你的判断力是整个流程的核心。

一个常见的误区

“但我不想花时间迭代，我想 AI 一次就给我完美的结果。”

理解这个想法。但想一想：你有没有遇到过一个人，你跟他说了一句话，他就完美地理解了你所有的需求、偏好、标准，一次就给出了完美的成果？

人做不到的事，AI 更做不到。AI 能做到的是：迭代的速度极快。 人需要几个小时修改一版，AI 只需要几秒钟。所以”迭代三轮”的总时间，可能比你自己从零开始写还要短得多。

你花在迭代上的时间，不是 AI 浪费的——是你节省的。

原则四：用 AI 放大你的优势，而非替代你的思考

一个类比

1970 年代，电子计算器开始普及。你猜当时的人怎么说的？

“计算器会让人忘记怎么算数！””以后没人会做数学了！””依赖计算器是智力退化！”

五十年过去了，计算器替代了”计算”这个动作——但数学思维不仅没有消失，反而因为计算负担的减轻而发展得更快了。数学家不再需要花大量时间做繁琐的运算，他们可以把精力放在更重要的事情上：提出问题、构建理论、验证猜想。

AI 和计算器是同一个故事的新版本。

AI 替代的是”执行”——生成文字、写代码、翻译文档、整理数据。AI 不能替代的是”思考”——定义问题、判断质量、做决策、承担责任。

你负责什么，AI 负责什么？

底层原因：为什么不能让 AI 替代思考？

这又要回到 AI 的本质。

AI 是模式匹配器——它从训练数据中找到统计模式，然后输出最可能的结果。但”最可能的结果”和”最好的结果”不是一回事。

“最好的结果”取决于你的具体情境——你的目标、你的约束、你的偏好、你的价值观。这些东西不在 AI 的训练数据里，也不可能在。只有你知道。

这就是为什么 AI 可以帮你列出 10 个方案，但不能帮你选出最适合你的那个。它可以帮你写出一封措辞完美的邮件，但不能判断这封邮件现在该不该发。它可以帮你整理出所有的法律条文，但不能替你决定要不要打这场官司。

AI 最大的价值不是”替你做事”，而是”加速你做事”。 它释放的是你的执行负担，让你把时间和精力用在真正需要人类判断力的地方。

一个值得警惕的趋势：自动化偏见

心理学上有一个概念叫”自动化偏见”（automation bias）——人类天然倾向于过度信任自动化系统的输出，即使这个输出是错的。

2025 年 Springer 发表的一项系统综述分析了 35 项相关研究，发现了一个令人警醒的结论：当 AI 给出错误建议时，低经验用户的准确率从 78.3% 暴跌到 21.4%——也就是说，面对 AI 的错误建议，近 80% 的新手会跟着错。即使是高经验者，准确率也从 82.3% 下降到了 45.5%。

更反直觉的是：可解释 AI（XAI）有时反而会加剧自动化偏见，而非减轻它。有时候，AI 提供的解释反而增强了用户对错误建议的信任——因为”它不仅给了答案，还解释了原因”，让人觉得更可信了。

乔治城大学安全与新兴技术中心（CSET）在 2024 年 11 月的政策报告中指出：「自动化偏见是 AI 安全中一个被严重低估的风险。随着 AI 系统变得越来越’像人’，用户越来越难以保持必要的怀疑态度。」

对策只有一个：保持你的判断力”在线”。 不要因为 AI 说了一个听起来合理的答案，就关闭你的批判性思维。AI 越自信，你越要多想一秒。

一个完整案例：用 AI 写一份项目提案

说了四条原则，让我们看看它们在实际工作中是怎么协同运作的。假设你需要写一份项目提案，向公司申请预算做一个新产品。

第一步：你定义需求（原则四）

不要直接跟 AI 说”帮我写一份项目提案”。先想清楚：

• 这份提案要说服谁？（老板？投资人？技术团队？）
• 核心论点是什么？（市场机会？技术可行性？成本效益？）
• 对方最关心什么？（ROI？风险？时间线？）
• 有什么约束条件？（预算上限？人力限制？时间节点？）

这些是 AI 无法替你想的。 这些决定了提案的方向——方向错了，AI 写得再好也没用。

第二步：让 AI 生成初稿（原则一）

现在，把你想好的需求变成一个详细的 Prompt（用上第 13 篇学到的技巧）：

“我需要写一份项目提案，向 CTO 申请 50 万预算开发一个内部数据分析平台。CTO 最关心技术可行性和 ROI。请用以下结构生成初稿：1）问题现状，2）解决方案，3）技术架构（高层级），4）预算分解，5）预期收益，6）时间线。语气专业但不死板，控制在 2000 字以内。”

这是一个模式匹配任务——AI 训练数据中有大量的项目提案模板和商业文档。它能生成一个结构完整、格式专业的初稿。

第三步：你审查并反馈（原则二 + 原则三）

AI 给了你初稿。现在你要做的不是直接用，而是审查：

• 事实性检查 ：AI 提到的市场数据准确吗？技术方案可行吗？预算估算合理吗？——如果 AI 给了具体数字，去核实。
• 逻辑检查 ：论证链条通顺吗？有没有跳步？CTO 可能会问什么问题，提案里有没有回答？
• 适配性检查 ：语气适合你们公司的文化吗？有没有你们行业的特殊考量？

然后把你的反馈告诉 AI：”第一部分的问题描述太泛了，我们目前的痛点是分析师每周花 20 小时手动整理数据，请围绕这个具体痛点重写。第四部分的预算分解需要更详细，按人力成本、基础设施成本、第三方工具成本分开列。”

第四步：迭代优化（原则三）

AI 根据你的反馈生成了第二版。你再看：好多了，但第五部分的 ROI 计算需要更保守的假设（你比 AI 更了解你们公司的实际情况）。反馈给 AI，再改一版。

通常 2-3 轮之后，你就有了一份质量很高的提案——但最终润色是你做的。 你加上只有你知道的内部信息，调整只有你能判断的措辞分寸，删掉 AI 不知道的敏感内容。

这个过程中，四条原则分别在哪起作用？

读者可能会问的两个问题

“AI 以后会不会变得可以完全信任？”

短期内不会。原因我们在第 12 篇详细讨论过——当前 AI 架构有根本性的局限。这里补充两个最新的研究结论：

第一，2025 年的研究提供了数学层面的证明：**大语言模型的幻觉是其架构的固有特性，而非可以通过更多训练消除的缺陷**。大语言模型无法学习所有可能的可计算函数——这意味着不管训练多少数据、参数多大，完美准确都是数学上不可能的。

第二，业界的预测是，按照目前每年约 3 个百分点的幻觉率下降速度，AI 可能在未来几年将幻觉率降至接近零——但这依赖于持续的研究突破，而且”接近零”不等于”零”。就像杀毒软件的病毒检测率可以接近 100% 但永远到不了 100% 一样。

所以：AI 会继续变好，但”验证 > 信任”这条原则在可预见的未来不会过时。 等到有一天 AI 真的可以完全信任了——你会知道的，因为那将是一个改变人类历史的技术突破，不可能悄无声息地发生。

“我怎么知道 AI 的输出哪里对哪里错？”

这是一个非常实际的问题。几个方法：

方法一：按风险等级分类。 不是所有内容都需要同等程度的验证。一封内部非正式邮件的措辞出了小问题，后果很小；一份提交给法院的文书出了错，后果巨大。把你的精力集中在高风险内容上。

方法二：关注 AI 最容易出错的地方。 根据研究数据，AI 最容易出错的是：具体的数字和日期、人名和机构名、论文引用和链接、因果关系的论证、罕见话题的专业细节。这些是你核查的重点。

方法三：交叉验证。 关键信息不要只靠 AI 一个来源。用搜索引擎查一下，看看官方文档怎么说，问问领域专家的意见。

方法四：注意 AI 的”自信程度”。 记住 MIT 的发现——AI 越自信的时候，越可能在编。当 AI 用特别笃定的语气说一件你没听说过的事，那恰恰是你最应该去核实的时候。

个人锚点

写第 7 篇的时候，我让 AI 帮我查 Steven Schwartz 案件的细节——法官姓名、罚款金额、时间线、涉及哪些虚假案例。AI 给了我一整套看起来无懈可击的信息：法官 Kevin Castel，罚款 5000 美元，2023 年 6 月 22 日判决，并列出了几个”被捏造的案例名称”。

法官名字是对的。罚款金额是对的。日期是对的。但 AI 列出的那些”被捏造的案例名称”——有几个本身就是它现编的，根本不在法庭文件记录里。

你品品这个讽刺：我让 AI 告诉我”AI 编造了哪些假案例”，结果它在回答里又编造了新的假案例。

如果我没去核实，这个错误就会出现在你正在读的文章里。而且你大概率不会发现——因为它的格式、语气、自信程度，和正确的信息毫无区别。

这就是原则二存在的原因。不是因为 AI 经常出错——而是因为它出错的时候，你分不出来。

那一刻让我意识到一件事：AI 协作的本质，不是”学会信任 AI”，也不是”学会怀疑 AI”——而是学会在信任和怀疑之间找到那条精确的线。 四条原则就是那条线。

如果你也试过这样和 AI 协作，你可能会发现：因为 AI 接管了那些重复性的执行工作，你反而有了更多时间去做真正需要人类判断力的事。

这大概就是人机协作的正确姿势——不是 AI 替代你，也不是你忽视 AI，而是你们各自做自己最擅长的事。

一句话回顾

用好 AI 的关键不是掌握多少技巧，而是理解它的本质——知道什么时候信它，什么时候不信它。 四条原则：让 AI 做模式匹配的活，永远验证事实性输出，通过迭代提升质量，保持你的判断力在线。

下一篇预告

四条原则里有一条说”让 AI 做擅长的事”——写代码就是 AI 最擅长的事之一。

但这里面有一个令人兴奋又令人警醒的发现：AI 让写代码的速度快了 55%——但逻辑错误也多了 75%。

下一篇，我们来看看 AI 编程到底有多厉害，又到底有什么坑。

参考资料

1. Legal Dive. (2023). Lawyer cites fake cases generated by ChatGPT in legal brief. https://www.legaldive.com/news/chatgpt-fake-legal-cases-generative-ai-hallucinations/651557/
2. Cronkite News. (2025). As more lawyers fall for AI hallucinations, ChatGPT says: Check my work. https://cronkitenews.azpbs.org/2025/10/28/lawyers-ai-hallucinations-chatgpt/
3. Addyo’s Substack. (2024). The reality of AI-Assisted software engineering productivity. https://addyo.substack.com/p/the-reality-of-ai-assisted-software
4. Second Talent. (2025). AI Coding Assistant Statistics & Trends. https://www.secondtalent.com/resources/ai-coding-assistant-statistics/
5. Manwani, N. (2025). AI Hallucinations: The Hidden Truth Behind Large Language Models’ Confident Mistakes. Medium. https://medium.com/@naveenmanwani/ai-hallucinations-the-hidden-truth-behind-large-language-models-confident-mistakes-2025-d5e372d49cb
6. Visual Capitalist. (2025). Ranked: AI Hallucination Rates by Model. https://www.visualcapitalist.com/sp/ter02-ranked-ai-hallucination-rates-by-model/
7. About Chromebooks. (2025). AI Hallucination Rates Across Different Models In 2025. https://www.aboutchromebooks.com/ai-hallucination-rates-across-different-models/
8. Magesh, V., et al. (2025). Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools. Journal of Empirical Legal Studies. https://dho.stanford.edu/wp-content/uploads/Legal_RAG_Hallucinations.pdf
9. All About AI. (2026). AI Hallucination Report: Which AI Hallucinates the Most? https://www.allaboutai.com/resources/ai-statistics/ai-hallucinations/
10. MSBA. (2024). Massachusetts Lawyer Sanctioned for AI-Generated Fictitious Case Citations. https://www.msba.org/site/site/content/News-and-Publications/News/General-News/Massachusetts_Lawyer-Sanctioned_for_AI_Generated-Fictitious_Cases.aspx
11. Cal Matters. (2025). California issues historic fine over lawyer’s ChatGPT fabrications. https://calmatters.org/economy/technology/2025/09/chatgpt-lawyer-fine-ai-regulation/
12. Koo, J., et al. (2024). Delayed diagnosis of a transient ischemic attack caused by ChatGPT. Wiener klinische Wochenschrift. https://pmc.ncbi.nlm.nih.gov/articles/PMC11006786/
13. Fortune. (2025). UK health service AI tool generated a set of false diagnoses for a patient. https://fortune.com/2025/07/20/uk-health-service-ai-tool-false-diagnoses-patient-screening-nhs-anima-health-annie/
14. OpenAI. (2025). Why Language Models Hallucinate. arXiv. https://arxiv.org/html/2509.04664v1
15. Rev. (2024). Study: Heavy AI Users See 3x More Hallucinations. https://www.rev.com/blog/ai-results
16. Springer / AI & Society. (2025). Exploring automation bias in human-AI collaboration: a review and implications for explainable AI. https://link.springer.com/article/10.1007/s00146-025-02422-7
17. Georgetown CSET. (2024). AI Safety and Automation Bias. https://cset.georgetown.edu/publication/ai-safety-and-automation-bias/
18. MIT Sloan. (2025). When humans and AI work best together — and when each is better alone. https://mitsloan.mit.edu/ideas-made-to-matter/when-humans-and-ai-work-best-together-and-when-each-better-alone