Nu orice afirmație AI necesită o citare — dar fiecare afirmație necesită o bază

De ce „fără citare” a încetat să mai fie un test suficient de bun

Problema încrederii nu este abstractă. Este măsurabilă și se înrăutățește în moduri specifice, documentate.

Un studiu din 2025 privind referințele generate de AI a constatat că 19,9% erau complet fabricate, iar alte 45,4% aveau erori bibliografice grave — ceea ce înseamnă că aproape două treimi dintre citările produse de un AI în acel studiu erau fie inventate, fie defecte într-un mod substanțial. Separat, monitorizarea citărilor fabricate în cercetările publicate arată o creștere de aproximativ 12 ori între 2023 și 2025, cu peste 4.000 de articole biomedicale care citau cercetări inexistente.

Sistemul juridic absoarbe deja costul acestui fenomen. În anul până în februarie 2026, 66 de cazuri legale din SUA au fost sancționate specific pentru erori generate de AI, iar până în iunie 2026, această cifră a crescut la 1.598 de proceduri judiciare la nivel mondial care implicau conținut AI cu citări fabricate — cu peste 145.000 de dolari în penalități pentru depuneri AI în tribunalele americane numai în primul trimestru al anului 2026.

Niciunul dintre aceste motive nu este un motiv pentru a nu avea încredere totală în AI. Este un motiv pentru a înceta să folosim „are citări” ca test complet, deoarece acel test este prea ușor de trecut fără a fi de fapt adevărat și — la fel de important — prea ușor de eșuat în timp ce este de fapt corect.

Există o complicație reală și pe cealaltă parte a acestei monede, care merită menționată sincer, mai degrabă decât trecută cu vederea: un studiu Yale a constatat că persoanele care au folosit chatbot-uri AI pentru a verifica știrile au înregistrat o scădere de 15 puncte în propria lor capacitate neasistată de a detecta dezinformarea după doar patru săptămâni. Externalizarea verificării nu este gratuită. Vă poate face mai slab în a o face singur. Acesta este un motiv autentic pentru a dori un sistem care își arată munca, mai degrabă decât unul care vă oferă pur și simplu un răspuns cu aspect curat.

Pe ce se poate baza de fapt o afirmație

Dacă o citare singură nu este testul potrivit, întrebarea mai utilă este: ce tip de dovadă a produs această afirmație? În practică, există șase răspunsuri reale, distincte.

1. Cercetare externă

O afirmație bazată pe o căutare live sau o interogare în surse reale, curente — genul de dovezi la care v-ați aștepta să indice o citare și unde o lipsă a acesteia este un semnal roșu autentic.

2. Informații furnizate de utilizator

O afirmație construită din ceva ce ați spus direct sistemului — faptele propriului brand, cunoștințele proprii despre piață, o corecție pe care ați furnizat-o. Aceasta nu necesită o citare externă. Citarea sunteți dumneavoastră.

3. Dovezi transferate dintr-un pas anterior

Într-o lucrare de cercetare multistratificată, o etapă ulterioară se poate baza corect pe dovezi deja stabilite și verificate într-o etapă anterioară, mai degrabă decât să o cerceteze din nou de la zero. Citarea se află în amonte, nu pe fiecare propoziție ulterioară care o utilizează.

4. Inferență analitică, clar etichetată ca inferență

Uneori, răspunsul sincer este „pe baza dovezilor adunate, aceasta este cea mai rezonabilă interpretare” — nu un fapt descoperit, ci o judecată. Acest lucru este legitim, cu condiția să fie etichetat ca inferență și să nu fie prezentat ca o citare.

5. Calcul determinist

Unele afirmații sunt doar aritmetică. Dacă intrările sunt corecte, un calcul fix, reproductibil nu are nevoie de o citare mai mult decât o formulă de foaie de calcul — „dovada” este faptul că aceleași intrări produc întotdeauna același rezultat.

6. Corecție umană, aplicată ulterior

Acesta este aspectul pe care majoritatea materialelor despre încrederea în AI îl omit în totalitate: atunci când o persoană cu cunoștințe reale, de primă mână, corectează o afirmație generată de AI, acea corecție este ea însăși o formă de dovadă — probabil cea mai puternică disponibilă, deoarece provine de la cineva care a fost efectiv acolo. Considerăm aceasta o a șasea categorie reală în sine, nu doar o etapă de control al calității adăugată celorlalte cinci. Aceasta este o sinteză autentică din partea noastră, nu un termen consacrat în industrie — merită spus clar, mai degrabă decât a o prezenta ca fiind mai mult decât este.

Șase răspunsuri reale. Un singur test — „există o citare” — nu ar fi putut niciodată să le acopere pe toate șase.

Distincția pe care aproape nimeni nu o face: o lacună versus un artefact

Iată un unghi cu adevărat neexplorat, și care contează mai mult decât pare.

Atunci când un sistem AI semnalează ceva ca fiind incert, acel semnal poate însemna unul din două lucruri foarte diferite:

O lacună probatorie autentică — subiectul nu a putut fi verificat efectiv. Nimeni nu a publicat numărul. Informația nu este publică. Incertitudinea este reală și se referă la lume.

Un artefact lingvistic — constatarea subiacentă este în regulă, dar a fost semnalată ca negativă sau incertă pur și simplu din cauza modului în care a fost formulată, nu din cauza a ceea ce spune de fapt. Incertitudinea se referă la propoziție, nu la subiect.

Acestea arată identic pe pagină. Ambele apar ca un steag galben lângă o afirmație. Dar ele necesită răspunsuri complet diferite. O lacună reală necesită mai multă cercetare. Un artefact lingvistic necesită o formulare mai bună — iar tratarea acestuia ca o lacună de cercetare irosește timp în căutarea de dovezi pentru ceva ce nu a fost niciodată de fapt în dubiu.

Această distincție apare cu greu în acoperirea existentă a încrederii în AI și a halucinațiilor. Majoritatea se oprește la „AI poate greși, verificați afirmațiile importante” — adevărat, dar nu acționabil. Cunoașterea tipului de semnal la care vă uitați este ceea ce vă spune de fapt ce să faceți mai departe.

De ce întrebările mai specifice le depășesc pe cele mai generale

Există un al doilea tipar care merită menționat, și care merge în direcția opusă față de ceea ce majoritatea oamenilor presupun că ar trebui să arate o cercetare AI „mai amănunțită”.

Instinctul este să pui o întrebare amplă, deschisă și să te aștepți la un răspuns cuprinzător. În practică, opusul tinde să funcționeze mai bine: împărțirea unei întrebări generale în mai multe întrebări înguste, specifice, delimitate — și adresarea lor separată — produce dovezi mai ușor de verificat, mai ușor de încredințat și adesea mai direct utile decât un răspuns amplu care încearcă să acopere totul deodată.

Parțial, de ce: o întrebare specifică oferă sistemului mai puțin spațiu pentru a amesteca lucruri care ar trebui să rămână separate. De asemenea, vă oferă dumneavoastră, cititorului, o afirmație mult mai ușor de verificat — un răspuns specific la o întrebare specifică este ceva ce puteți verifica împotriva unei surse specifice. Un singur paragraf care încearcă să răspundă la cinci lucruri deodată, de obicei, nu poate fi verificat împotriva a nimic în particular.

Mai puțin, dar țintit mai precis, tinde să fie mai bun.

Cum arată de fapt acest lucru în cercetarea de piață reală

Nu am luat nimic din acestea pe încredere. Am efectuat cercetări reale despre cum descriu oamenii în prezent frustrarea lor cu instrumentele AI care fac afirmații despre dovezi și încredere — limbajul recurent la care apelează oamenii de fapt, nu o ipoteză despre acesta.

Trei fraze au apărut suficient de des, independent, pentru a merita repetate aici, fără a le atașa de un produs sau o companie specifică, deoarece modelul este punctul esențial, nu un anumit furnizor:

• O rată resimțită de „5% balast” — sentimentul că chiar și un instrument AI în mare parte fiabil are o proporție mică, dar reală, de ieșiri greșite încorporate, și că această proporție rareori scade la zero, oricât de bun ar deveni instrumentul.
• „Iluzia de transparență” — unde un instrument arată vizibil raționamentul său sau sursele, ceea ce pare de încredere, fără ca acel strat vizibil să fie de fapt verificabil sau corect.
• „Povera validării” — costul tăcut, real, că munca asistată de AI nu elimină necesitatea de a verifica lucrurile, ci doar mută verificarea asupra omului, mai târziu, adesea fără avertisment că este încă necesară.

Același cercetare a scos la iveală și ceea ce oamenii doresc de fapt în schimb, în mod independent și repetat, fără a fi îndrumați către un anumit răspuns: o capacitate de citare consecventă, verificabilă; o explicație vizibilă a modului în care AI-ul a ajuns la concluzia sa, mai degrabă decât doar concluzia în sine; și un verdict sintetizat, acționabil, în loc de o prezentare nefiltrată a tot ceea ce a găsit sistemul.

Nu ne revendicăm meritul pentru identificarea acestei cereri — cercetarea a descoperit-o singură. Ceea ce am sublinia este că se aliniază strâns cu modul în care ne-am construit propriul produs: un strat de onestitate care arată ipotezele, lacunele și contradicțiile, în loc să le ascundă; o modalitate de a corecta și de a reexecuta o analiză cu un context real, mai degrabă decât de a o lua de la capăt; și un singur verdict sintetizat în avans, cu întregul traseu al dovezilor disponibil dedesubt pentru oricine dorește să verifice modul nostru de lucru.

O listă de verificare pentru următoarea afirmație AI pe care o primiți

Data viitoare când un sistem AI — al nostru sau al oricui altcuiva — vă prezintă o afirmație pe care sunteți pe cale să acționați, cinci întrebări vă duc mai departe decât „există o citare”:

1. Ce tip este aceasta? Cercetare externă, propriile dumneavoastră date, dovezi transferate, inferență etichetată, un calcul sau o corecție umană — acestea necesită niveluri diferite de încredere.
2. Dacă este o citare, sursa spune de fapt acest lucru? O citare existentă și o citare care susține afirmația specifică nu sunt aceeași verificare.
3. Dacă este semnalată ca incertă, este o lacună sau un artefact? Întrebați ce anume este neverificat — subiectul sau doar propoziția.
4. O versiune mai restrânsă a acestei întrebări v-ar oferi un răspuns mai verificabil? Dacă afirmația este amplă, luați în considerare dacă împărțirea acesteia ar ajuta.
5. A analizat cineva cu cunoștințe de primă mână acest lucru? O corecție umană, acolo unde este disponibilă, este adesea cel mai puternic tip de dovadă din listă — utilizați-o.

Niciunul dintre acestea nu necesită să nu aveți încredere totală în AI. Necesită să tratați „citat” și „adevărat” ca două întrebări diferite, deoarece ele sunt.