AI 尽调频频翻车？鲸海数据把企业信息库"搬进"大模型

用 AI 查企业，正在从新鲜事变成日常工作流，但"翻车"也来得比想象中快，主要有三类典型错误：查错、查旧、查混。

面对这三类翻车，行业给出的解法方向已经趋于一致：不让模型"记住"企业数据，而是让它在需要时实时查企业数据。这条路径的关键载体是 MCP（模型上下文协议）。如今，包括鲸海数据在内的企业数据服务商，已把各自的数据库封装成 MCP 服务，让 AI Agent 在对话中直接调用企业数据工具。

一、AI 翻车现场：假判例、旧政策、认错公司

① 用AI 拼出假判例。 北京通州法院审理的一起股权代持纠纷中，原告律师提交的两个"参考案例"与案情高度契合、完美支持诉请。但经办法官核查发现，所引案号对应的其实是一起毫不相干的民间借贷案，案例系律师反复向 AI 大模型提问"生成"。这起案件已入选人民法院案例库 [1]。更早的 2023 年，美国"马塔诉阿维安卡案"中，ChatGPT 凭空虚构 6 份完整判例，律师未核实便提交法庭，被罚 5000 美元 [8]；此后英美法院对同类行为的处罚持续加码，最重者被禁出庭两年 [7]。

② 用AI资料写券商研报。 2026 年 6 月，方正证券一份署名分析师的地产行业周报，把 2024 年 6 月国常会的房地产政策原文，标注成"2026 年 6 月 7 日最新部署"——内容一字不差，时间错了整整两年，且当天根本没有召开国常会。业内人士判断，这是 AI 幻觉叠加人工核验缺位的典型样本 [2]。

③ AI 认错公司。 深圳一家机构以自身为样本，在 DeepSeek、豆包、腾讯元宝三平台实测：只用简称提问时，实体混淆率达 66.67%，AI 把它匹配到了名称相近的其他主体 [3]。伦敦一项覆盖 165 家企业、1.3 万余次提问的测试更系统：93% 的企业至少有一条关键信息被主流 AI 平台答错或漏答，中小企业被捏造信息的比率约是大公司的两倍 [4]。

二、查错、查旧、查混，病根只有一个

把三起案例摊开看，错误各有各的成因，指向的是同一个结构性问题。

查错。"有限公司"与"有限责任公司"、全称与简称、同名不同地的市场主体，对人来说是一眼的事，对模型来说却是模糊匹配，匹配错了，后面所有的数据都跟着错。

查旧。模型的知识停留在训练截止日，而企业信息每天都在变。今天新增的股东、上周立案的诉讼、本月移出的经营异常，模型一概不知。方正证券研报的"两年穿越"，正是这个机制被放大后的样子。

查混。企业相关数据分散在工商、司法、知识产权、招投标等各自独立的渠道里，格式不一、口径不一。即便让模型去读网页、读裁判文书，面对海量非结构化文本，它也容易漏读、误读、张冠李戴。

更麻烦的是语料污染。有记者实测，在某 AI 平台查询"某企业 A 是否投资过企业 B"，系统言之凿凿地回答参与了 2023 年首轮融资，经国家企业信用信息公示系统核实，该投资关系并不存在 [5]。

问题不在模型能力，而在数据供给方式。大模型本身无法主动查询实时企业数据。它要么坦承不知道，要么基于滞后的训练语料"编"一个答案，错误极具隐蔽性。

三、MCP：给 AI 装上可实时查询数据的接口

2024 年 11 月，Anthropic 发布并开源了 MCP。随后，OpenAI、Google 相继宣布支持，到今年，主流 AI 平台已普遍兼容。

协议铺平之后，数据供给侧开始跟上。一批企业数据服务商陆续把数据能力封装成 MCP 服务，AI 像调用本地函数一样直接调用企业数据工具，每次查询返回的是查询时刻的最新状态、字段明确的 JSON 结构化数据，而不是模型凭记忆生成的文本。

以企业数据服务商鲸海数据为例，其数据底座覆盖全国 5亿+ 企业实体，按工商、司法、知产、招投标、工厂、电商六个维度组织成独立数据库，市场主体信息变更持续滚动更新。在 MCP 形态（鲸海MCP）下，这些数据被封装成 70 多个原子工具，覆盖查工商、查股东、查司法风险、查知产、查招投标等场景，AI 按需选用；面向传统系统集成的 100+ RESTful 接口（API）形态则继续保留，两者底层数据同源。

四、大模型接入企业数据，只要几分钟

从多家企业数据服务商公开的接入文档看，MCP 服务的接入流程普遍被压缩到几分钟：在服务商官网注册账号，从控制台复制一份配置 JSON，粘贴到 AI 平台的 MCP 设置界面，全程不需要写代码。

踩坑点也比较集中：连接失败大多不是服务本身的问题，要么是粘贴的 JSON 不完整（首尾多了空格或换行），要么是账号调用额度用完。由于基于标准 MCP 协议，这类服务不绑定单一平台——从对话式 AI 助手到开发者 IDE，支持 MCP 的环境理论上都能接入。

以前要人工翻三四个网站，现在一句话就能完成。见客户前，让 Agent 查注册资本与涉诉记录；有合作方找上门，先问一句"这家公司状态正常吗、有没有风险记录"；签合同前，把失信、经营异常、股权冻结全部过一遍。

五、决定答案的不是模型，是数据

国际企业数据服务商邓白氏（D&B）曾做过一个实验 [6]。用同一个 AI 模型、问了四遍同一个问题：出具某公司的报告，包括员工数、营收和地址。

四次唯一的区别是数据条件，得出的结论质量如下：

• 第一遍只靠模型训练数据，地址过时、股权关系描述错误、员工数靠估，行文流畅但处处是错

• 第二遍开放联网，信息新了一些，但员工数只能给出一个宽泛区间

• 第三遍、第四遍分别接入传统 API、 MCP，地址、员工数、注册号、财务信息全部准确，且每条陈述都可溯源。

这个实验的结论很直观：同一个模型，答案质量不是由模型决定的，而是由接入的数据决定的。 接入方式只是第一步，数据本身的质量才是决定回答可信度的关键，包括数据标签是否准确、更新是否及时、口径是否统一等。

鲸海数据服务的金融风控项目"快启智慧云"，在 2026 年"数据要素×"大赛四川分赛中获得二等奖，这说明，在金融这类对准确性要求极高的场景，数据治理能力已经先于接入方式成为竞争门槛。

六、写在最后

过去，尽调、风控、获客、供应商管理，想详细查一家公司，要靠人工翻工商、查裁判文书、搜舆情，效率低、易遗漏，还常常赶不上信息的更新速度；如今，这件事正在变成一次标准化的调用。

API 也好、MCP 也罢，都只是企业数据被调用的方式。真正值钱的，是数据本身。企业尽调查询方式变了，行业对数据质量的要求，反而更高了。

参考资料：

央广网《法治在线丨律师用AI生成虚假案例被法院发现 将承担何种责任》（2026-01-15）

21世纪经济报道《分析师用AI写研报，搞了个大乌龙》（2026-06-15）

东方网企业频道《AI问答时代，企业简称为何容易被误识别？一项三平台样本观察》（2026-08-10）

eCommerceNews UK《London SMEs suffer AI misinformation in search tests》（Searchable 覆盖165家伦敦企业、1.3万+次提问的实测，2026）

《筑牢大模型虚假信源防火墙》（2025-05，记者实测 AI 虚构企业投资关系的调查报道）

Altares（邓白氏荷兰）《AI experiment shows why reliable business data makes the difference》（同一模型四种数据源的对照实验）

法治日报《AI判例造假有恃无恐，全球携手严打》（2026-08-26）

中新网《都是假的！美国一资深律师用ChatGPT协助办案被"坑"》（马塔诉阿维安卡航空案，2023-05-30）