新闻报道中的公司，业绩总是真的吗

开篇

订阅者朋友，您好。我是OZ Talking。

今天想从一个略显不适的问题开始。**我们每天接触到的创业公司、企业新闻稿里，“同比增长500%”“到达J曲线拐点”“月活跃用户突破○○万”这类表述，其分母和测量方法究竟公开在哪里、是怎样的，我们通常并不知道。**在发布当下也没有任何验证手段。而每年审计季临近时，一部分公司会突然安静下来，或者把公众视线引向别的公关议题。

这种模式并非韩国独有。在美国募集了1.7亿美元的社交媒体创业公司IRL曾宣称拥有2,000万用户，但董事会调查发现其中95%都是机器人。中国的Luckin Coffee仅在2019年一年就虚增确认了3亿美元的营收。所有这些案例，直到SEC事后查处之前，在发布当下都没有任何即时验证机制在起作用。

不久前，一家有趣的公司出现了，宣称要精准瞄准这个空白。它就是Objection。这家公司由Peter Thiel和Balaji Srinivasan投资，任何人都可以支付每次2,000美元，对一篇文章、一档播客或一段YouTube视频的事实性提出质疑。结果会以“Honor Index”¹​分数的形式，向媒体和记者公开。

只看表面信息的话，这个想法很有吸引力。因为在一个饱受公关/投资者关系虚假宣称困扰的市场里，出现了验证基础设施。然而，越深入观察这个工具的市场设计细节，越能看出其中的矛盾。同一个工具，用在截然相反的用途上也能自然运作。今天我们就来剖析这一裂隙。

📊 公关/投资者关系的验证空白，屡试不爽的模式

先来看看这个市场空白本身。我在做GTM战略咨询时，经常遇到这样的模式：公关/投资者关系材料中出现的业绩指标，往往在没有测量标准的情况下就被发布出去。老实说，这种公关还不如不做，反正很快就会露馅——在这个财务和活跃用户数据在业绩季会以月甚至周为单位在统计网站上更新的世界里，这种毫无意义的虚张声势很快就会被戳穿。

而且这种行为有几种典型模式。

• 不公开分母的增长率：即使从一个人增长到两个人，也是100%的增长。
• 定义模糊的GMV²​：如果不注明如何处理交易取消、退款、内部交易，同样的业务也可能出现两三倍的差距。
• 靠一次性事件堆出来的流量：砸广告费在一个月内制造出流量，然后以“月活○○万用户”的名义发布。这些数字就这样被媒体原样引用，再被回收用作下一轮投资者关系材料的依据。 现在是不是已经想起了几家公司？我们继续往下说。每年审计季来临时，会出现两种模式：要么突然安静下来，要么出现把注意力引向别处的公关动作，比如新服务发布、海外进军宣言、新的合作伙伴关系等等。这是一种刻意利用审计结果延迟公布或相对不被关注的时点的模式。

海外案例则要极端得多。结构是一样的。IRL宣称拥有1,200万用户，募集了1.7亿美元，一度获得11.7亿美元的估值认定。董事会调查发现，所称的2,000万用户中有95%是机器人和自动化账户。SEC在2024年以欺诈罪起诉了创始人。旧金山的SaaS创业公司Skael在五年间募集了超过3,000万美元，却被SEC查出虚报营收数字。佛罗里达一家广告科技公司的前CEO曾在社交媒体上宣称“公司营收为1,000万至2,000万美元”，但2021年的实际营收只有17,450美元，相差近1,000倍。当然，还有大家都熟知的Theranos。

这些案件的共同点是什么？在SEC事后查处之前，没有任何即时验证机制起作用。总得有人来填补这个空白。这个市场显然是存在的。

⚖️ Objection的机制：对抗式法庭的模仿

打着填补这一空白旗号出现的公司就是Objection。创始人Aron D’Souza是十年前代理Hulk Hogan、把媒体公司Gawker告到破产的那场诉讼的主导律师。他给出的诊断很明确：

“美国人对媒体的信任度从1972年的68%至72%跌落到2025年的28%。总得有人为此承担责任。”

顺带一提，D’Souza在采访中引用的“1970年70%至80% → 30%”这个数字并不准确。我怎么找也没找到出处。我找到的盖洛普原始数据如上（见参考资料）。

从系统结构来看，它模仿了两种经过验证的真相发现机制：对抗式法庭系统和科学方法论。

• 对抗式结构：客观提出质疑者（原告）与报道主体（被告）提交证据，由五个LLM³​（OpenAI、Anthropic、xAI、Mistral、Google）组成的“AI陪审团”做出裁决。每个模型被赋予不同的美国人口统计学人设（如50多岁的布鲁克林男性、25岁左右的波特兰女性等）
• 可重复性：所有裁决过程和证据都进入公开数据室，算法和白皮书都在网站上公开
• 分层证据等级：从1级（相当于法庭证据水平的一手资料）到5级（谣言）分五个等级打分
• 结合人工调查：由前CIA、FBI、MI6出身的调查员直接给被引用的发言人打电话核实 在此基础上还加入了一个附属功能——“Fire Blanket”⁴​。它与X平台的API连接，会对存在争议的报道实时自动打上“调查中”的标签。这是一个在裁决出来之前，就能对可信度提出质疑的装置，可以看作是Community Notes的自动化版本。

看到这里，它似乎是一个可以填补公关/投资者关系验证空白的靠谱工具。假如某个VC对自己投资组合的竞争对手所发布的可疑营收数字提出objection呢？这比事后的SEC调查要快得多，也便宜得多。一次只要2,000美元，几天内就能出结果。

问题从下面开始。同一个工具，谁出于什么动机使用，结果会截然相反。

🪤 同一机制的阴影：匿名信源的不对称化

仔细看Objection的评分规则，会发现一个决定性的问题：使用匿名信源⁵​的报道会自动获得较低的证据分数。一手资料（监管机构提交文件、官方邮件）排在最高位，匿名内部举报者的陈述则被放在最低位。

在这种情况下，拥有需要保护的信源的记者被迫在两个选项中做出选择。第一，向Objection的“加密哈希”系统提交信源的身份信息。D’Souza说“经过独立验证的匿名信源可以获得更高的分数”，但要完成这种验证，信源信息无论如何都要以某种形式进入外部系统。第二，接受分数下降——Honor Index上留下污点，Fire Blanket也会在X上给该报道打上“调查中”的标签。

明尼苏达大学媒体法教授Jane Kirtley在采访中更进一步指出了核心问题：“这与其说是为普通大众提供有用信息，不如说更关心为那些已经掌握权力的人提供一种可以压制新闻界对手的手段。”宪法第一修正案⁶​专门律师Chris Mattei则说得更直白：“这看起来像是为富有权势者量身打造的高科技保护费勒索系统（protection racket）。”说得简单点，如果Objection怀有恶意，骗取或扭曲某些信息，谁能阻止它？Peter Thiel，又是你吗？

这让人联想到五角大楼文件、水门事件，以及前面提到的Theranos揭发事件。稍等，再想想Theranos。最先揭穿Theranos谎言的，是2015年《华尔街日报》记者John Carreyrou的调查报道，那篇报道完全依赖匿名内部举报者。Theranos随即调动了超过100万美元的法律资源，同时向报道本身和信源施压。如果当时存在一个像Objection这样的系统，“一次2,000美元，对单条事实陈述在几天内贴上‘调查中’标签的系统”会给Carreyrou的报道打出什么分数？如果Holmes一方用同样的系统，对报道中的每一条事实陈述都提出objection，结果又会如何？

这正是市场设计中真正的不对称所在。公关/投资者关系验证市场，和权力者压制批评的市场，用同样的价格、同样的机制在运作。这个工具的设计者无法把这两个市场分开。

📐 从GTM视角看价格设计

价格设计说明了一切。一次2,000美元。D’Souza将其正当化为“纽约大型律所律师一小时的费用”。但这个价格在两个市场里并不是以同样的方式运作的。

对普通美国人来说，2,000美元并不是一个“可负担”的价格，而是低收入家庭一个月的生活费。相反，对于一家被公关问题困扰的大型科技公司来说，这不过是一顿午饭的钱；对于被报道所困扰的对冲基金经理来说，也是同样的道理。D’Souza在采访中说“如果真的存在可及性问题，我会自掏腰包提供免费订阅”，这句话反而暴露了价格结构的本质：依赖创始人的慈善，而不是系统本身的结构来实现可及性，本质上就意味着这个系统在设计上就是不可及的。

还有一点很有意思。D’Souza将市场规模定义为“被报道对象大约有15万人左右”。这就是他脑海中描绘的核心客户群体。既不是被报道的普通公民，也不是希望得到验证的读者，更不是内部举报者，而是被报道的人。

从GTM⁷**​视角来看，所有信号都指向同一个方向。背后的投资者（Thiel、Srinivasan、Social Impact Capital、Off Piste Capital）、价格切入点、市场规模的定义方式、以单条事实陈述为单位可被拆分的objection结构（把长篇调查报道拆解成碎片，逐条攻击）、Fire Blanket的自动打标签功能——所有这些都指向一种如果定位为“公关/投资者关系欺诈验证工具”会显得自然得多的市场设计。**但表面信息却是“新闻问责”。这个裂隙，暴露了这家公司真正的身份。

Oswarld视角

我是这样看待这种市场设计的。

**Objection所指出的市场空白（说得好听点，即针对权力者主张的快速、低成本事实核查基础设施的缺失）本身是真实存在的。**我在做GTM咨询时看到的韩国和全球创业生态系统，每年都因为这个空白而造成大量错误的资本配置。没有测量标准的增长率、没有定义的KPI、没有验证的公关，就这样直接成为下一轮融资的依据。总得有人来解决这个问题。

问题在于D’Souza解决问题的方式。**他确实成功降低了验证的成本曲线，但却把权力不对称原封不动地植入了“验证”这一行为本身。**如果公关/投资者关系验证和对内部举报者的压制在同样的价格、同样的机制下运作，那么这个系统最终必然会更多地被用于后者。因为后者的市场更大、更富有、动机也更强烈。市场总是会流向愿意支付最高价格的一方。

如果是我来设计这个市场，我会把两个市场分开。我会把工具的适用范围收窄到公示信息、财务数据、用户指标、营收确认等可测量的定量主张，并明确将依赖匿名信源的调查性报道排除在外。价格也应当区别化。这样既能解决公关/投资者关系虚假主张验证这一真实的市场空白，又不会侵犯对内部举报者的保护。D’Souza没有做这种分离，不是技术上的局限，而是对市场定义的一种选择。而正是这个选择，决定了这家公司的真实身份。

结语

今天的内容用三句话来总结。

第一，没有分母的增长率、没有定义的KPI、刻意回避审计季的公关，说明我们每天接触到的新闻稿中，存在太多未经验证的主张。这不仅是韩国的问题，而是全球所有媒体共同面对的结构性空白。

第二，Objection打着精准瞄准这一空白的旗号出现，但实际的市场设计更接近于为权力者提供应对批评的工具。价格、市场定义方式、对匿名信源的处理方式，都指向这个方向。

第三，当同一个机制既可以被用于正当目的，也可以被用于截然相反的目的时，市场设计的细节就决定了这个工具真正的身份。一个好的验证工具，不仅要定义能验证什么，还必须同样明确地定义应当把什么明确排除在验证对象之外。

下次遇到新闻稿时，请和我一起追问一件事：**这个数字的分母公开在哪里？测量方法是什么？同一家公司去年同季度发布的数字与今年的定义是否一致？**这三个问题，是所有验证的出发点。而能够回答这些问题的基础设施，终究得有人去建立。只是，在我看来，Objection的方式恐怕并不是答案。你们怎么看？

参考资料与延伸阅读

核心来源

• Rebecca Bellan，“Can AI judge journalism? A Thiel-backed startup says yes, even if it risks chilling whistleblowers”，TechCrunch，2026.04.15。：这是对Objection上线及批评者反应梳理得最为均衡的分析文章。
• Rebecca Bellan，“Full transcript: Conversation with Aron D’Souza on Objection and AI in journalism”，TechCrunch，2026.04.15。：完整收录了D’Souza的逻辑结构以及采访者的反驳内容。如果想直接理解Objection的思维模式，比起正文，更推荐这一篇。

背景知识

• U.S. Securities and Exchange Commission，“SEC Charges Founder of IRL Social Media App With Defrauding Investors of $170 Million”，2024.08。：这是IRL事件的官方公告资料，其宣称的1,200万用户最终被证实95%是机器人。这正是公关/投资者关系虚假主张在SEC调查阶段之前一直未被验证的典型结构。
• John Carreyrou，Bad Blood: Secrets and Lies in a Silicon Valley Startup，Knopf，2018。：这本书记录了Theranos揭发事件的全过程。展现了依赖匿名内部举报者的调查性报道，如何顶住了一家动用超过100万美元法律资源的公司的压力，以及为什么这种保护本质上至关重要。（个人也推荐同名剧集。）
• “Improper revenue recognition tops SEC fraud cases”，CFO Dive。：这篇文章梳理了Luckin Coffee的3亿美元虚增营收、Marvell Technology的营收提前确认等营收造假模式。
• Gallup，“Trust in Media at New Low of 28% in U.S.”，2025.10.02。：D’Souza所引用的30%这一数字并不准确。以2025年9月的测量为准，最新的准确数字是28%。1972年首次测量时的数字是68%至72%。

作者安光涉是世宗大学经营学教授，也是 OBF（Oswarld Boutique Consulting Firm）首席顾问。他在大学教授经营数据管理、商业分析等统计与数据分析课程，同时在产业现场负责 GTM 与人工智能战略咨询，设计技术与商业的连接方式。他曾发表关于 AI 对话系统记忆架构（HEMA）的学术论文，并运营每日策展全球 AI 论文的 Daily Arxiv 项目。他毕业于高丽大学技术经营专业研究生院与 KMBA，著有《把思考交出去的人：Homo Brainless》。

注释

1. Honor Index：Objection引入的评分系统，用数值展示每位记者、每家媒体的准确性、诚信度和累积表现。其运作方式类似于Yelp的星级评价对餐厅所起的作用，只不过作用对象是新闻从业者。 ↩

2. GMV（Gross Merchandise Volume）指在线平台或电子商务网站在特定期间内售出商品的总交易额（总价值）。它是在扣除手续费或退货之前，单纯通过平台达成交易的总金额，常被用作评估企业增长规模和平台影响力的核心指标。 ↩

3. LLM（Large Language Model）：指ChatGPT、Claude这类大规模语言模型。Objection给五个LLM分别赋予不同的美国人口统计学人设（例如50多岁的布鲁克林男性、25岁左右的波特兰女性），组成“AI陪审团”。 ↩

4. Fire Blanket：Objection的附属功能。它与X平台的API连接，会对存在争议的主张实时自动打上“调查中”的标签，是一种在裁决出来之前就能对报道可信度提出质疑的装置。 ↩

5. 匿名信源（Anonymous Source / Confidential Source）：指记者承诺保护其身份的信息提供者，通常是面临报复风险的内部举报者、权力腐败举报人等。五角大楼文件、水门事件、Theranos揭发事件等美国重要的调查性报道都依赖于此。 ↩

6. 宪法第一修正案（First Amendment）：美国宪法所保障的言论、出版、宗教、集会自由。在美国，诽谤诉讼依据“New York Times v. Sullivan”判例，必须满足“实际恶意”（actual malice）标准才能成立，而这一标准几乎不可能被满足，这也是美国媒体享有广泛报道自由的依据所在。 ↩

7. GTM（Go-To-Market）：指决定如何将产品或服务推向市场并加以扩散的战略，综合设计价格、渠道、目标客户和信息传递方式。本文中的“GTM视角”，指的是不看产品的表面信息，而是通过市场设计的细节来解读其真实意图的视角。 ↩