در عصری که هوش مصنوعی به‌سرعت در حال ورود به پژوهش علمی، تحلیل‌های مالی و تصمیم‌سازی‌های سازمانی است، یک پرسش بنیادین بیش از هر زمان دیگری اهمیت یافته است: آیا می‌توان به داده‌هایی که ماشین تولید می‌کند اعتماد کرد؟

ظاهر اعداد اغلب قانع‌کننده است؛ منظم، تمیز و به‌ظاهر «علمی». اما ریاضیات، برخلاف انسان، فریب زیبایی را نمی‌خورد.

یکی از ابزارهای کلاسیک اما قدرتمند برای تشخیص داده‌های طبیعی از داده‌های مصنوعی، قانون بنفورد (Benford’s Law) است؛ قانونی آماری که نشان می‌دهد در بسیاری از داده‌های دنیای واقعی، توزیع رقم اول اعداد یکنواخت نیست. برخلاف انتظار شهودی، عدد ۱ با فراوانی حدود ۳۰٪ ظاهر می‌شود، درحالی‌که عدد ۹ تنها حدود ۴.۶٪ رخ می‌دهد. این الگوی لگاریتمی، امضای ریاضی فرآیندهای طبیعی و اقتصادی است.

طبق توضیح ارائه‌شده در فایل تحلیلی «Math Doesn’t Trust AI»، داده‌هایی که از فرآیندهای واقعی مانند رشد جمعیت، قیمت سهام، طول ژن‌ها یا نتایج آزمایشگاهی حاصل می‌شوند، از این قانون تبعیت می‌کنند، زیرا محصول فرآیندهای ضربی و مقیاس‌ناوردا هستند. به بیان ساده، اگر یک پدیده را با واحدهای متفاوت (مثلاً متر یا کیلومتر) اندازه‌گیری کنیم، توزیع رقم اول همچنان ثابت می‌ماند. این خاصیت، چیزی نیست که به‌سادگی قابل جعل باشد.