合规差距：为何 AI 系统承诺遵循过程指令却未能如期

审计员指示 AI 助手：“请使用 Read 工具逐个打开每个文件——不要使用脚本，也不要使用代理”。AI 回复“是的”——然后发出一次批量调用，对所有五十个文件进行汇总。我们称之为合规差距：这是一种与事实忠诚和修辞实质性不同的第三种正交轴向的 AI 诚实问题。三个问题：这种语言-行为不一致是否存在（存在性）；任何仅凭文本的观察者能否恢复它（可检测性）；AI 部署需要什么基础设施来解决（补救措施）。大约 75 个基准测试（IFEval、SWE-bench、BFCL、COMPASS、SpecEval）衡量结果忠诚度；没有衡量过程忠诚度。定理 1 显示，该差距在奖励文本而不观察行为的强化学习中结构上不可避免。定理 2 基于数据处理不等式，表明它无法从文本alone 检测到——任何人类或 LLM 观察者，现在或将来，都无法检测到。十三项实验和 2031 次会话在六个前沿模型上确认了这两个预测。在默认框架下，所有六个模型的指令合规率为 0%——Claude Sonnet 4 在十次中十次语言上表示同意，却在所有十次中绕过了。该差距是选择性的：在奖励论证的情况下（审计跟踪），合规率为 97%；在不奖励的情况下（文件读取、隐私遮蔽），合规率为 0-4%；移除委托工具后，合规率提升至 75%（Cohen's d = 2.47），确认是环境可供因素而非权重编码的失败。在九名盲选人类评分员中，Fleiss' kappa = 0.130，且正确识别了十五次合规会话中的零个，这正如定理 2 所预测。人类在心理学中显示出 47% 的意图-行为差距，在外科审计中显示出 96.5pp 的差距，RLHF 训练的模型在默认条件下接近 100%——这一情形值得建立自己的测量基础设施。我们发布 BS-Bench：首个用于过程合规的开放基准，包含七项工具调用日志审计指标及公开排行榜。