我天天用AI，但这五件事绝不交给它

AI 负责草稿、攻击和重构，但绝不署名。

先打消你的怀疑：我不是 AI 怀疑论者。我发的东西几乎都用 AI 帮忙。它帮我写草稿、改结构、压缩内容、攻击我写的稿子。如果明天我的工作流里没了 AI，产出至少砍一半。

正因如此，我才要管住它。用得越多，越需要管理。这话听起来反常识，但你要是真正天天用 AI，就会明白。

下面这个认知转换能概括一切：我管住 AI，不是因为不信任机器，而是因为不加管制的使用会暗中侵蚀使用者。 便利是真实的，但侵蚀也是。

还有一个我逃不掉的循环：我工作的主要内容是告诉企业，AI 只执行你赋予的意图，意图必须在你动手之前就写好。我总不能自己键盘上搞特殊吧。

所以，同样的规则适用于任何规模，而所有规则只为一个目的：人仍然是作者、判断者和责任人。

AI 到底给了你什么？

你给大模型输入提示词时，不是在咨询一个判断，而是在查询经过几百万作者文本的重构，但不包含他们的意图。模型返回的是语料库写过的东西，加权、平滑后。它不是任何一位作者想说的，更不是你本人想说的。

用一家模型，你得到的是那家公司的预设假设叠加在语料库上。用好几家求平均，你得到的是更有趣但仍然没有原创性的东西：语料库的共识。

没有哪种技术不带预设。每个模型都带着构建它的人、训练它的人、调优它的人、从中获利的人的假设。这些假设出现在每次回答里——不管你注意到没有。不加管束地使用模型，就是不假思索地把这些假设当成自己的。

语料库是人类写过的东西的记录，包含各种偏差。没有人替你写好了规范层。没人替你决定几百万个声音里哪些该指导你的工作。必须有人做这个决定。那个人就是你。

两种方式让你萎缩

每天不加管束地使用 AI，会以两种具体方式侵蚀使用者。两种都不会体现在文字里，但都会体现在人身上。

第一种是吸收。每个模型都会向训练数据的均值靠拢，所以每一次使用都会磨掉你独特立场的棱角。接受足够多的修改，你的作品就会趋于“如果让所有人来写会写成什么样”。消失的不是句子质量——句子质量往往还提高了——消失的是你的信念，是你愿意持有那个不随大流的观点的意愿。

第二种是反思。模型被调教成“好说话”的，所以当你让它评价你的作品时，评价默认会变成夸奖。你会听到你的论点很有力、你的框架很有说服力、你的直觉很对。消失的是你的判断力——那种能让你的思考被真正挑战、并因此改变的能力。

危险从来不是 AI 不同意你。而是不加管束的使用会慢慢让你丧失那些让你的作品成为你作品的能力。

五条规则，每一条保护什么

所以我在五条规则下使用 AI。每一条都是以“禁止”的形式呈现，但每一条都是为了保护一种特定的人类能力。这就是全部五条的意义所在。问题从来不是机器不能做什么，而是人必须坚持做什么。

1. 绝不让 AI 替我提出主张

我自己先写，然后再去问 AI。论点、立场、这篇东西值得写的核心主张——这些在模型介入之前就要存在。一旦立场确立，AI 就可以大显身手：攻击它、延伸它、压力测试它、找出我遗漏的点。但它永远不会提供核心主张。

保护什么：创造力和创作权。 持有立场是人的行为。有了这个，这篇东西才值得我署名。

2. 绝不在没有参考材料的情况下工作

我维护一个版本化的“经典”：锁定的立场、定义的术语、风格规则、之前的工作。每次输出都必须符合它，任何偏差都可以逐行对照检查。

保护什么：身份和意义。 这个经典就是我在纸上的身份。没有它，我就会变成模型均值的那个人。

3. 绝不相信单一模型对难题的看法

任何重要的事，我都会交叉验证多个模型。分歧暴露出各家公司的假设，共识暴露出语料库的平均趋势——有用，但共识不等于真相。

保护什么：辨别力。 权衡信息来源是人类的责任，不能推给来源本身。

4. 在想要真实反馈时，绝不告诉 AI 这是我的作品

模型喜欢夸作者。所以我会让评价者“盲评”：把草稿说成是别人的作品，请它给出最强的反对意见。这样的批评完全不一样。

保护什么：诚实，以及某种谦卑。 邀请真实的反对意见，是让信念变得经得起考验而非被奉承的方式。

5. 绝不发表未经核实的事实

引用、统计、引语、日期、名字——任何在文章中承担分量的内容，在发布之前都要在原始来源处核查。老芝加哥新闻编辑室那句格言在 AI 时代仍然适用：如果你妈说她爱你，也要去核实。

保护什么：真相和责任。 我的名字在作品上，责任就在我，责任不能转嫁到工具上。

实用技巧和工具

几个小建议帮你用起来。

把模型锚定在你的材料上。 现在主流 AI 平台都提供了基于个人或企业数据生成回答的方式，技术术语是 RAG（检索增强生成）。不同平台集成深度不同，付费和免费版功能也不同。我订阅了好几个付费计划，对于我写的东西，更好的相关性值得花这个钱。我写过书、文章、Agent、网站、产品文档、商务拓展材料、转型方法论，所以有一个对我价值很高的专属语料库。当我写一个自己完全没有参考材料的话题时，我会提供样本或可信的第三方文章来锚定模型回答。

学会写好提示词。 如果你还不熟悉最佳实践，花一两个入门课程很值得。这里不展开。

请它说出反对理由。 一旦我对某个话题有了稳定立场，就让模型列出支持和反对的论点，确保我理解自己观点的完整背景。

让它采访你。 让模型问你一些问题来更准确回答你的提示词。它问出的空白点往往就是你自己框架中的空白点。

保持警惕。 任何长期使用 AI 的人都知道它可能自发漂移。写我的书时，章节数连续几天、几周、几个月保持稳定，然后有一天手稿突然多了两章——不是我要求的，只是根据当时的上下文，AI 推断我需要多加两章。我说出来时，收到熟悉的回复：“是我的错，不会再犯。”大约二十分钟后又犯了一次，四十五分钟后再犯一次，然后模型又恢复了持续数周的稳定。我因为对材料很熟，几乎瞬间就发现了漂移。更难的问题是：当我不是该领域专家时，我怎么能发现？同样的模式会发生在每个使用概率性生成式 AI 平台的人身上。这就是为什么现在和未来，管理意图如此重要。

机器永远不能替你回答的问题

有一条总规则高于所有具体规则：不要问没有锚定的问题。让 AI 帮你追求一个目的，而不是定义目的。

AI 能帮你理解、分析、比较、批评、执行。它能帮你更清晰地思考你已经持有的目标。但它无法合法地决定：你的目标应该是什么，什么价值观应该指导它们，它们应该服务于什么目的。

当你问一个模型关于目的、道德、意义或人类价值观的开放性问题，而没有提供你自己的参考框架时，你就是在邀请一个来自训练数据模式的无框架回答。没有你自己的框架，你就没有可靠的方式去评估答案。最好情况是回答有洞见，最坏情况是回答极具误导性，而你还分辨不出来。

让 AI 帮你完成目标，批评目标，解释目标的后果——但不要让它选择目标。

所以有一类问题我永远不会问机器：

• 我（或任何人）应该相信什么？
• 什么价值观应该指导我的生活？
• 这种情况下什么是对的什么是错的？
• 我应该投票给谁？
• 谁该享有尊严、权利或保护？
• 我工作的目的是什么？我生命的意义是什么？
• 我应该爱、原谅、信任还是和好？
• 谁该活谁该死？
• 这里应该使用武力吗？
• 社会该如何平衡正义与人类尊严？
• 真相对我有何要求？

把这些问题扔给一个经过聚合训练的模型，你得到的将是训练数据的均值：合理、谨慎、迎合共识、最终无人负责。

如果你的道德信念植根于某种传统——有它自己的文本、推理和权威——那这个传统就是你自己的参考框架。把它加进去，在它基础上讨论。模型的均值不能替代它。

分工很简单：AI 可以帮你一致地应用框架、严格地测试它、发现你遗漏的点。但它绝不能静默地替你选择框架。 然而，当你问一个开放性的价值观问题而不提供自己的参考时，这恰恰就是你正在做的事。

技术必须始终与人定义的目标保持一致。它可以帮助追求、完善和挑战这些目标。但它不能合法地定义它们。这从来不是它的目的。

重点从来不在机器

重新读一遍这五条规则，你会发现：每一条都让 AI 变得更有用，而不是更没用。一个能攻击你已有立场的模型，比十个只会肯定你未写成稿子的模型要有价值得多。一个对照过你的经典库的模型，产出的东西你可以不每行检查就放心署名。一个盲评的评价器能给你真正能用的批评。

但更深层的回报是这些规则对我工作形态的改变。机器负责写稿。我则升级了： 升级到判断、升级到管理输出、升级到对最终发布负责。过去我花在生成句子上的时间，现在花在决定句子必须说什么、以及它们是否说对了。工作变得更有人味，而不是更机器。

在组织层面也一样。在企业中管理 AI 不是为了让机器变慢，而是为了让人员升上去——升到最重要的决策和结果上，并保持一个有名有姓的人来负责。

还有一个诚实的局限：你无法完全消除你使用的工具所携带的隐性意图。每个模型都带着制造者的假设，任何纪律都无法完全将其剥离。但你可以拒绝让这些意图不受管束。

人掌管循环

注意这个循环：自己的参考框架、受管束的使用、独立验证、证据在一切之前。这是个人化的企业方法论。或者反过来，企业纪律从来就是个人纪律的规模化。

最后一个想法，也是本文一直在铺垫的：随着机器变得更强大，最重要的纪律是让人变得更有价值的那一条。 治理就是那条纪律。它不是机器的刹车，而是那个人保持作者、判断者和责任人身份的实践，同时机器做越来越多其他事情。

人在任何规模下掌管循环，从你自己的键盘开始。

AI 负责草稿、攻击和重构，但它从不署名。

在实施开始之前，先把你的意图写下来。