2026-11-05 · 瀚钦（丹东）智能科技有限公司
结论先行：新闻业比所有行业都早三年当“小白鼠”。
这几年它试过的事，值得每个要发内容的企业看一眼：全球第一家完全由 AI 生成的新闻网站 NewsGPT 已经上线，没有记者，因此声称“没有偏见”，7×24 小时发稿；《纽约时报》用 ChatGPT 做过情人节情书生成器；BuzzFeed 把 AI 用进它的个性测验；德国出版巨头 Axel Springer 和英国出版商 Reach 在地方新闻网站发了首批 AI 撰写的文章。
结果也很实在：美国科技网站 CNET 悄悄上线几十篇 AI 稿，被读者揪出一堆基础性错误，随后因错误与抄袭受到审查；《体育画报》与 AI 公司 Jasper&Nota 合作、由人类编辑把关的稿子里，仍存在“许多不准确和虚假之处”；意大利《Il Foglio》报干脆办了个挑战——连续一周每天发一篇 AI 短文，谁能揪出全部“机器人文章”，就送一份免费订阅加一瓶香槟。
所以这篇不谈“AI 会不会取代人”。谈一个更实际的问题：AI 写的东西，到底能不能直接发？新闻业用三年时间给出的答案是——AI 能写，但“能发”是另一回事；发的门槛一点没有降低，只是从“写得出来”挪到了“核得过来”。
| 案例 | 发生了什么 | 留下的教训 |
|---|---|---|
| NewsGPT | 全球首个完全由 AI 生成新闻的平台，没有记者，实时扫描社交媒体与新闻网站生成报道，CEO 艾伦·利维称其“改变游戏规则” | “没有记者”不等于“没有偏见”——模型训练用什么，偏见就从哪里来 |
| CNET | 几十篇 AI 撰写文章上线后被读者挑出大量基础性错误，因错误与抄袭问题受审查 | 读者比想象中更会核；署名与责任不清，出事就是品牌 |
| 《体育画报》 | 与 Jasper&Nota 合作，从自有内容库生成故事，仍由人类编辑把关，结果仍有“许多不准确和虚假之处” | “有人审”不等于“审得住”——审核环节没有标准，等于没有 |
| 《Il Foglio》香槟挑战 | 连续一周每天发一篇 AI 短文，读者一周内全部揪出可获赠订阅与香槟 | 读者的辨识力被低估了；“看不出来”只是暂时的 |
还有一个更值得警惕的实验。美国 Poynter Institute 的教授 Alex Mahadevan 牵头媒介素养项目 MediaWise，他用 ChatGPT 只花了几个小时，就造出一个完整的假新闻网站——有新闻、有代码、有编辑政策、有员工介绍。他的结论很直白：任何会一点基础编码的人，都能用它做出以假乱真的新闻站。
原文访谈归纳出四类问题，都发生在新闻业。但企业不是媒体也在做内容——公众号、投标文件、宣传册、产品说明、客服回复，一件没少。这四条照搬过来，一条都不缺。
《麻省理工技术评论》的 Melissa Heikkilä 说得很技术也很致命：AI 语言模型善于预测句子里的下一个词，但根本不理解这个句子的意思。微软自己也承认，必应“有时会歪曲信息，你可能会读到听起来可信，其实是不完整、不准确或不恰当的内容”。彭博传媒首席数字官 Julia Beizer 认为，AI 面临的最大挑战就是准确性——“媒体的职责是为读者提供基于事实的信息，人工智能很有价值也很实用，但很明显，还不足以作为准确的信息源”。
《金融时报》AI 编辑 Murgia 补了另一半：生成式工具“有助于综合信息、进行编辑，但不能提供原创内容，也不具备分析能力”。也就是说，它能把你给的资料整理得很顺，但它不会替你判断这些资料对不对。
《卫报》的 Emily Bell 那句话值得抄下来贴在墙上：AI 可以在几秒钟内生成大量内容，包括音频、代码、图片、文本、视频，“问题是，他们根本无法承诺真实”。有专家预测，到 2026 年 90% 的在线内容可能是 AI 生成的（这是预测，不是统计）。NewsAI 专家 Marconi 的判断更贴近日常：现在的信息比历史上任何时候都多，所以过滤无用信息变得更困难。
对企业来说，这条的落点不是“别人造假会不会伤到我”，而是：当客户、银行、招标方已经默认“材料可能是生成的”，你的材料怎么证明是自己做的、是真的。能回答这个问题，就是竞争力。
原文讲的是媒体被搜索引擎“截流”：谷歌 Bard 在测试中只给答案摘要、不给来源链接；微软 CEO 纳德拉则强调“必应上一切都是可以点击的”。媒体高管的疑问很现实——有多少用户会去点那个链接？Marconi 直言，搜索引擎加装摘要生成功能，会影响媒体的流量，进而影响广告与订阅收入。
企业的处境几乎一样。客户以前搜“丹东 智能制造 服务商”，会点进你官网；现在他直接问 AI：“丹东有谁做企业 AI 私有化部署？”你的官网如果只是几段自我表扬的话，AI 引用不出任何东西。反过来说，能被引用的内容有共同特征：有具体数字、有可核验事实、有明确出处、结构清楚到能被摘出来。这就是现在常说的“让 AI 能找到你”，做法其实很土——把真东西写清楚。
2023 年 2 月，Getty 图片社在特拉华州起诉 AI 艺术公司 Stability AI 侵犯版权。OpenAI 的立场是：出于训练目的使用受版权保护的作品构成“合理使用”，但同时承认，AI 开发人员可能面临“巨大的法律不确定性和合规成本”。新闻媒体联盟执行副总裁兼总法律顾问 Danielle Coffey 说得更直接：“我们有价值的内容不断被用来为他人创造收入，我们必须得到补偿。”
披露这一侧，《连线》的做法可参考：已制定政策，对使用 AI 的目的以及编辑流程做清晰限定，以保证内容质量。彭博的 Beizer 提的那个问题，企业同样要答：“如果我们在内容创作中使用人工智能，应该如何向用户披露才能获得信任？”
给企业的通俗版只有两句话：一是别把客户的资料、未公开的报价、工艺参数喂进公网模型；二是对外发的每一句数据，都要能说出处。前者是版权与保密，后者是准确性，两件事都不是技术问题，是流程问题。
Marconi 把过去十年 AI 与新闻的结合分成三次浪潮，这个框架套到企业身上意外地准。
| 阶段 | 新闻业的做法 | 企业里的对应状态 |
|---|---|---|
| 第一阶段：自动化 | 用自然语言生成技术自动产出数据类报道——财报、体育比分、经济指标，路透社、法新社、美联社都做过 | 结构化数据还没整：报价、库存、检验记录散在 Excel 和个人电脑里 |
| 第二阶段：增强 | 用机器学习与自然语言处理分析大数据集、发现趋势，阿根廷《国家报》2019 年起建了 AI 实验室 | 有系统但知识散：制度、工艺文件、常见问题在各部门手里，口径不统一 |
| 第三阶段：生成 | 大语言模型大规模生成叙事文本，可写长报道、可换角度、可模仿风格 | 直接让 AI 写：公众号、标书、宣传稿直接交给模型出稿 |
问题恰恰出在这里：很多企业跳过了前两个阶段，直接进第三阶段。而前两阶段干的活——把数据理清、把口径统一、把审核定下来——正是第三阶段不出错的底子。跳过它们，AI 只能凭“语感”写，写出来的东西读着顺、对不上。
这也解释了为什么“AI 写的稿子看着挺好，一发就出问题”：不是模型不行，是它手里没有可依据的东西，只能编。
| 规矩 | 怎么做 | 验收方式 |
|---|---|---|
| 一个来源 | 稿子里每个数字、每项资质、每个案例，都对应一份内部可查的依据 | 随机抽 10 个数据点，能当场翻到原文 |
| 一个签字 | AI 出草稿，人做判断。对外发布前必须有一个具体的人负责，签的不是“我看过”，是“我认可” | 发布记录里能查到是谁、什么时候 |
| 一条披露 | 内部定清楚：哪些环节可以用 AI、用到什么程度、对外是否需要标注 | 有一页纸的规范，新人入职能看到 |
| 一份边界 | 客户资料、未公开报价、工艺参数、个人信息不进公网模型；要用的走本地部署 | 问一遍“这句话能不能贴公告栏”，答不上来的不许上传 |
这四条成本极低，但能挡掉九成的麻烦。写规范一天就够，难的是每条都要有对应的检查动作——没有检查动作的规范，和没有规范一样。
原文结尾引的是 Polis/LSE 新闻研究项目负责人查理·贝克特的判断，我认为这句是整篇访谈里最值钱的：
人工智能并不是从头到尾完全自动化的内容生产：它是一种增强，为媒体人提供更快工作的工具，让他们有更多时间花在人类最擅长的事情上。
放在企业里，这句话要翻译得更具体一点：AI 负责“先写出一版”，人负责“这版能不能用”。哪一段该删、哪个数字有问题、这个说法会不会被客户误解——这些判断没法外包给模型，因为模型不知道你上周刚和客户改过口径。
Murgia 那句“没有什么能取代有原创能力的人”，听着像老派，实际是成本账：原创要投入，改稿只要几分钟；可一旦发出去是错的，回收成本按品牌算，不按时间算。
我们不写稿，也不做媒体。这件事落到企业侧，是我们熟悉的三个环节：
| 环节 | 具体做什么 |
|---|---|
| 咨询规划 | 先把内容口径与审核流程定下来：哪些环节用 AI、谁来签字、数据能不能出内网。这一页纸定不下来，后面买什么工具都白搭 |
| 交付实施 | 本地化知识库：制度、工艺文件、检验标准、历史问答统一入库，AI 回答时能点回原文——“一个来源”这条靠系统保证，不靠人记 |
| 安全治理 | 权限分级、操作留痕、关键动作人工确认；客户资料与报价不出内网 |
| 运营管理 | 制度一改、答案跟着改，避免“上线三个月后开始答旧口径” |
| 配套服务 | 把人的判断力练起来：不是练点哪个按钮，是练“这个结果我凭什么信” |
顺序上我们的建议一直是同一句：先把资料理清、口径统一，再谈让 AI 写。倒过来做，写出来的东西看着漂亮，用一次就得推翻重来。
新闻业这三年的经验，压成一句话是：AI 把“写”的成本降到了接近零，于是“核”成了新的成本中心。谁先把核验这件事做成流程，谁就能放心地用 AI 放量；谁还在靠“看着挺顺”就发，早晚会被读者、客户或招标方替他把这一关补上。
如果您想先看看自家的资料能不能支撑 AI 写内容、口径该从哪里统一，欢迎约一次免费业务诊断，我们从具体场景出发给建议；也可以先看我们的私有化部署方案与人工智能应用人才培训。
注：本文案例与引语出自桌面临时文档汇总的牛津大学路透研究院 Marina Adami、独立记者 Jessica Patterson 对多位行业专家的访谈，案例时间集中在 2023 年前后；模型能力此后已有明显迭代，但文中四类问题（准确性、规模化虚假内容、流量与引用、版权与披露）的结构未变。文中判断为本公司观点，供参考，不构成对任何企业实施效果的承诺。
分两件事看。一是你“输入”的东西：把客户资料、未公开报价、别人的付费报告喂进公网模型，风险最大，这类内容应走本地部署或干脆不喂。二是你“输出”的东西：AI 生成的文字目前在国内商用并无明确禁令，但其中的图片、图表、引用段落可能涉及第三方版权，对外发布前要能说清出处。Getty 诉 Stability AI 那类案子提醒的是：训练与使用的边界，法律仍在明确中。
技术上能，商业上不建议。新闻业的教训是：读者比想象中更会核。企业场景里“核”的人是你的客户、招标评委、银行审贷员。可行做法是三步：AI 出草稿 → 人逐条核对数字与资质 → 指定一个人签字放行。签字的人不签“我看过”，签的是“我认可这个结论”。
靠系统，不靠自觉。把制度、工艺文件、检验标准、历史问答统一入库，让 AI 回答时能点回原文——这样“每个数字有来源”是系统保证的，不是靠人记。再加两条低成本动作：随机抽 10 个数据点必须能翻到原文；客户资料与报价不出内网。这两条做到，出错概率会掉一个数量级。
