Will you take responsibility for your AI?

以前写不出一篇好文章，可能是表达能力不够。现在 AI 可以很快写出十篇看起来完整的文章，但你必须判断哪一篇有主线，哪一句是空话，哪一段只是顺滑地绕开了问题。

以前做不出一份调研，可能是资料不够、时间不够、整理能力不够。现在 AI 可以迅速列出背景、趋势、公司、案例和结论，但你必须判断哪些是事实，哪些是推测，哪些只是把互联网上的共识重新排列了一遍。

以前做不出产品方案，问题可能卡在执行上。现在 AI 可以帮你铺出用户画像、功能模块、商业模式和风险分析，但你必须判断：这个方案到底解决了真实问题，还是只把几个看起来正确的词放在了一起。AI 让产出变得容易，也让验收变得困难。

AI 最容易制造出“已经完成”的感觉

很多人以为自己用不好 AI，是因为提示词写得不够好。这个判断有一部分道理，但它只说到了表层。真正的问题可能不是“怎么让 AI 回答得更好”，而是“你自己到底知不知道什么叫好”。

如果你不知道什么叫一篇好文章，AI 写得再快，你也只能让它“再自然一点”“再有深度一点”。如果你不知道什么叫一份好调研，AI 给你十页材料，你也只能从里面挑一些看起来顺眼的句子。如果你不知道什么叫一个好产品方案，AI 越能生成完整框架，你越容易被那种完整感骗过去。

因为 AI 很擅长制造一种东西：看起来已经完成。它会给你标题、结构、步骤、总结、建议、风险和下一步。它很少像一个没准备好的人那样明显卡住，输出通常是流畅的、完整的、有条理的。正因为如此，它也最容易让人放松警惕。

但完整不等于成立，流畅不等于有判断，有结构也不等于解决了问题。过去，问题往往以粗糙和未完成的样子暴露出来。现在，我们更容易被精致骗过，因为 AI 可以把一个并不成立的东西，包装得很像已经成立。所以，AI 时代真正稀缺的，可能不是效率，而是验收标准。

验收标准，是一个人对“什么值得留下”的判断

验收标准不是“字数 1500 字”“列出五点建议”“语气自然一点”。这些要求当然有用，但只是最外面的一层。真正的验收标准，是你能不能判断一个东西为什么成立、哪里不成立，以及它是否值得进入现实。

“验收”也比“判断”更重。判断可以停留在评价，验收却意味着放行。一个东西一旦被你接受，就可能带着你的名字进入一篇文章、一项决策、一个产品，最终进入现实。你不仅要判断它好不好，还要愿意为它带来的结果负责。

所以，无论面对一篇文章、一份调研还是一个产品方案，真正需要回答的都是：它有没有提出真实的问题？有没有区分事实、推测和观点？有没有帮助人作出下一步判断？又有哪些部分只是为了显得完整，删掉也不影响结果？

这些问题背后，是一个人的经验、审美、价值观、风险意识和责任感。AI 可以参与判断，却不能替你承担判断的后果。不过，验收标准也不是少数人的天赋。它并不是凭空长出来的，而是可以从真实场景、样本对比和失败复盘中一点点训练出来。

第一步：先问这个东西要进入什么场景

建立验收标准时，最容易犯的错误是一开始就写“有深度”“有洞察”“全面”“专业”“可落地”。这些词听起来都对，却几乎无法验收。

更有效的起点是先问：这个东西最后给谁用，要帮助他完成什么行动？

一篇文章不是为了“写得好”，而是为了让读者读完以后，对某个问题有更清楚的理解。一份调研不是为了“资料全面”，而是为了让一个决策变得更可靠。一个产品方案不是为了“结构完整”，而是为了让团队知道先做什么、不做什么，以及为什么这样做。

使用场景一旦明确，标准才会变得具体。你不再追问“它够不够高级”，而会追问“它有没有帮助真实的人完成真实的判断”。

第二步：同时积累好样本和坏样本

验收标准很少来自空想，更多来自比较。你看过足够多好文章，才会知道什么叫有主线；经历过足够多项目返工，才会知道哪些问题一开始不说清楚，后面一定会付出代价；见过足够多漂亮但空洞的方案，才会对“看起来很完整”产生警觉。

可以给自己准备两个长期样本库：一个保存你认可的作品，一个保存你不接受的作品。但样本只有经过解释，才会变成标准。每次保存时，都要补上一句：它为什么好，或者为什么不好。

好在哪里？是问题抓得准，结构有递进，例子贴近生活，还是结论真的推进了思考？不好在哪里？是概念太空，没有事实支撑，没有使用场景，还是把一个问题讲圆了，却没有带来任何新的东西？

时间长了，原本模糊的感觉就会变成可以表达的判断。你不再只是说“这篇不太对”，而是能指出它哪里不成立、为什么不成立、应该往哪里改。

第三步：先写清楚自己不接受什么

相比直接定义“什么是好”，人通常更容易识别“什么不能接受”。所以建立验收标准，可以先从一份拒绝清单开始。

比如写作时，我不接受没有真实观察的开头，不接受只有概念没有人的生活，不接受一句一段的伪深刻，也不接受看起来很高级，却不知道在解决什么问题的表达。

做调研时，我不接受没有来源区分的结论，不接受只列趋势不讲变量，不接受只总结别人说了什么，也不接受没有风险和反例的乐观判断。

做产品方案时，我不接受一上来堆功能，不接受没有核心用户场景，不接受没有 MVP 边界，也不接受把“用户可能需要”当成“用户真的会用”。

这份清单并不是为了变得挑剔，而是为了让自己的判断有边界。很多标准不是从正确答案里长出来的，而是从一次次踩坑、返工和后悔里长出来的。

第四步：把形容词改成检查问题

一条标准只有能够被检查，才真正有用。

比如，不要只说“文章要有洞察”，而要问：它有没有打破一个常见误解？读者看完以后，能不能复述出一个新的判断？不要只说“调研要全面”，而要问：它有没有区分事实、推测和个人判断？有没有指出仍然缺少哪些证据？不要只说“方案要落地”，而要问：如果明天开始执行，第一步是什么？由谁完成？用什么结果判断它有效？

当标准变成问题，它就可以被反复使用。AI 给出结果以后，你不再只能说“再优化一下”，而可以明确指出：这里缺少事实区分，这里没有用户场景，这里没有失败风险，这一段只是重复结论，没有推进主线。

第五步：用真实结果校准标准

标准写得再漂亮，如果不能帮助现实变好，也只是另一种形式主义。

文章发出去以后，读者有没有真正理解？哪些地方引发了讨论，哪些地方只是你自己觉得精彩？方案进入团队以后，是否让大家更清楚取舍，真的指导了行动，而不只是完成了一次汇报？AI 输出被使用以后，是否减少了返工，是否让下一次协作更快进入状态？

这些反馈会反过来修正标准。你会发现，有些要求只是个人偏好，对真实场景没有帮助；有些原本没被重视的细节，反而决定了结果能不能成立。

所以，验收标准不是一次写完的清单，而是一个人的判断系统在现实中不断更新。

效率之后，是人的责任

AI 会逐渐把越来越多的人从执行推向验收。过去很多事情必须亲自做，现在事情越来越容易被做出来，但仍然必须有人判断：它是否成立，是否可靠，是否值得，以及应该由谁承担后果。

这个变化并不轻松。执行能力不够时，人还可以说时间不够、工具不好、资源不足。可当 AI 把执行成本降下来以后，一个人会更直接地面对自己的判断空洞。你会发现，原来自己不是不会写，而是不知道真正想说什么；不是不会做方案，而是不知道什么问题值得解决；不是不会总结，而是不知道哪些经验真的改变了自己。AI 把很多人的“不会做”，变成了“不会判断”。

当一个人有了自己的验收标准，AI 才会从生成工具变成他的外部能力。否则，AI 越强，他只是越快得到一堆看起来完整、但自己也不知道该不该留下的东西。

以后每次让 AI 生成一篇文章、一份调研或一个方案，我们真正要做的，并不是在它完成后点一下确认，而是在发送、发布、确认之前问自己：如果这份结果带着我的名字进入现实，我愿不愿意为它负责？