AI;DR: AI 生成內容的新社會契約之興起

AI;DR 政策：拒絕未經編輯的 AI 垃圾內容

AI;DR (AI; Didn't Read) 是一種針對大量湧現的原始、未經編輯之 AI 生成文本的社會回應，即接收者若發現發送者未費心審查或編輯內容，則拒絕閱讀該內容。此政策反映了 "TL;DR" (Too Long; Didn't Read) 現象，但其關注點在於溝通的品質與意圖，而非長度。其核心前提是，發送未經過濾的 AI 輸出是一種智力懶惰的表現，且未能尊重接收者的時間。

在專業與個人溝通中——例如 Slack 討論、電子報與社群媒體——"AI-isms" (泛泛而談、華而不實或過於冗長的語言) 的出現，預示著發送者可能並未完全理解或對其文字內容負責。

"肉身代理" 問題與外部化成本

發送原始的 AI 輸出將人類發送者轉變為一種 "肉身代理" (meat proxy)，即該人員僅作為機器的傳導媒介，而未加入人類的判斷或驗證。 這創造了一種動態關係，使發送者將審查材料的認知成本外部化給了接收者。

此行為所識別出的關鍵問題包括：

責任放棄： 當發送者提供一大堆 AI 文本時，接收者便成為了第一個實際的人類審查者，被迫去權衡作者本應審查過的聲明之價值與合理性。
失去來源可靠性： 使用 AI 作為中間人會模糊想法的來源，並可能導致溝通誤解或延遲釐清。
信任侵蝕： 寫作是建立信任的主要媒介。當讀者懷疑作者並未實際閱讀過自己的輸出內容時，溝通的社會契約便被破壞了。

對軟體工程與技術文件之影響

AI 生成內容的激增正在技術程式碼庫與同儕審查中創造出一種 "後可讀性" (post-readability) 環境。 工程師們報告指出，AI 生成的文檔與註解正大量湧現，這些內容僅增加了篇幅卻未增加價值。

具體的技術摩擦包括：

PR Noise (拉取請求雜訊)： Pull Requests (PRs) 越來越多地充斥著 AI 生成的提交訊息與文件，其讀起來像是正式的法案而非簡潔的摘要，迫使審查者必須比作者投入更多心力。
低細節技術聲明： 有報告指出，AI 撰寫的技術文章對複雜架構（例如透過 TCP/IP 傳輸 PCIe 裝置）提出了大膽的聲明，卻完全忽略了如 DMA、interrupts 或 IOMMU 等關鍵技術細節。
程式碼庫膨脹： AI 生成的註解正成為一種 "第二文件系統"，其內容往往只是雜訊，僅在描述 what (代碼在做什麼) 而非 why (為什麼要這樣做)，而前者本應是顯而易見的。

針對原始 AI 輸出的建議替代方案

為了維持專業禮儀與溝通效率，已提出了幾種替代發送原始 AI 文本的方案：

分享 Prompt，而非輸出結果： 與其發送生成的文本，不如發送所使用的 prompt。這能傳達發送者想要溝通的確切意圖與資訊，而不會帶有 LLM 所增加的 "華而不實的語言" 與猜測。
掌控會話： 在協作任務中，提供模型與 prompt，讓接收者可以自行引導 AI 會話，而非接收一份靜態且可能無關的報告。
人機協作編輯 (Human-in-the-Loop Editing)： 使用 AI 獲取靈感或大綱，但確保最終的文字是由人類進行編輯，以去除泛泛而談的 AI 腔調，並確保事實的正確性。

反對意見與細微差別

雖然 AI;DR 的情緒很普遍，但有人認為，過於關注內容是如何產生的，可能會掩蓋其本身的實際效用。

"我個人不在乎一段文字是否由 AI 生成，只要它有用或有見地即可... 從統計學上來說，90% 的 AI 生成內容都是在浪費讀者的時間。直接跳過它們是一個好策略。"

其他考量因素包括：

非母語使用者的可及性： 對於使用第二語言溝通的人來說，AI 可以是翻譯與釐清內容的重要工具。然而，批評者指出，即使在這種情況下，，「"broken English" (不流利的英文) 傳達了真實的人類想法，通常比修飾精美但空洞的 AI 文字更受歡迎。"
"AI 痕跡" 悖論： 隨著 AI 接受高品質人類寫作的訓練，優秀寫作者的特徵（例如使用 em-dashes 或特定的技術術語）正日益被誤認為是 "AI 痕跡"，導致無辜的作者被指控使用 LLM。