反對使用 AI 進行实质性撰寫的理由

使用 AI 生成实质性文本——例如部落格文章、研究報告和深思熟慮的電子郵件——通常會產生反效果，因為撰寫行為與思考行為密不可分。當作者將起草過程委託給大型語言模型（LLM）時，他們跳過了識別邏輯漏洞、精煉論點以及確保論述精確性所必需的關鍵認知努力。

撰寫過程即思考過程

撰寫不僅僅是記錄已成型的想法；它更是發展這些想法的主要機制。將想法強制轉化為結構化的句子和段落，會暴露出在提綱或腦力激盪階段隱藏的矛盾與研究不足。

正如保羅·葛雷厄姆（Paul Graham）所指出的，將想法轉化為文字是一種「嚴苛的測試」，經常揭示出作者對主題的理解並不如最初所認為的那麼深入。同樣地，克拉拉·科利爾（Clara Collier）強調，從提綱轉向完成文本的過程，正是作者經常意識到某些觀點不應並置，或論點本身存在缺陷的時刻。透過使用 LLM 來彌補這段差距，作者避開了必要的認知掙扎，導致最終論述更薄弱，對主題的理解也更淺薄。

細微的不準確與 AI 文本的「說服力」

AI 生成的文本通常充滿模糊、無資訊量或微妙錯誤的語句，普通讀者很難察覺。由於 LLM 的設計目標是統計上可能且具有說服力，它們經常產生聽起來權威但缺乏資訊價值的文體。

案例研究：AI 芯片走私

在分析由 Claude 生成的一段關於 AI 芯片走私的段落時，發現了幾個系統性問題：

• 模糊性： 如「出口管制的強度僅取決於執法力度」之類的語句，幾乎無法提供任何可操作的資訊。
• 微妙錯誤： 將 AI 芯片描述為「小型」，忽略了走私物品通常是整台伺服器的事實；而聲稱全球供應鏈使走私「可行」的說法也極不精確。
• 誤導性統計： 提供從數萬到數十萬的估算範圍，卻未說明年份或「高階晶片」的定義，容易誤導讀者，特別是當較低的估計值很可能錯誤時。
• 空洞修辭： 以「政策已形同虛設」之類的結尾句，往往只是「掌聲燈」——聽起來重要，卻不傳達任何新資訊。

由於 AI 的寫作方式具有「最大說服力」，這些錯誤比一般的人類錯誤更難察覺。這為編輯帶來了極高的認知負荷，必須仔細審核每一字詞以確保準確性。

寫作者與讀者之間的隱含契約

在实质性溝通中存在一種隱含契約：讀者提供注意力，作為交換，作者應付出真實的思考與努力。當文本由 AI 生成卻被呈現為人工撰寫時，這種契約便遭到破壞。

未加說明地使用 AI 撰寫，被視為欺騙且無禮，類似於寄出一份潦草的草稿卻假裝是精心打磨的成果。當讀者發現文本為 AI 生成時，對內容與作者的信任都會下降，因為讀者不再確定作者是否真的為所提出的主張投入了必要的思考。

建議的 AI 撰寫應用場景

雖然不鼓勵將實質性文本的「生成」委託給 AI，但若用來增強人類思考而非取代，AI 可成為強大的工具。

有效的應用場景

• 腦力激盪與分析： 使用 AI 搜尋資訊、轉錄音訊或分析數據，以支援撰寫過程。
• 校對與潤飾： 使用 AI 進行句法修改或精簡文句，但必須由人類明確接受或拒絕每一項修改。
• 批判與打磨： 請 AI 對草稿提出批判，或提供難以表達句子的多種表述方式，協助作者找到最恰當的語感。
• 行政與協調： 撰寫簡短、格式化的企業郵件，主要目標是效率而非深度思考。

無效的應用場景

• 從提綱直接撰寫： 將項目符號轉為段落，跳過思考過程。
• 未揭露的 AI 生成： 將 AI 生成的文本偽裝成自己的作品，破壞專業信任。

社群觀點與反駁意見

技術專業人士之間的討論顯示，對於撰寫是認知練習還是生產任務，存在明顯分歧。

「我花了不少時間……審閱並改善一份由 LLM 輸出的工作文件。考慮到參與人數與最終投入的努力，我堅信手動撰寫會更快，且產出品質更高。」

相反地，有些人認為對非英語母語者或高產量企業環境中的人而言，AI 是確保清晰與專業的必要工具：

「我經常使用 AI 協助撰寫郵件，幾乎每次都能提供更簡潔、結構更佳的版本……如果這些工具可用卻不用，我認為那是對讀者時間的不尊重。」

其他人則指出，同樣的邏輯也適用於軟體工程，強調「寫程式就是思考」，而 AI 生成的程式碼也常出現與 AI 生成文字類似的細微、難以察覺的錯誤。