把内容生产拆成四步：哪一步该交给 AI，哪一步绝对不能

先说结论：AI 在内容生产里最大的价值不是「写」，而是把写之前的准备工作从几小时压缩到几分钟。真正决定内容质量的仍然是人和事实，而这两件事恰好是 AI 最不该独立负责的。

我们现在的流程是四步，每一步的责任边界都很清楚。

第一步：选题与角度 —— AI 辅助，人决定

AI 可以做的事情：把一批关键词按搜索意图聚类，找出哪些是「想知道怎么做」、哪些是「想比较哪个好」、哪些是「想确认某个事实」。这个分类直接影响文章结构，用人工做得花一整天。

人必须做的事情：决定写哪个，以及用什么角度。这一步决定文章有没有价值，而 AI 给出的角度通常是搜索结果的公约数——也就是所有人都在写的那个角度。

给定选题和意图分类，AI 可以很快产出五到八个一级标题。这个初稿的可用率大概在六成：结构大体合理，但会有明显的凑数段落。

人的工作是删。把「总结」「展望」这类没有信息量的段落直接拿掉，把两个重复的角度合并，把最重要的那个论点提到前面。这一步花十五分钟，但决定了读者会不会读下去。

这里有一条硬规则：AI 不允许写任何具体的数字、日期、人名、产品价格，除非这些信息在提示词里被明确给出。

原因很实际。大模型对这类事实性细节的编造率远高于一般文本，而且编造得非常自然——语气笃定，格式规范，看起来完全可信。一旦混进正文，后面的核验成本比不用 AI 更高。

我们的做法是让 AI 写框架、写解释、写过渡，把需要事实的位置留成占位符，由人填。

这一步是整条流水线的瓶颈，也是唯一不能压缩的一步。

每一条事实性陈述都要回到原始来源确认：价格去官网看，数据找原始报告，产品功能自己试一遍。这一步占整个流程大约 40% 的时间，而且不随 AI 能力提升而下降。

有人问能不能让 AI 互相核验。我们试过，效果不好——它倾向于确认自己已经说过的内容，而不是质疑。让另一个模型来核对，本质上只是把同一个概率分布采样了两次。

拆完之后就很清楚了：产能提升来自第一步和第二步的加速，以及第三步里那些不需要事实的部分（解释、过渡、举例框架）。

第四步的时间没有变，但它在整个流程里的占比从 60% 变成了 40%，所以总时间下降。这个账算清楚之后，就不会再对「AI 能不能替代编辑」这类问题抱有幻想。

顺带说一个副作用：走完这套流程的人，对「什么算事实」的敏感度会明显提高。这可能是比产能更值钱的收获。