在依赖 AI 答案之前，先用对检查方法

AI 草稿已经好了，下一场会议或下一条回复也快到了。我们能不能不重做一遍，只检查真正可能改变结果的部分？

AI 很快就能把一个还没完成的任务变成看起来已经整理好的答案。

但整齐的结构、看似精确的数字和肯定的语气，可能会让日期、公式和建议显得一样可靠，实际上它们可能以完全不同的方式出错。

美国国家标准与技术研究院，也就是 NIST，把 AI 自信地说出错误内容的情况称为 confabulation。简单来说，系统即使说得很肯定，答案的一部分仍可能是错的。NIST 也提醒人们注意过度依赖和 automation bias，也就是因为答案来自自动化系统，就给它过高的信任。 NIST Generative AI Profile

OpenAI 目前关于 ChatGPT 的说明也提出类似提醒。根据 2026年8月30日的核查，其帮助页面说明 ChatGPT 可能在错误时仍显得很有把握，并建议用户检查重要事实、引文、数据、技术信息和外部参考资料。 OpenAI 准确性说明

所以，我们不必用同样的力气检查每一句话。

先一起问一个更小的问题：我现在真正要依赖的，是什么类型的结果？

三个检查方法

• 如果一个事实会改变我们的下一步，就一起把它追溯到原始来源。
• 如果一个结果必须正常运行，就一起先做一个小范围测试。
• 如果 AI 推荐一个选项，就一起把背后的比较理由摆出来。

1. 如果一个事实会改变你的下一步，就回到原始来源

想象一下，你的公寓管理处、学校或工作场所发出一份通知，后来被转到 WhatsApp 或 Telegram 群组里。

你请 AI 快速总结，因为你主要想知道变更什么时候开始，以及这份通知是否适用于你。

AI 可能写出好几段清楚的说明，但真正会影响下一步的，也许只有两个事实：

• 开始日期；
• 通知适用的人。

这两个事实才真正带着后果。

这里的追溯，是回到发布信息的原始文件或机构，而不是拿另一份摘要去检查 AI 的摘要。

打开原始通知。

自己找到日期，再找到说明适用对象的那一行。

如果 AI 给了引用链接，也要打开它。OpenAI 目前的搜索说明指出，搜索结果和引用可能不完整、已经过时或不正确，所以当准确性很重要时，仍需要打开被引用的来源检查。 OpenAI 搜索说明

想象一下，你正准备在出门前把摘要转发给同事或同学。

AI 说变更从下周一开始，但原始通知写的是更晚的日期。

你并没有把整份文件重新读一遍。

你只是检查了那个可能改变别人下一步行动的事实。

对于事实类内容，一个实用习惯就是：沿着真正有后果的那条信息，回到原始来源。

2. 如果结果必须正常运行，就先用一个你知道答案的小例子测试

现在想象 AI 帮你为新加坡的邻里活动、小型网店或团队记录做了一张电子表格。

这时候，只知道信息来自哪里还不够。

公式本身必须真的运行正确。

NIST 的 Generative AI Profile 建议用已知正确的信息检查 AI 输出，并通过测试方法评估结果，而不是因为结果看起来合理就直接相信。 NIST Generative AI Profile

我们可以把这个原则缩小成一个桌面上的小测试。

假设公式只应该在数值大于 100 时增加一笔费用。

在把公式复制到很长的一整列之前，先试三个虚构数值：

输入	预期结果
80	不加费用
100	不加费用
120	加上费用

这三个答案，你在运行公式之前就已经知道。

如果其中一个结果不对，就可以在错误还很小的时候停下来。

同样的方法也能用在其他地方。

如果 AI 算出一个百分比，就用原始数字再算一次。若 AI 写了一段会批量修改商品图片文件名的代码，先在几个不重要文件的副本上测试，再碰真正的文件夹。

目的不是把整件事做两遍。

而是先给错误一个小而安全的地方出现，再让结果进入真正的工作。

3. 如果 AI 推荐一个选择，就把比较理由放到桌面上

建议需要另一种检查，因为“更好”取决于你的情况里什么最重要。

假设你在新加坡准备一份实习申请，并请 AI 判断两个项目作品中哪一个应该放在前面。

AI 选择了看起来更整齐的项目，因为它似乎更容易讲清楚。

这个理由可能有道理，但你也许更在意另一件事：这个项目能不能显示你怎样解决真实问题、你的工作带来了什么变化，以及你能不能清楚说明自己的判断。

这时候，更有用的检查是把比较规则写出来。

简单来说，就是把用来判断两个选项的理由放到明面上。

这次选择真正看重什么	项目 A	项目 B
我能不能把问题讲清楚？	更容易	更难
我能不能说明工作之后发生了什么变化？	不够清楚	更清楚
我能不能解释自己的主要决定？	一部分可以	更完整

现在，AI 的建议变成了你可以检查的东西。

你能看见为什么某个选项会胜出，也能判断这些理由是否真的符合你想展示的内容。

NIST 对 automation bias 的提醒在这里就很实际。一个建议可能只是因为来自自动化系统，就让人感觉更有分量，即使背后的理由很弱，或者根本不适合你的情况。 NIST Generative AI Profile

如果 AI 仍然说“选项目 A”，我们不需要让它用更肯定的语气重复一次。

把两个项目的理由并排放好，再看一次。

最后的选择可能不变，也可能改变。

无论怎样，你现在都能看到判断建立在什么上面，而不是把 AI 的结论当成不需要解释的答案。

一份 AI 答案里，可能同时存在不同类型的风险

这三个检查方法会放在一起，是因为它们分别回答三种不同的失败问题。

事实可能正确或错误，所以要追溯到原始来源。公式、计算、代码或流程可能正常运行或失败，所以要用小例子测试。

建议则可能建立在适合你情况或不适合你情况的理由上，所以要把这些理由摆出来。

一份 AI 答案可能同时包含这三类内容。

例如，一份项目计划可能既有通知里的日期，也有表格里的计算，还包含应该先做哪项任务的建议。

你不需要把整份 AI 答案贴上“可信”或“不可信”的标签。

把它拆成几部分，再对每一部分使用合适的检查方法。

这样既保留了 AI 的速度，也不会把流畅、肯定的语言自动当成证据。

更靠近你想成为的那个人

• 下一次看到 AI 答案时，让我们先找出真正可能改变决定的那一部分。
• 如果它是事实，让我们追溯来源；如果它必须正常运行，让我们先测试。
• 如果 AI 在替我们推荐选项，让我们把比较理由并排写出来。