一组产品文案，八条，读下来像同一个人在同一天同一个心情里写的。问过才知道是 AI 生成的，人工只改了错别字和几句读着不顺的地方。
这件事让我想了一阵。AI 内容创作真正改变的，可能不只是“能不能写出来”，还有“写出来的东西有多容易被替换”。
变快的到底是哪一段
快的是中间那一段：心里已经有一个明确的意思，需要把它展开成段落、换成另一种语气、压缩成短句、扩写成说明。这些动作有清晰的输入和输出，模型做得稳。
两头没变快。前面的“到底要说什么”，后面的“这句话说出去会不会有问题”，还是得人来。而且这两段现在显得更重了：中间环节一便宜，一天能出的稿子就多，需要拍板的地方也跟着多。
- 要说什么：从一堆模糊念头里挑出一个值得讲、别人又还没讲过的点。
- 说给谁听：把读者的具体处境想清楚，而不是写“广大用户”。
- 能不能这么说：依据在哪里，承诺有没有越界。
同质化不全是模型的问题
很多人说 AI 写的东西“有股味儿”。凑近看，那股味儿常常来自输入的贫瘠。给一句笼统的指令，拿回来的自然是笼统的文本；给一个具体到能想象出画面的场景，输出会明显不一样。模型交回来的东西，某种程度上是提问质量的一面镜子。
另一个来源是习惯。人一旦发现某套提示词好用，就会反复用；反复用的结果是不同主题的稿子越长越像。这时候问题不在工具，在于把工具当成了模板库。把 AI 内容创作当成流水线，产出就像流水线；把它当成一个反应很快、但需要你给足材料的合作者，情况会不一样。
值得自己留着的那条线
我的做法是划一条不太讲效率的线：凡是需要“我为什么这么认为”的部分，自己写；凡是“把这个意思讲清楚”的部分，可以交给模型起个草。前者是判断，后者是表达。判断交出去，文章就只剩表达，读起来顺，读完却什么都没留下。
改稿时我也不只看通顺不通顺，而是看有没有具体的东西。时间、地点、数量、某个人说过的一句原话、一次没走通的过程——这些地方模型很容易含糊过去，也恰恰是一篇文章难以被替换的部分。遇到不确定的，就标出来去核实，核实不了就删掉，宁可少一句。
那八条文案我又想了一遍。它们其实没有错，只是没有一处能让人记住。这大概就是 AI 内容创作眼下的处境：它把“写得出”变成了一件平常事，于是“为什么值得写”重新成了难题。