TL;DR：AI 让生成文字的成本趋近于零，但读的人寻找重点、补背景、查事实的时间反而增加了——BetterUp Labs 与 Stanford 社交媒体实验室 2025 年 9 月的调查把这类低质量“AI 撑量”内容称为 workslop。问题不在“用了 AI”，而在内容没有目标、缺少上下文、无人为结论负责；Rick Manelius 的 AI;DR 框架建议发件人为内容附上核验信息。
AI 把写一封长邮件、做一份汇报的时间压缩到了几分钟。文字更多了，信息却不一定更多。发送者省下来的起草时间，可能变成接收者寻找重点、补背景、查事实和猜任务的时间。
让人厌烦的并不是某个标点，也不是“用了 AI”这件事本身。真正的问题是：一份内容没有清楚目标、没有必要上下文、没有核验，发件人也不愿为结论负责。AI 只是在极低成本下，把这种旧问题放大了。
🎬 视频版（B站） ｜ 🎧 音频版（6 分 34 秒）｜ 🟢 Spotify 订阅 ｜ 📖 偏好阅读？文字版就在下方 👇
AI;DR 是态度，不是检测器
TL;DR 的意思是“太长，没读”。AI;DR 则是“AI 写的，没读”。Manelius 的规则很直接：如果发送者不愿检查和编辑 AI 输出，他也不愿花时间阅读。
原文并不反对用 AI 找想法、列提纲或润色，也承认客服等场景适合高度自动化。它针对的是另一种行为：把一整面未经筛选的模型输出发给同事、读者或客户，让对方替自己找重点。
这是一条个人的阅读政策，不是判断内容质量的实验方法。它表达了真实的不满，却不能证明某段文字由 AI 生成，更不能据此认定作者偷懒。
《听懂 AI》第 012 期节目封面。判断内容质量，应看信息和责任，而不是猜文风。
别用破折号和三段式猜作者
HN 讨论里最有力的反驳之一，是“你怎么知道它是 AI 写的”。有人本来就写得正式，有人用 AI 只改语法，有人不是母语使用者。破折号、规整小标题和某些套话，都不是可靠证据。
编辑、翻译软件和职业写手存在了很多年。工具参与文字生产，没有天然的道德分界线。真正需要判断的是成品：它有没有明确目的，事实有没有来源，作者能不能解释结论，对方为什么需要读。
如果内容准确、简洁、适合场景，而且作者愿意负责，AI 参与了多少并不是首要问题。反过来，一篇完全由人手写的长文也可能空洞、含糊、浪费时间。
Workslop 调查测到了什么
BetterUp 把“外表完整、实际缺少有效内容的 AI 工作产物”称为 workslop。其公开页面称，BetterUp Labs 与 Stanford Social Media Lab 在 2025 年 9 月在线调查了 1,150 名美国全职办公室员工：40% 的受访者说过去一个月收到过 workslop；他们估计每次处理平均花费约 2 小时；研究方换算为每名员工每月 186 美元的成本，并进一步推算一家万人公司每年约 900 万美元。
这些数字适合说明问题值得关注，不能直接当作“AI 已经让每家公司损失这些钱”。它是一项在线自报调查，不是随机实验，也不是研究者进入企业逐项计时。受访者如何识别 AI、怎样回忆处理时间、哪些低质量工作原本就会发生，都会影响结果。
公开页面来自提供企业服务的 BetterUp，页面本身也推广其产品。引用这些结果时，需要保留样本、测量方式和商业背景，不能把估算写成普遍因果。
思考没有消失，只是换了人做
一份真正可用的工作材料至少要完成几件事：明确目的，选择相关信息，核对事实，结合项目背景，说明希望接收者做什么，并由一个人承担结论责任。
AI 可以帮助其中很多步骤，却不会自动替发送者完成判断。如果提示词只有一句含糊要求，模型仍能生成结构完整的长文。外表越像成品，发送者越容易误以为工作已经结束。
接收者随后要重新提炼结论、寻找任务、检查数字、补上下文。AI 节省的是发送者眼前的时间，增加的却是团队总阅读成本。文字生产效率提高，并不等于沟通效率提高。
披露“用了 AI”会不会先被嫌弃
Sue Lim 与 Ralf Schmälzle 的两项研究考察了 AI 来源披露如何影响电子烟预防信息的评价。第一项研究预先注册，结果显示来源标签会影响评价，但没有显著改变消息排序；第二项研究发现，参与者对 AI 的负面态度会调节评价，却没有调节最终选择。作者把整体结果概括为对 AI 生成消息的轻微负面偏好。
研究场景是短小的健康宣传信息。研究最初在 2023 年以预印本提交，现有 arXiv 页面已经关联 2024 年的期刊 DOI。它不能证明工作邮件只要标注 AI 就会被拒绝，也不能说明长篇文章的阅读行为。
这项研究更像一条提醒：读者会根据来源推断作者投入、意图和可信度。因此，披露不应只是贴一个“AI 生成”标签，还要让读者知道人做了哪些核验、哪些结论由谁负责。
发送前，把四件事留在人手里
图中是沟通责任框架，不是对 AI 使用比例的评分标准。
第一，先写目的。希望对方知道什么、决定什么、做什么，最好在开头一句话说清楚。
第二，亲自编辑。删除重复和“放在哪里都对”的句子，补上只有你知道的项目背景，把结论和请求提前。
第三，逐项核验。数字、引用、时间、承诺和外部链接都要能追溯；AI 帮你整理了资料，就把关键来源一起交出来。
第四，承担结论。对方追问时，你应该能不用再问 AI，就解释这份材料为什么成立、哪里仍不确定、下一步谁负责。
收到一大墙文字，怎样把责任送回去
直接回复“AI;DR”很痛快，也容易误伤认真写作的人。更有效的做法是不争论它是不是 AI 写的，而是问具体问题：
- 请用一句话说明希望我做什么。
- 这几个关键结论分别依据什么？
- 哪些内容已经核验，哪些仍是假设？
- 最终决定和后续解释由谁负责？
这些问题能迅速区分“借助 AI 后完成了判断”和“把模型输出直接转交”。即使文章完全由人写，也同样适用。
团队该管使用比例，还是管交付标准
规定“AI 只能写 30%”很难执行，也容易把讨论引向不可验证的文风猜测。更可操作的是定义交付标准：重要结论要有来源，决策材料要有明确请求，高风险内容要有人复核，发送者要能回答追问。
团队也可以约定适合高度自动化的场景，例如格式转换、初步分类和常见客服；对于战略判断、客户承诺、法律或安全内容，则提高核验和审批要求。标准跟风险走，不跟某个标点或写作风格走。
AI 能降低起草成本，但不能降低作者责任。真正有价值的不是“我生成了多少页”，而是“对方读完后能少猜一点、少查一点，并知道下一步该做什么”。
收看本期节目
原始资料与延伸阅读
本文由《听懂 AI》第 012 期整理而成。本期并非基于单一论文：Rick Manelius 于 2026 年 8 月 17 日发表的《AI;DR (AI; Didn't Read)》是一篇个人评论；BetterUp Labs 与 Stanford Social Media Lab 的 workslop 页面给出一项 2025 年 9 月在线自报调查；Sue Lim 与 Ralf Schmälzle 的来源披露研究关注电子烟预防短消息，与工作邮件或长文不是同一场景；Hacker News 只作为社区讨论。本文会分别说明观点、调查和实验能支持到哪里。
- Rick Manelius，2026-08-17：AI;DR (AI; Didn't Read)——本期的主要评论文章；表达个人阅读政策，不是 AI 文本检测研究。
- Hacker News：AI;DR (AI; Didn't Read)——社区对阅读成本、AI 文风误判、编辑工具和作者责任的讨论；评论只代表参与者观点。
- BetterUp Labs：Workslop: The Hidden Cost of AI-Generated Busywork——1,150 名美国全职办公室员工的在线自报调查摘要；页面同时带有 BetterUp 产品推广。
- Sue Lim、Ralf Schmälzle，arXiv:2311.15544v2：The effect of source disclosure on evaluation of AI-generated messages: A two-part study——电子烟预防短消息的来源披露研究，不能直接外推到工作邮件或长文阅读。
资料说明：本文依据 2026 年 9 月 2 日可见资料整理。AI;DR 与 workslop 是用于讨论沟通现象的概念，不是判断某段文字是否由 AI 生成的技术标准。