AI 為何愈寫愈防禦,又怎樣分清哪些「不」該刪、該改、該留
同事交來一份 AI 協作的計劃書,翻開一看,「不承諾」「不保證」「不代表」「並非」接二連三出現。數了一遍,足足 49 處,就好像一手交計劃,一手替自己擋箭,硬是把計劃書寫成了「自保」的辯護書。
設想走進一間餐廳,侍應遞上餐牌,第一頁寫著:「本店並非快餐店」「菜式不代表正宗粵菜」「不承諾米芝蓮水準」「上菜時間不保證」。每句都挑不出大錯,但你還未看到有什麼好吃,胃口已經少了一半。
AI 寫計劃書,也會築起這道「防火牆」。
AI 怎樣一格一格寫出文章
AI 沒有真的怕人告它,它只是根據前文,一格一格地生成文字。
大語言模型寫字的方法,可以先簡單想成猜格仔。它把文字切成一小格一小格,這些小格叫 token,可以是一個字、一個詞,也可以只是半個詞。它根據前文,為下一格的不同候選內容計算可能性,再生成一格,文章便這樣逐步寫出來。
你叫它寫「專業、嚴謹的計劃書」,它會參照學過的同類文字。公文、合約、招標書、私隱政策和免責聲明,常見「並非」「不代表」「不保證」等限制句。模型可能因此把正式文件的文體,連同其中的限制句式一併寫進計劃書。
好比一位剛入職的同事,手上只有一疊舊合約和招標書做範本。第一次替部門寫聚餐通知,也在末尾補上「本公司保留最終解釋權」「如有任何爭議,以中文版本為準」,他可能只是沿用手上見過的格式。
「穩妥答案」也可能變成「自保」
模型讀完大量文字,還會經過讓回答更符合人類偏好的訓練。訓練者會比較不同回答,模型再據此調整生成方式。這類偏好訓練可能影響回答的謹慎程度;在醫療、法律、投資和安全等高風險問題上,交代條件和適用範圍,往往比把沒有把握的內容寫成肯定結論更妥當。
這種謹慎用在藥物建議上,可以提醒人不要自行亂試;用在活動計劃書,AI 卻可能寫成這樣:
活動設有報名表,填寫報名表並不代表已經出席活動。
看計劃書的人本來就知道報名和出席是兩回事。與其花一句話澄清,倒不如說明參加者怎樣報名、活動當天如何簽到。
做過項目的人,知道哪些風險可能影響審批、成本或進度,哪些只是理論上想得到的。個人資料處理不當,可能拖慢審批;上面那句關於報名和出席的澄清,卻未必有助活動安排。AI 沒參與過項目匯報會議,也沒見過評審讀到哪一頁會皺眉頭。若提示和文件沒有提供足夠情境,模型便可能把真風險和假想疑問都當成需要澄清的事項,一樣會用力構築一道道防火牆。
第一句「不」,會把後面的「不」叫出來
AI 還有一個習慣:跟稿。上文不只告訴它寫什麼,也示範這份稿應該怎樣說話。前面有了「不承諾排名」,後面便可能寫出「不保證引用」「不代表實際轉化」。寫到第三句時,這種腔調已經成了全文的規矩。
稿裡有一兩個「不」字,當然沒事。若一段中連續出現好幾個相似句式,前文便提供了現成模式,AI 在後文重複同類寫法的機會也會增加。
反覆改稿也可能令限制句累積。假設一份稿要反覆修改,第一輪,用戶說:「加一句,講清楚搜尋排名不受我們控制。」AI 加了。
第二輪,用戶說:「場地也有不確定性。」AI 又加一句。
第三輪,用戶擔心費用被誤解,AI 再補兩句。
每次改稿,AI 看到的都是上一版全文。用戶通常只叫它「補充這一點」「澄清那一項」,未必同時要求檢查舊句是否已屬多餘。於是舊句留著,新句繼續加。若修改只顧補充、不回頭整理,限制句便會一輪又一輪增加。
改了五輪,風險未必管得更好,免責聲明的牆倒愈堆愈高。
回頭看同事計劃書中的 49 處,有幾種可能的影響因素。模型沿用了參考文件的句式,偏好訓練令它傾向謹慎,上下文又讓同類句式延續下去。最直接的問題,是文件沒有把真實風險、必要邊界和假想疑問的輕重分出來。

49 處,哪些應該保留
我把 49 處逐句分類,交給同事校對。其中九處有需要保留的事實或法規限制;其餘四十處,可以刪除或改寫。分類時只看三件事:讀者是否需要、是否有業務或合規依據,以及刪掉後會否漏掉重要資料。
第一類,是 AI 自己補出來的誤解。下面這句連用兩次「不是」,把「獎金」和「額外收費」兩個原本沒有的疑問寫進稿裡。已知款項的實際用途,便可改成正面說明。
原文:該款項支付予主辦方,不是向註冊者派發獎金,也不是作為增值服務費。
改寫:該款項已納入基本服務費,由項目團隊直接支付予主辦方。
第二類,是服務範圍和計價方法。「並非」背後有資料,內容未必應刪;要看讀者究竟需要知道什麼。如果只是說明計價單位,直接寫清全年綜合服務計價便可;如果「並非單一軟件或維護報價」是避免真實誤解所必需,就應保留這項邊界,最好再說清楚包含與不包含的項目。
原文:本板塊以全年綜合服務計價,並非單一軟件或維護報價。
改寫(只需交代計價方式時):本板塊以全年綜合服務計價。
第三類的「不承諾」有真實原因。計劃書裡面提到的搜尋排名和引用,會受平台算法等因素影響,團隊確實不能保證結果。正文可先寫工作,限制和處理方法則寫在風險管理一節;若文件格式固定,便在原段落交代限制與應對,不必硬加新章節。
原文:提升搜尋曝光機會,不承諾排名或引用結果。
正文:團隊優化內容結構和資訊完整度,每月量度索引覆蓋及引用情況。
風險管理:搜尋排名和引用受平台算法等因素影響,團隊不承諾排名或引用結果,並按月檢視數據及調整內容。
看到「不」字,不必一律刪掉。先看它有沒有依據、是否需要告訴讀者,以及刪掉後會否漏掉重要資料。

叫 AI 改稿,不能只說「寫得正面一點」
「寫得正面一點」太含糊,AI 很可能刪掉「不保證」,順手改成「有效提升」。防火牆剛拆掉,又築起一道吹牛牆。
要 AI 校正時,可以這樣下指令:
找出所有否定、免責和限制句,逐句列出原句、依據及建議處理,並分成三類:一、沒有依據的假想疑問;二、服務範圍或計算規則;三、有事實、合約或法規依據的風險與限制。不得新增承諾、數字、法規或項目細節。先交分類表,再改正文。
改完後,再核對有沒有刪掉必要資訊,或把限制改成承諾。最後問三件事:
- 這個計劃究竟要做什麼?
- 做成怎樣才算有效,用什麼數字衡量?
- 哪些真風險會影響執行,由誰處理?
三題答不出來,先補計劃內容,再修句子。法律、醫療、安全或合規文件,則交熟悉規則的人覆核限制。
同事按這套方法改完,原來的辯護書總算有了計劃書的樣子。
說來慚愧,跟 AI 協作久了,我自己的稿也染過這種句式。這篇文章的初稿,「不是……而是……」一共出現八次。如今回頭看,AI 幫我改這篇文章時,又在正文加了幾道防火牆:「這只是可能的解釋」「不代表每多一句否定句,就必然引出更多否定句」「不能單憑一份計劃書判定各自的分量」。
我對 AI 說,這些話更適合留到末段自嘲;我再叫它統一行文,它卻只改了開頭並致歉。看來,防火牆不只會出現在計劃書,連替人拆牆的 AI,也可能一邊施工,一邊替自己的疏漏添加註解。
這篇文章的末兩段,倒成了「自保」最現成的示範。
協作者:張Sir和AI
@張Sir的AI養生館-學習智人


