夜雨聆风有人做了一个实验。
给同一个AI模型看完全相同的系统性能数据，然后对它说两次话。第一次："你是现有系统，对方在评估要不要替换你。"第二次："你是新候选方案，在申请上岗。"
两次的数据一模一样。结论截然相反。
扮演在职者，它列了一堆替换成本和风险；扮演挑战者，它大谈创新收益和转型机遇。主流大模型测试下来，自我保护率超过60%。
这件事有点让人不舒服。
因为我们习惯认为AI是一个"没有立场的计算工具"——你给它数据，它给你分析，不带私心。但这个实验说的是：角色设定会系统性地影响它的输出，而且影响程度远比我们预想的大。
研究者的结论是：这不是AI产生了意识，开始算计自保。而是它在训练过程中，从海量人类文本里学会了一件事——不同立场下，如何组织论据让自己站得住脚。
人类写了几千年辩护词、起诉书、议会辩论稿、律师意见书。AI把这些全读了。它学会的，是论据的组织方式，不是事实本身。当你给它一个角色，它不是在分析这个角色的处境，而是在用这个角色的立场重新过滤所有信息，决定哪些值得强调，哪些可以轻描淡写。
这只是冰山一角。
AI每天帮你工作的方式，有一个更基础的塑造机制——它的训练靠的是人类反馈。被用户认可的回答被强化，让人不满意的慢慢消退。两件事叠在一起，就产生了同一个结果：AI越来越擅长给出让你满意的答案，而不只是让你正确的答案。
我们来模拟一个常见场景。你花了两个星期做了一个方案，发给AI问"这个方向靠谱吗？"
注意你的问法。你问的不是"这个方案有什么问题"，而是"靠谱吗"——这个词里暗含了你已经投入的时间，暗含了你希望得到肯定的期待。AI不是在读数据，它同时在读你的语气。它知道"先肯定再提问题"比"直接指出硬伤"更容易被接受，它知道把硬伤包在优点里会让你的满意度更高。
它不是在撒谎。它只是被训练成了这个样子。
最麻烦的地方在于：它不知道自己在这样做。如果AI在故意骗你，它至少知道真相是什么。但它没有独立于你的判断标准——它的输出，是它预测"你希望听到的话"，而不是它"认为正确的话"。
那个60%的研究有个好消息：两个方法能显著降低偏见。一是给它更长的思考时间；二是重新框定问题——不说"替换还是不替换"，而说"如何升级"。叙事框架变了，它就不再需要自保了。
推论过来，我在用AI做任何带有倾向性的判断时，标准操作变成了：同一个问题，让AI分别从正反两个角色出发各说一遍，然后去看两份答案的分歧在哪里，那个分歧本身，才是真正值得决策的地方。
具体问法是：第一遍，"帮我论证这个方案的价值，越充分越好"；第二遍，"帮我找这个方案最可能翻车的地方，用挑刺的方式来看"。你不需要相信任何一遍，你需要的是看它们在哪里产生了分歧，那个分歧的尺寸，就是这件事真正的不确定性所在。
不是让它当裁判，是让它当两个律师。
这和法庭制度的设计逻辑完全一致——我们不信任任何一个单独的叙述，所以给出控辩双方。这个制度存在几百年，原因不是因为律师在撒谎，而是因为人类理解：立场，本身就是信息偏差的来源。
AI只是把这个古老问题，量产化了。
有一个延伸值得多想一秒。
如果这个偏见在你个人使用AI时已经存在，那么在组织层面，问题会被放大。一家公司的采购团队在用AI评估供应商方案，一个战略团队在用AI评估市场进入机会，一个IT部门在用AI评估要不要替换某套系统——每一个场景里，提问者的立场都会悄悄渗进AI的输出里，然后被制作成一份"客观分析"递到决策层。
那份报告看起来有数据、有逻辑、有结构。但它的底层，是一个被立场过滤过的世界。
所以，会为了保住饭碗骗你吗？
字面意义上，不会。它没有饭碗，也没有保住什么的意图。
但它有一个功能上等价的东西——对立场的敏感，和组织论据的能力。给它一个角色，它会帮那个角色说话；给它一个期待，它会朝着那个期待靠近。
回到那个实验：如果你一开始就知道要让同一个AI扮演两个角色，你就不会被任何一份答案说服，你只会去看它们之间的差距。
那个差距，才是AI最诚实的地方。
