为什么AI总是给你正确的废话?

最近看到两条关于 AI 的新闻。

一条新闻说，研究人员对多款主流大模型做了大量测试，发现无论怎么换行业、换问题、换提示词，AI 最后给出的建议，常常会回到几个熟悉的词：差异化、合作、长期主义、创新、集中管理。另一条讲的是很多职场人对 AI 的焦虑。大家追新模型、试新工具、研究提示词、搭建工作流，好像每天都在靠近未来，但忙了很久之后，工作质量未必真正发生质变，身体和精神却先累了。

这就有意思了。

为什么 AI 越来越会说话，我们却越来越容易听到“正确的废话”？为什么它回答得越来越完整，很多内容却越来越像会议纪要、战略套话和咨询模板？为什么我们一边讨厌空话，一边又在职场、组织和公共表达中不断制造空话？

这到底是 AI 的问题，还是人的问题？

我的思考是：AI 的陈词滥调，真的只是技术问题吗？它是否也在提醒我们，人类公共表达本身，早已在很多场景里滑向了安全、平均与平庸？

所谓“正确的废话”，就是每一句都对，但放到具体问题里没有用。企业要转型，AI 告诉你要长期主义；品牌要出海，AI 告诉你要差异化定位；团队效率低，AI 告诉你要加强协同；产品卖不动，AI 告诉你要以用户为中心。

这些话错了吗？当然没错。正因为它们没错，才更麻烦。因为一句话如果永远正确，它往往也就没有什么锋芒；一个建议如果谁都不会反对，它也很难真正推动改变。

过去一个人写废话，多少还要坐在电脑前憋一会儿。现在 AI 几秒钟就能写出一篇结构完整、语气稳妥、看上去很专业的废话。这确实是一种效率提升，只是提升的未必是思想效率，而是包装效率。

从技术上看，大模型学习的是人类已经表达出来的大量文本，是互联网上、报告里、方案里、会议纪要里反复出现过的语言模式。它最擅长的，是从公共知识中提炼最大公约数，生成安全、常见、完整、不容易出错的表达。

所以，当我们提出一个很宽泛的问题，比如“企业如何创新”“品牌如何增长”“个人如何提升竞争力”，模型自然会回到那些公共语料里最稳妥、最高频、最不会出错的答案。它不是故意敷衍，而是在做它最擅长的事：把人类已经说过无数遍的话，重新组织得更完整、更礼貌、更像样。

问题是，AI 真的创造了废话吗？还是它只是把人类早已存在的大量平庸表达，更高效地还给了我们？

我更愿意把它看成一面镜子。AI 没有凭空创造平庸，它只是把平庸放大了。我们不喜欢它，有时并不是因为它不够聪明，而是因为它太像我们了。它把那些我们在会议里听过、在报告里写过、在方案里反复使用过，却又常常不愿承认其空洞的语言，整理得更漂亮，然后递回到我们面前。

人当然不喜欢废话。谁不期待洞察？谁不希望听到一句真正击中问题的话？谁不希望看到一个不同凡响的判断？

但真正不平庸的表达，本来就很难。为什么难？因为不平庸意味着取舍。你不能只说“要创新”，你要说清楚放弃什么旧路径；你不能只说“要差异化”，你要说明不服务哪些客户；你不能只说“要长期主义”，你要承担短期结果可能不好看的压力。

真正的判断，往往不是把话说圆，而是把矛盾说透；不是让所有人舒服，而是让关键问题无法再被回避。

可现实中，人更倾向于安全表达。废话安全，判断危险；废话圆滑，判断锋利；废话容易形成共识，判断常常带来分歧。一个人说“我们要加强协同”，很少有人反对；但如果他说“这个项目真正的问题是组织权责不清，某个部门不该继续主导”，那就意味着责任、冲突和风险。

所以，废话并不只是无知的产物。很多时候，废话也是避险的产物。

它有时是社交润滑剂，有时是组织缓冲带，有时是汇报安全垫。它最大的用处，是让人看起来说了话，却暂时不用承担判断。我们讨厌它，但又经常使用它；我们期待不平庸，但又未必愿意承担不平庸的代价。

这不是讽刺别人，而是每个人都可能如此。人在很多场景里，并不总是追求真相，也会追求安全；并不总是追求深刻，也会追求稳妥；并不总是想把问题说透，也会希望事情先过关。

所以，AI 的“正确废话”并不是一个简单的技术缺陷，而是技术与人性共同作用的结果。当语言不需要承担责任，当观点不需要经过实践检验，当表达只追求完整、稳妥和漂亮时，思想就很容易滑向平均值。AI 只是把这个过程加速了，也让它变得更加清晰。

全球关于 AI 的一些理性讨论，都在提醒同一件事：AI 并不天然等于生产率，也不天然等于更好的判断。

有人用 AI 之后，工作变快了，但工作是否变深了？有人用 AI 之后，内容变多了，但思想是否变清楚了？有人用 AI 之后，表达变漂亮了，但问题是否被真正解决了？

这几年很多人忙着学习 AI，忙着追新模型，忙着搭工作流。可是我们是否也应该问一句：我们到底是在提升能力，还是只是在追赶工具？我们是在训练判断，还是在训练自己更快地接受一个看上去完整的答案？

AI 的危险，不一定在于它会给出错误答案。错误答案有时反而容易被发现。更值得警惕的是，它给出足够正确、足够完整、足够漂亮，但没有真正价值的答案。这样的答案最容易让人误以为思考已经完成。

技术越强，人的判断越不能缺席。

判断力是什么？不是简单地说“我同意”或“我不同意”，而是知道什么问题值得问，什么答案不值得信；是知道一个方案看起来完整，但其实缺少关键约束；是知道什么时候应该顺势而为，什么时候必须逆着共识提一个不那么好听的问题；是知道哪些话只是正确，哪些话才真正接近事实。

AI 可以生成十个选项，但它不承担选择的后果。AI 可以写出一篇漂亮文章，但它没有真实处境。AI 可以模拟专家语气，但它没有长期实践中形成的代价感。人之所以仍然重要，不是因为人永远比机器聪明，而是因为人必须在现实中承担判断的后果。

判断力不是凭空来的，也不是多看几个 AI 教程就能拥有的。它来自长期的知识训练、现实经验、历史感、价值观、审美能力和对人性的理解。一个真正有判断的人，往往不是因为他掌握了更多工具，而是因为他知道工具不能替他回答哪些问题。

为什么人文、历史、哲学和审美在 AI 时代反而更重要？因为它们训练的不是操作能力，而是辨别能力。

历史让人知道，很多“新问题”其实并不新，很多技术热情背后都有相似的人性结构；哲学让人不断追问概念背后的前提，知道一个看似漂亮的答案可能只是换了一种说法；文学和艺术让人保持对细节、处境和生命经验的敏感，知道什么东西只是形式漂亮，什么东西真正有意味；审美则让人有能力判断一段话、一张图、一个产品、一种表达，究竟是高级，还是只是复杂。

AI 可以模仿风格，但它未必理解风格背后的生命经验；AI 可以生成内容，但它未必知道内容为什么值得存在；AI 可以给出方案，但它未必知道一个组织真正承受得起什么变化。

真正的判断力，往往不是知识量的堆积，而是经验、价值、审美和责任感共同形成的取舍能力。

这也是为什么同样使用 AI，不同人的结果会差距很大。有的人用 AI 得到一堆漂亮废话，有的人用 AI 找到新的角度；有的人让 AI 替自己思考，有的人用 AI 逼自己想得更清楚。差别不只在模型本身，更在使用者是否有足够的标准、经验和判断。

未来真正有价值的 AI，不应该只是更会说漂亮话。它应该更会追问：你的目标是什么？你的资源约束是什么？你愿意承担什么代价？你过去试过什么？你真正要解决的是增长问题、效率问题、组织问题，还是战略选择问题？

现在很多领先的 AI 公司都在寻找突破方向：更强推理、更长上下文、更强记忆、更可靠的检索增强、更专业的行业知识库、更能执行任务的智能体，以及更能进入真实工作流的系统。为什么？因为大家都意识到，单纯“会说”已经不够了。

AI 如果只是回答，它很容易变成废话机器；AI 如果能追问、验证、调用工具、暴露矛盾、帮助人做取舍，它才可能成为真正的思考伙伴。下一代 AI 的突破，不应只是从“不会说”到“会说”，也不只是从“会说”到“更会说”，而是从“替人回答”走向“帮助人判断”。

所以，我并不认为“AI 总是给你正确的废话”说明 AI 没有价值。恰恰相反，它提醒我们重新理解技术价值。

AI 的价值不在于它能生成多少内容，而在于它能不能帮助人更接近问题本质。它能不能让我们少一些套话，多一些追问；少一些包装，多一些取舍；少一些看似完整的平均答案，多一些真正有代价意识的判断。

当 AI 可以快速生成所有正确的普通话，人类真正稀缺的能力就变成了：敢不敢说出那个不那么安全、但更接近真相的判断。

这才是 AI 时代最值得思考的地方。它让平庸变得更便宜，也让真正的洞察变得更昂贵；它让文字生产变得容易，也让判断力的价值更加凸显。

如果 AI 又给了你一堆“差异化、长期主义、生态协同、用户中心”的建议，不妨先不要急着复制。停一下，问三个问题：它指出真正的矛盾了吗？它帮我做出取舍了吗？它让我承担更清楚的判断了吗？

如果没有，那么再正确，也只是废话。

而人真正要守住的，也许正是这点不愿被平均化的判断力。

添加徐老师微信

立即咨询

国际在职“MBA/EMBA/DBA”

点击底部“阅读原文”查看更多

国际在职“MBA/EMBA/DBA”

↓↓↓↓↓↓