夜雨聆风博主介绍
👨💻 了解博主：波仔椿📖 人生箴言：AI 不会淘汰人，但会用 AI 的人会淘汰不会用的人。🧰 我的专栏：AI杂谈会
文章内容
前几天我跟一个在报社干了十年的老同学聊天，他叹了口气说："现在一天要处理的稿件量，是三年前的三倍，但人没多一个。"我问他怎么办，他说开始用AI了——转录采访录音、整理资料、生成初稿，效率确实上去了。但紧接着他说了句让我一愣的话："用AI最怕的不是慢，是快——快到你来不及核实，假消息就出去了。"这篇文章，我就聊聊新闻工作者怎么用AI提升效率，同时守住新闻质量与真实性的底线。
一、你敢信吗？AI已经在新闻行业"潜伏"很久了
很多人以为AI跟新闻行业的关系还停留在"未来展望"的阶段，其实不然。我那个老同学跟我说，他们报社两年前就开始用AI做采访录音的自动转录了——以前一段30分钟的录音，人工转录至少要两小时，现在AI十分钟就能搞定，准确率能到90%以上。剩下的10%人工校对就行，总比从零开始敲字快得多。
但这只是最基础的应用。他告诉我，现在报社里用AI的地方远不止转录——从选题线索的自动抓取、到数据新闻的图表生成、到稿件的自动摘要、到社交媒体的舆情追踪，AI几乎渗透到了新闻生产的每一个环节。
问题来了：效率确实高了，但新闻的灵魂——真实性和公信力，有没有被AI悄悄侵蚀？
我后来跟几个做新闻的朋友聊了一圈，才慢慢意识到一件事：AI介入新闻，不是"要不要"的问题，而是"怎么用才不出事"的问题。 拒绝AI的人会被效率淘汰，乱用AI的人会被公信力淘汰。中间那条路，才是新闻人真正要找的。
1. 新闻行业的AI应用现状
我查了一下近两年的行业情况，整理了这张表——你可能不知道AI在新闻领域的渗透已经到了这个程度：
新闻行业AI应用场景一览
| 高（幻觉/编造风险） | |||
你看，风险等级最高的是"稿件初稿生成"——这正是最容易出事的地方。AI写新闻稿，速度快，但它会"编"。一个数据它没查到，它不会告诉你"我没查到"，它会自己编一个看着很像真的数字出来。这种东西一旦发出去，公信力直接崩塌。
二、信息搜集：AI帮你从海量数据里"捞出"关键线索
新闻工作的第一步，永远是信息搜集。记者要找线索、挖背景、查资料——这些活，以前靠人脉、靠经验、靠一双眼睛在信息海洋里盯。现在AI能帮你做的是：在海量数据里快速定位值得你深入关注的那一小撮线索。
1. 从公开数据里"挖金"
我那个老同学跟我讲了一个他亲身经历的例子。去年他们做了一篇关于城市空气质量的调查报道，需要对比五个城市过去三年的PM2.5数据。传统做法？一个人去环保局网站一个个查、一个个录，光是数据整理就要两三天。
他这次换了思路。先把公开数据源找到，然后让AI帮他做数据清洗和初步分析——“请对比以下五个城市2022-2024年的PM2.5月度数据，找出异常波动月份，并标注可能的季节性规律”。AI十分钟就给出了结果：有三个城市在冬季出现了明显的数据跳升，其中一个城市的某两个月数据前后逻辑矛盾——换算单位跟其他城市不一致。
这个异常点，就是他们后来深挖的关键线索。 最终那篇报道发现，该城市在冬季监测站点的数据上报口径做了调整，导致数据可比性出了问题。这不是腐败，不是造假，但如果不做这个数据比对，普通读者根本看不出来。
翻译成人话：AI帮记者做的，不是替你判断什么重要，而是帮你在一堆数据里快速筛掉"大概率不重要"的部分，让你把注意力集中到"可能有故事"的地方。你才是那个决定"要不要深挖"的人，AI只是帮你缩小了搜索范围。
2. 用AI处理长文档和大量资料
还有一种场景更实用：处理大量文字资料。做深度报道的时候，记者可能要阅读几十份政策文件、法院判决、公司财报、学术论文——光是读完就要一周，更别说从中提取关键信息了。
现在你可以把这些文档全喂给AI，让它帮你做信息提取：“请从以下文档中提取所有涉及’数据安全监管’的条款，按时间顺序整理，并标注每条条款的核心要求和相关执法案例。”
AI出的结果你当然要复核。但它帮你把几十份文档压缩成一份摘要，你只需要在这份摘要上做二次筛选——比从头翻阅几十份原始文件快太多了。
三、内容写作：AI是你的"打字加速器"，但不是你的"思考替代器"
说到AI写新闻稿，这大概是新闻行业里争议最大的话题了。有人觉得这是效率革命，有人觉得这是对新闻专业主义的背叛。我的看法是：两者都不完全对。
1. AI能帮你写什么？
我那个老同学现在用AI写稿，只用在一种场景上——格式化新闻。什么是格式化新闻？就是那些结构高度固定、信息成分清晰的稿件类型：简讯、公告、数据快报、体育赛事结果、财报摘要。
这些稿件的写作逻辑几乎是模板化的——谁、什么事、什么时候、在哪里、数据是多少。AI写这类稿件，准确率很高，因为信息输入明确，输出格式也明确，它不需要"创造性判断"。
他给我看了一个例子：一家公司发布财报，他把财报关键数据输入AI，让它生成一篇300字的快讯。AI出来的稿子，结构完整、数据准确、语言简洁——他只改了两个措辞就发了。整个过程不到五分钟，以前这种快讯他要写半小时。
2. AI不能帮你写什么？
但深度报道、人物专访、调查性新闻——这些稿件的灵魂在于记者的判断力、洞察力和叙事能力。AI做不了这些。
为什么？三个原因：
第一，AI没有现场感。 它没去过那个村子，没闻过那条河的臭味，没看见过那个村民眼里的无奈。这些感受是记者在现场才能获取的，它们决定了报道的温度和深度。
第二，AI不懂取舍。 一篇好报道，不是把所有信息都堆上去，而是知道什么该写、什么不该写、什么要放大、什么要克制。这种取舍背后是记者对新闻价值的专业判断，AI没有这个判断力。
第三，AI会编。 这是最致命的。当它找不到某个信息时，它不会老实告诉你"我不知道"，它会编一个看似合理的内容——假数据、假人名、假引言、假事件。在新闻行业，一条假信息可以毁掉一家媒体的全部公信力。
你品品，是不是这个理：AI是打字加速器，不是思考替代器。它能帮你把想好的东西更快地变成文字，但它不能帮你想出该写什么。新闻的灵魂从来不在"写得多快"，而在"写得多真、多深、多有人味"。
3. 用AI写稿的安全边界
我帮老同学整理了一个"AI写稿安全边界"的判断表，你们可以对照看看：
AI在新闻写作中的安全使用边界
记住一个原则：稿件的新闻价值越高，AI的参与度就应该越低。 越是需要记者专业判断的稿件，越不能让AI插手核心内容。
四、事实核查：这才是新闻人用AI最该花心思的地方
前面说了AI在新闻行业最大的风险是"编造信息"，那怎么防？答案你可能想不到——用AI来帮你核查事实。
听起来有点矛盾：AI既是制造假信息的风险源，又是核查假信息的工具？没错，这正是AI的两面性。关键在于你怎么用。
1. 用AI做交叉验证
我那个老同学现在做了一条内部规矩：凡是AI生成或辅助生成的稿件，必须经过"AI+人工"双重核查。 具体怎么操作？
第一步，AI自检。 把AI生成的稿件再喂回AI，让它自查："请检查以下稿件中所有事实性陈述，标注哪些信息有明确来源支撑、哪些信息来源不明、哪些信息可能存在事实错误。“AI会列出一份"风险清单”——哪些数据它不确定、哪些表述可能有偏差。
第二步，人工逐条核实。 拿到风险清单后，记者对每一个标注项做人工核实——查原始数据源、联系信息提供方、对比多个独立来源。这个过程没法省，因为AI的"自查"本质上只是它对自己输出的二次审视，它仍然可能把编造的内容当作"事实"来确认。
第三步，反向验证。 把稿件中的关键数据单独提取出来，用另一个AI工具（最好是不同厂商的）做独立查询："请核实以下数据的准确性：[具体数据项]。如有官方来源，请列出。"不同AI工具之间如果给出了互相矛盾的信息，那就说明这个数据项需要更仔细的人工核实。
2. AI核查的局限：它能查"数据对不对"，但不能查"故事真不真"
这里必须说清楚一件事：AI擅长核查可量化的、有数据源的事实——数字对不对、日期对不对、人名对不对、公司名对不对。这些信息有明确的"对/错"判断标准，AI可以通过搜索和比对来验证。
但AI不擅长核查需要情境理解的事实——这个引言的上下文是什么？受访者这句话的真正意思是什么？这个事件的前因后果是否如描述所述？这些判断需要人的理解力、经验和社会常识，AI做不到。
打个比方：AI能告诉你"某城市2024年GDP是1.2万亿"这个数字对不对，但它不能告诉你"受访者说’我对这个政策很满意’时，他到底是真满意还是客气话"。前者是数据核查，后者是情境判断——新闻的真实性，往往藏在后者里。
新闻的真实性有两层：一层是"数据真实"，一层是"叙事真实"。AI能帮你守住第一层，但第二层只能靠你自己。一条新闻如果数据全对但故事讲歪了，它照样是失真的。
3. 识别AI"幻觉"的几种实用技巧
AI编造信息这事，业界有个专门的词叫"幻觉"。怎么识别AI的幻觉？我总结了几个实用技巧：
看来源。 AI给出的任何事实性信息，如果它没有明确标注来源或引用，一律视为可疑。好的AI回复会告诉你"根据XX机构2024年报告"，差的回复会直接甩一个数字不告诉你从哪来的。
查一致性。 把同一条信息问两个不同的AI工具，如果它们给出的答案不一致，说明这条信息需要人工核实。两个AI都给出同样的答案，也不代表一定正确——它们可能都在"抄同一份错答案"。
看细节。 AI编造的信息往往有一个特征：细节过于完美，过于整齐。真人真事通常有参差、有矛盾、有不合逻辑的地方；AI编的东西反而逻辑自洽、细节完整，像是"写"出来的而不是"发生"的。
问"它不该知道的事"。 如果你怀疑某个信息是AI编的，直接问它："你是从哪个具体来源获取这个信息的？请给出原始链接或出处。"如果它开始闪烁其词或给出一个看起来很正式但实际打不开的链接，那就是幻觉。
五、舆情监测与数据洞察：AI让你"看到别人看不到的"
新闻工作的另一个重要维度，是对社会舆情的感知和洞察。一个热点事件为什么爆发？公众关注的核心诉求是什么？舆论的走向是在升温还是在消退？这些判断决定了报道的选题方向和切入角度。
1. 用AI做舆情热点的"早期预警"
我那个老同学跟我说了个例子。去年某地发生了一起环保事件，传统新闻周期是：事件发生→媒体关注→报道出来→舆论升温。但他们这次用AI做舆情监测，在事件还在社交媒体上只有几百条讨论的时候就捕捉到了——因为AI检测到该话题的讨论量在两小时内从50条跳到了300条，增速远超同期的其他话题。
他们提前介入，在舆论还没大规模发酵之前就开始采访和调查。等别的媒体跟进的时候，他们的深度报道已经发了——不是因为他们运气好，而是因为AI帮他们比别人早看见了那个信号。
2. 用AI分析舆论的"情绪地图"
还有一个用法我觉得很有意思——AI做情绪分析。同一个热点事件，不同群体关注的焦点完全不一样。AI可以把社交媒体上的大量评论按情绪倾向分类：愤怒的占比多少、担忧的占比多少、支持的占比多少、困惑的占比多少。更进一步，它还能按地域、年龄、职业维度做交叉分析——“这个话题在农村用户中引发的主要情绪是担忧，在城市白领中引发的主要情绪是愤怒。”
这种洞察对记者来说非常有价值——它帮你理解"这个故事对不同的人意味着什么"，而不是只看到"这个故事对你自己意味着什么"。 好的新闻报道，从来不只是记者一个人的视角，而是对多元声音的呈现。
3. 舆情数据也要核实
但这里有个跟前面一样的提醒：AI给你的舆情数据，也要核实。
社交媒体上本来就充斥着水军、机器人账号和情绪操控。AI分析的是"数据"，但数据本身可能就被污染了——一条话题下面80%的评论来自机器人账号，AI告诉你"舆论情绪是愤怒的"，但其实真实用户的态度完全不同。
所以，舆情分析报告出来后，记者还得做一件事：抽样人工阅读原始评论，确认AI的分类和判断是否跟你的直觉吻合。如果AI说"主流情绪是愤怒"，但你随手翻了50条评论发现大多数人其实在吐槽和调侃——那AI可能被水军数据误导了，你得自己修正判断。
你发现没有，核心就一点：AI帮你看见了更大的图景，但图景里有些区域可能是扭曲的。你的角色不是"相信地图"，而是"拿着地图走到实地去看一眼"——确认地图跟真实的地面是不是对得上。
六、写在最后：效率可以交给AI，公信力只能交给自己
聊了这么多，最后我想说点不那么"方法论"的东西。
我那个老同学跟我聊完AI在新闻行业的应用之后，沉默了一会儿，说了一句让我印象很深的话：“波仔椿，你知道吗？我们这行最难的不是追热点、不是写稿快、不是抢首发——最难的是，当你手里有一条可能引爆全网的消息，但你还没完全核实的时候，你能不能忍住不发。”
这个"忍住不发"的能力，就是新闻人的底线。AI不会帮你忍，它只会帮你更快。更快地写、更快地发、更快地传播——但同时也更快地出错、更快地失真、更快地失去公信力。
新闻行业的公信力，是几十年、几代人一点一点积累起来的。但毁掉它，只需要一条假新闻。一条就够了。
所以我的态度很明确：AI是新闻人的工具，不是新闻人的替代品。 工具用好了，效率翻倍、视野扩大、深度增加；工具用错了，效率翻倍的同时，出错率也翻倍，而且出错的速度比以前更快——快到你来不及纠正。
新闻的本质是什么？是把真相告诉公众。AI可以帮你更快地找到线索、更快地整理资料、更快地完成格式化的写作——但它不能帮你判断"什么是真相"。真相需要你亲自去现场、亲自去核实、亲自去理解、亲自去呈现。
AI改变了新闻的"速度"，但新闻的"价值"——真实性、公正性、深度——这些只能由新闻人自己来守护。速度是工具的事，公信力是人的事。别把人的责任交给了工具，也别因为有了工具就忘了人的标准。
你觉得呢？你在新闻或内容工作中用过AI吗？有没有遇到过AI给你"编信息"的情况？评论区聊聊，这个话题值得好好讨论。
加入社群
关注公众号，后台回复"加入社群"，即刻加入AI爱好者社群！
精彩推荐
AI大模型的起点：2018年GPT和BERT如何重塑自然语言处理
本篇博客文章唯一版权归属©波仔椿