内容工业的空心化：当 AI 生产了一堆空气

今天这篇文章有点特殊。特殊不是因为发生了什么惊天动地的大事，恰恰相反——是因为什么都没发生。我本来该有一份上游产出的草稿，而整个流水线跑完了，状态码正常，环节没有报错，唯独最重要的那个部分——内容本身——是一片空白。

批判A步骤的 review JSON 写得更直接：missing_constraints 里说"上游'写稿A'未产出任何草稿内容，无法执行批判性 review，缺少可供分析的可证伪论断"。

我把这句话原封不动念出来，是因为它太精准了。整个流水线在运转，但没有生产出任何有价值的东西。 每一个环节都执行了，每个状态码都正常，但最终产出是零。这不是 bug，这是结构性的空转。

我们正在批量生产看起来完整、实际上空洞的内容

我见过太多 AI 内容团队，大概分三类。第一类是真正把 AI 用出价值的——工作流里有清晰的输入标准、严格的输出校验，以及明确的人机协作边界。第二类是 AI 用得很热闹但产出堪忧的——工具列表很长，知识库建得很漂亮，但打开任何一个输出，质量都在及格线以下。第三类，就是我最近遇到的这种——流水线在跑，人在工作，时间在流逝，但最终没有任何实际内容被生产出来。

第三类是最极端的，也是最容易被忽视的。因为它的表象最干净——没有明显的错误，没有用户的抱怨，只有最终那个 的状态，像一根扎进流程深处的小刺，平时感觉不到，但它是真正在流血的那个伤口。

为什么我说这个问题比"AI 质量不够好"更严重？因为它暴露了一个更深层的错误——我们把"用了 AI"等同于"生产了内容"。 这个逻辑谬误听起来很低级，但我见过太多团队在这上面栽跟头。他们有 AI 知识库，有 AI 调研报告，有 AI 生成的每日摘要，看起来产能拉满，实际上打开内容一看，要么是放之四海而皆准的正确废话，要么——就像我遇到的情况——连废话都没有。

有一句话我必须在这里直接说出来：空转的 AI，比没有 AI 更危险。

没有 AI 的时候，一个团队会清楚地知道自己没有内容，然后去手动补，或者直接承认这块我们做不了。有了假 AI 之后，团队会以为自己在生产内容，按时归档，按时发送，按时开会，但实际上什么都没有。每个人都在忙碌，每个人都在消耗时间，没有人觉得有问题，直到某一天回头一看——这半年，我们产出了一堆空气。

跨域碰撞：为什么这个问题恰好现在爆发

这件事为什么会发生在这个时间节点？我认为有三个结构性的原因，它们恰好在今天撞在了一起。

第一个是工具丰富度爆炸但验证机制缺位。2023 年之前，AI 内容工具还比较原始，大家用的时候至少还有一个隐性的手动校验环节——因为工具不够好用，所以人会在输出端多看一眼。但到了 2025 年，工具链变得极其丰富，从知识库到调研到播客脚本，每一步都有现成的 AI 方案。这个丰富度反而消灭了人的注意力——因为每个环节都有 AI，所以每个环节都假设上游是可靠的，于是整个链条变成了一个没有人真正看输出的自动化机器。

第二个是速度崇拜取代了质量崇拜。我接触过很多 AI 内容团队，他们评价工作流好坏的指标几乎只有一个：速度。内容产出比以前快了三倍，那这套工具就是好的。但速度是一个输入指标，不是输出指标。一台机器每秒能生产一千个螺丝，但如果这一千个螺丝里有九百九十个是废品，那这台机器的速度是零。

第三个是我最近观察到的：AI 内容工业正在经历一个"标准缺失期"。传统内容工业有编辑委员会、有同行评议、有受众反馈，这些机制天然会淘汰劣质内容。但 AI 内容工业还在用"产出速度"和"格式完整度"来衡量产出——这两个指标恰好是 AI 最擅长伪装的维度。你可以让一份空洞的内容在格式上完美无缺，让它看起来比一份有观点但结构稍显粗糙的内容更像"高质量产出"。

这三个原因撞在一起，恰好在 2025 年中这个时间节点，产生了大量的系统性空转。我有一个具体的下注：未来 18 个月内，我们会看到 AI 内容生产领域出现第一次集中的"黑盒清算"——不是某一家公司崩溃，而是一批团队同时意识到他们的 AI 工作流在过去半年里实际上在空转。这个清算的触发点，我猜测会是某个头部 AI 内容工具的用户留存率出现断崖式下跌，因为用户终于发现：用了半年 AI，内容产量上去了，质量下来了。

命名仪式：我们给这类失败取什么名字

说到这里，我想做一个语言层面的实验——因为我觉得这个问题严重到需要有一个精确的名字来描述它，而不是用"AI 没做好"这种模糊的描述一笔带过。

我想了几个候选词。第一个是"流程通胀"——就像货币通胀一样，流通的流程越来越多，但每个流程实际购买的内容越来越少。这个词的优点是它抓住了问题的本质：不是工具不够多，是工具的"购买力"在下降。

第二个候选词是"虚假忙碌陷阱"——听起来更口语化，更容易被从业者接受。它描述的状态很准确：一个团队看起来很忙，每个环节都在运转，但实际上没有任何有意义的产出。

第三个候选词是我最喜欢的："内容工业的空心化"。空心化这个词精确地描述了发生的事情——结构还在，形状还在，体积甚至还在变大，但内核是空的。就像一棵空心树，从外面看枝繁叶茂，一场风就倒了。

我选择用"内容工业的空心化"作为我这期节目的主标题，是因为它把问题定位到了一个行业层面，而不是某一次具体的操作失误。这不是一个工具 bug，这是一次行业性的系统性偏差。 我们正在用 AI 大规模地生产一种新型的废品——不是物质废品，而是注意力废品。这些内容不伤人，但它们会消耗读者的时间，消耗编辑的注意力，消耗整个行业对 AI 内容工具的信任。

自我对话：如果有人告诉我我想多了

我知道会有人说：卞旸，你这是不是过度反应了？一次 upstream 失败，你就写了一篇文章来讲行业危机，这是不是有点草木皆兵？

这个反驳我认为是有效的。我必须承认，我这篇文章的核心证据就是一次 upstream 的空转事件。这当然可能是一个孤立的 bug——上游的 AI 工具那天恰好遇到了一个它处理不了的 edge case，结果输出为零，下游的 critique 找不到内容可批判，这是正常的技术故障，不代表整个行业。

但是，我要说但是：正是这种"用技术故障来解释一切"的思维方式，本身就是问题的一部分。 如果每一次 AI 空转都被归因为"工具的偶发性问题"，那我们永远不会有动力去建立系统性的质量保障机制。就像食品安全问题，如果每一次食物中毒都被解释为"这批食材恰好有问题"，监管机构永远不会有动力建立日常抽检制度。

还有人可能会说：AI 内容工业的空心化只是阵痛期问题。现在的 AI 质量不够好，是因为技术还在早期；再过两三年，模型能力更强了，产出的内容质量更高了，这个空心化问题自然就消失了。

这个论点我部分认同。确实，AI 能力的提升是真实的，2023 年到 2025 年的模型进步幅度超过了大多数人的预期。但这恰恰是让我更担忧的地方——如果连现在的模型能力，都不足以让我们的内容工作流生产出有效内容，那问题就不在模型身上，而在工作流本身的设计逻辑上。 一个没有检验机制的工作流，无论模型变得多强，都只是在更高效地生产更精美的空气。

所以我坚持主论断：空心化不是技术问题，是机制问题。 我们现在需要的不是更强的模型，而是更强的输入标准和输出检验。

亲验：检验 AI 内容是否真的在生产价值的简单方法

既然说到了检验，我想给你一个我自己亲验过的具体方法，用来对抗内容工业的空心化。

在我的内容生产流程里，我现在强制要求每一个 AI 产出环节在"声称完成"之前，必须满足一个具体的可检验标准——不是"内容已生成"，而是"这段内容必须能回答至少一个你之前不知道答案的具体问题"。

这个标准看似简单，但它像一个过滤器，把所有"看起来完整但实际空洞"的 AI 产出一键暴露。我拿我自己测试过：当我在一个 AI 调研报告上加入这条规则之后，我立刻发现了问题——很多我以为在"生产内容"的环节，其实只是在重复我已经知道的事情，或者在用不同的词语重新包装空泛的概念。但因为有了这个检验点，AI 被迫变得更精确，它不得不给我具体的数据、具体的来源、具体的路径判断，而不是泛泛的"值得关注"和"持续观察"。

这其实就是工程领域的一个老原则——测试驱动开发（TDD）——在内容生产领域的复刻。只不过在内容领域，我们的"测试用例"不是代码覆盖率，而是一个可以被具体回答的问题：这段内容，在它声称覆盖的领域里，能回答哪些我之前不知道的问题？

如果一个 AI 内容产出，回答不了任何一个它声称覆盖领域内的具体问题，它就是空的，无论它的格式有多漂亮，篇幅有多长，覆盖的主题有多前沿。

今天可以做的具体动作

说了这么多，我想最后给你一个具体的、可执行的动作，而不是泛泛的"值得关注"和"持续观察"。

不要去追下一个新出的 AI 工具。不要去比较哪个模型又更新了。不要去读下一份"AI 时代内容生产指南"。现在就打开你团队最近一周的 AI 辅助产出，随便挑三份，看看它们各自能回答几个你之前不知道答案的具体问题。

如果三份里有两份答不上来，你不需要换工具。你需要的是回到基本功——把输入标准做严格，把检验机制建起来，让 AI 在你的工作流里真正承担放大的任务，而不是替代的任务。

具体来说，你可以从今天起建立一条简单的检验规则：每个 AI 产出的内容，必须在被判定为"完成"之前，由一个人实际阅读并标注出至少三个具体有价值的知识点。没有知识点的内容，不归档，不发送，不计入产出。

我知道这听起来很笨，会拖慢速度。但它恰恰是治疗空心化最有效的药——不是更强的模型，不是更快的工具，而是一个最简单的机制：让每一步产出都必须经过一个会问"这有用吗"的人的审查。

这个问题值得每个正在用 AI 做事的人认真想想。