“能力虚假繁荣”：AI应用越来越溜，媒体能力真变强了吗？

作者：高登科

来源：《全媒体探索》2026年9月号

中国互联网络信息中心的数据显示，截至2025年12月，我国生成式人工智能产品用户规模已达6.02亿人，普及率42.8%。媒体行业的技术扩散同样迅速：人民日报社“创作大脑AI+”平台已嵌入视频、图片、音频等数十种AI处理工具，省级广电与地市、县级融媒体中心也在部署内容生成、智能审核和数字人主播等应用。

与部署同步增长的是稿件产量、上线应用数量、审核效率这类容易统计的数字。问题在于它们能否代表机构专业能力的增长？AI的效率增益多集中在资料整理、初稿撰写、标题优化等环节，选题发现、事实核查与深度调查未必随之改善，形成外显绩效与内在能力脱节的状态。本文将讨论这种“能力虚假繁荣”的生成逻辑、识别维度，以期寻求可行的治理措施。

01

效率提升与能力提升的错位

本文将“能力虚假繁荣”界定为：在生成式AI辅助下，从业者与机构呈现出更高产量、更快速度和更整齐的表达，但支撑专业价值的新闻判断力、原创采写与事实核查能力并未同步提升，甚至因工具依赖而弱化，其核心特征是外显绩效与内在能力的脱节。这一界定不否认AI的提效价值，“虚假”特指评价失真而非主观作假。实践中，人机贡献常常不被完整记录，长期累积后也难以准确追溯。

这一错位已有较为直接的经验线索。徐鸿晟等面向全国主流报纸单位的问卷调查回收有效问卷710份、覆盖372家报业单位，结果显示从业者对使用AI大模型带来的工作效率提升，感知均值为3.450 (5分制)，对工作质量提升的感知均值仅为2.630。访谈材料进一步说明，大模型在策划、生成、润色环节确实提高了效率，但产出内容通常不能直接使用。

前述研究并未使用“能力虚假繁荣”这一表述，其调查对象以主流报纸单位为主，数据反映的是主观感知，不足以支持因果推断。但两种感知之间的落差，恰落在本文讨论的问题域内。

相较于移动互联网阶段以分发机制重构为主，生成式AI更直接进入内容生产与判断环节。人与机器的交互已从界面层面转向信息乃至情绪、情感层面。技术落地又常呈现“个人先用、制度后补”的顺序，当产出数据因工具而整体抬升，原本用来衡量人的稿件数量、发布频次和传播量，就不再能有效区分专业水平的高低。管理者的困惑很具体：是人变强了，还是AI工具替人完成了关键劳动？

02

“能力虚假繁荣”的生成逻辑与识别

(一)生成逻辑：三重错位

第一重错位发生在人与工具的边界。Parasuraman和Manzey对自动化研究的整合分析指出，自动化自满与自动化偏差会削弱人对系统输出的监督，并提高过度依赖的风险。该结论来自一般自动化情境，不宜直接推及新闻生产，但提示了一种可能：当AI持续给出“看着还行”的文本，核查强度可能被动下降。前述调查显示，从业者对大模型错误信息的信任评价偏低，说明从业者并非简单信任模型输出，也提示相关风险不能只归因于个人态度。

第二重错位出在评价体系。稿件数量、发布频次、传播量、完成时长属结果指标，无法揭示AI介入后人工投入的真实含量。张寅对一家省级广播电视台的民族志研究显示，该台在点击量面前形成了“数字政绩”式的在地化改造，用可见的数据成绩暂时回避融合发展中的关键问题。个案揭示的是一种可能机制，未必适用于所有机构。但生成式AI让“好看的数字”更容易获得，触发条件反而更充分。

第三重错位是把个体经验当成组织能力。既有实地研究发现，传统编辑室面对算法技术时，采取的主要是调适性而非生产性整合策略。王家东对县级融媒体中心的考察也指出，技术能否真正赋能，取决于在地化的组织实践是否发展出适用本地的功能。

前述问卷调查从另一侧面提供了佐证：同事间交流与网络公开资源是较重要的接触渠道，其中同事间使用与推广占28.20%，而机构内部各类接触渠道占比均低于30%，组织化培训和制度建设仍有提升空间。工具进了机构，未必等于能力进了机构。

(二)识别维度：结果、过程与基础

识别“能力虚假繁荣”需要一组能落到日常管理的观察口径。以下三个层面越往后越难统计，也越接近真实能力。

首先，结果层关注产出结构而非总量。可行做法是把原创选题数与现场采访数从稿件总量中单列，观察其占比变化；若这些占比持续下滑，新增产出可能较多来自既有信息的重组，需要结合稿件来源和采编记录进一步判断。

深度报道能力与调查报道储备需跨越完整年度周期才能显影，短周期报表容易把波动误读为能力变化。AI产品的上线数量同样容易统计，实际使用情况却常被略过：数字人主播等内容产品可考察实际播报频次、栏目持续更新率与真实触达情况，智能客服等服务产品则可考察问题解决率、用户满意度与持续使用情况。

其次，过程层关注链条是否打通。一种值得警惕的情形是：采编端已用AI批量生成初稿，审核端却仍靠人工逐条把关，分发端的数据又反馈不回选题环节。这是本文提出的诊断情境，目前尚缺少针对生成式AI的完整实地记录，但可以通过测算全流程周期加以检验：若单环节耗时下降而全流程周期没有缩短，则转型仍停留在局部。

最后，基础层关注能力是否沉淀。判断依据不在于采购了几套系统，而在于使用经验是否被组织化，有没有可复用的提示词库、差错案例库和分场景使用规范。若核心能力仍附着在少数“用得好的人”身上，人员一旦流动，能力随之流失。对外宣称“技术领先”的机构，还应回答历史素材库是否完成结构化治理、AI运维由专职团队承担还是临时抽调。

03

从工具应用走向组织能力的治理路径

上述错位分别指向评估口径、组织流程、基础条件、责任边界与外部依赖五个可干预的环节。

(一)评估从注重数量转向结果与过程并重

表层的工具繁荣与考核口径直接相关，考核指标会引导机构资源和产出方向。对生成数量、上线项目数量和技术配置率的过度依赖，会让增量流向最容易统计的部分。

调整方向是降低稿件数量与发布频次的权重，把原创选题质量、采访深度、核查准确性与公共价值贡献纳入评价；技术类指标从配置率转向有效使用率，以实际调用频次和覆盖岗位比例替代采购清单。

这项调整通常由编委会会同考核部门推动，载体是年度考核办法与业务分析报告；把结果指标与过程指标并列在同一张表上，管理者才会同时看见两者。

(二)把个体经验转化为组织流程

个体经验难以升级为组织能力，症结在流程缺位。既然相关经验多经同事间传递，机构就需要把分散经验固化为可执行的环节设置：明确AI在选题、初稿、核校、发布哪些环节介入，由谁负责，以何标准验收。

这类规则宜由采编中心与技术部门联合拟定。将规则嵌入稿件流转的必经节点，有助于把原则性要求转化为可核查的流程约束。史安斌等认为，人机协同将在相当长时期内成为AI赋能新闻生产的主要模式，流程设计因此不是过渡性安排。

(三)夯实数据与知识基础

数据与知识基础薄弱，机构即便采购了先进模型也调不动本地知识。前述调查指出，我国媒体专业数据库总量有限、分布不均，不少机构也不清楚建成数据库之后如何将其转化为可用的智能体。

破解这一难题的可行做法分为两步：第一步，完成稿件库、影像库与用户数据的结构化治理，明确字段、权限与更新责任；第二步，围绕具体场景把数据接入模型调用链路。知识层面则应把个人技巧转为组织资产，建立提示词库与差错案例库并定期复盘。

这项工作的承担者多为资料部门或数据中心，但资源与时间安排应由编委会统筹，否则这类基础工作容易被日常生产挤占。

(四)划清人机协同下的责任边界

责任边界不清是风险积累的直接原因。前述调查显示，710名受访者中仅43.80%表示听说过本单位设有人工智能相关的安全防范机制，规则不清会影响机构对使用边界的判断。

唐铮等指出，生成式AI技术介于公开技术与算法黑箱之间，其不可知性给真实性与新闻伦理带来新问题。陈昌凤讨论了生成式AI对新闻专业、新闻理念与记者角色带来的挑战，大模型辅助生产的内容通常不能直接使用。

基于新闻真实性与责任可追溯原则，本文建议按内容类型实行分级管理：时政、突发与涉及公共利益的报道，事实核查与风险评估由人工完成；一般性资讯与服务类内容可由AI生成初稿，经指定编辑复核后发布。凡有AI参与的稿件都应可追溯，记录介入环节并保留修改痕迹。

《生成式人工智能服务管理暂行办法》规定，提供生成式AI服务的主体承担网络信息内容生产者责任，并明确新闻出版等活动另有规定的从其规定；《人工智能生成合成内容标识办法》自2025年9月1日起施行，要求服务提供者对生成合成内容添加显式与隐式标识，提供传播服务的平台须核验隐式标识并添加提示标识。两者是合规底线，机构还须把留痕转化为区分人机贡献的管理依据。

(五)以组织学习和动态评估替代单向采购

对外部供应商的单向依赖，会让机构既不掌握数据也不掌握流程。合作开发是常态，但需求定义、数据治理与效果评估宜由机构自己掌握。

与之配套的是项目动态评估：立项即明确可验证的效果指标与评估周期，试点期结束后按指标决定推广、调整还是终止，达不到预期的项目应允许退出，退出原因进入机构知识库。

王辰瑶与秦科提醒，在不宜自动化的领域开展项目、对项目投入过度，以及轻视难以自动化的新闻工作，是自动化新闻的三类风险。机构可以容许试点失败，但应记录失败原因并形成可复用的组织经验。

04

结语

生成式AI带来的效率提升是真实的，效率却不会自动转化为能力。本文提出的“能力虚假繁荣”描述的是外显绩效与内在能力之间可能出现的脱节，它与考核口径、组织流程、基础条件和责任设置相关，因而可在这些环节上加以干预。

需要说明的是，本文依据的经验材料以问卷感知数据和个案研究为主，尚不足以判断媒体“能力虚假繁荣”这一现象在行业中的全面分布与严重程度，相关判断更适合作为管理层面的分析工具，而非对各机构的定性评价。未来，媒体机构更应该关注AI使用经验能否沉淀为难以被外部替代的组织能力，让AI真正赋能媒体发展。

(作者单位：四川封面传媒科技有限责任公司)

本文刊于《全媒体探索》2026年9月号，原标题为《生成式AI应用背景下媒体“能力虚假繁荣”的识别与治理》，参考文献略。