亂用AI，打工人被坑慘了

# 亂用AI，打工人被坑慘了

AI已經深入許多人的日常工作場景——公關經理用它寫策劃方案，律師用它生成基礎文書，程式設計師用它寫程式碼。對不少上班族來說，AI就像工位旁邊那個隨叫隨到的實習生，交付速度快得讓人「上頭」，甚至產生一種「掌握了魔法」的錯覺。 然而，這股魔法很快就露出了另一面。AI會憑空編造不存在的競品品牌和行業數據，會一本正經引用虛構的法條，會在程式碼裡擅自改動不該碰的模組。許多翻車事件，恰恰因為它給出的東西太像真的，讓人放鬆了戒備。 幾位在工作中被AI坑過的上班族分享了親身經歷。他們並非不會使用AI，相反，AI已經嵌入他們大半個工作流程。但即便如此，他們還是在某些時刻被AI帶偏。這些經驗提醒所有人：AI越能給出完整的答案，使用者越需要保留判斷、核驗和兜底的能力。所謂AI提效，從來不是把工作直接交出去，它更像一次新的職場篩選——會用的人會變得更快，只會複製貼上的人，可能在關鍵時刻被它拖下水。 ## 提案現場被客戶當場拆穿

在上海擔任公關公司策略經理的林晨，今年30歲，他的工作經常被稱為「提案機器」。客戶一個電話打過來，可能要求在極短時間內吃透一個從未接觸過的行業，挖出洞察，再給出一整套行銷方案。行業是陌生的，時間是不夠的，客戶要的卻是「驚豔」的。 AI剛出現時，林晨幾乎是撲上去用的。他每天至少三分之一的工作時間泡在大模型裡，主要用來腦力激盪和搭建框架。剛開始確實很「爽」，有一次客戶要一個「銀髮經濟」的行銷概念，只給兩小時，他讓AI一口氣生成十幾個方向，挑了一個稍加潤色就交上去，客戶非常滿意。那種感覺，就像突然掌握了某種魔法，但也讓他一點點放下了戒備。 今年4月，林晨接到一個千萬級的年度全案競標，客戶想做一條高端寵物食品線，時間照例很緊，不到一週要出提案。他負責競品分析，把客戶資料和幾個主要競品名稱丟給大模型，要求生成一份詳盡的競品分析報告。AI很快交卷，邏輯嚴密，不僅分析了已知競品，還「額外」幫他列出三家沒留意過的「新興高端寵物糧品牌」，連行銷打法、受眾畫像都寫得有模有樣，末尾還引用某家寵物行業研究機構的數據。 因為時間太緊，林晨沒有查驗就直接把這部分放進PPT。提案當天，當他講到「競品格局」時，客戶突然打斷：「這三個品牌，我怎麼一個都沒聽說過？」他腦子「嗡」地一下，手心立刻出汗，只能強作鎮定說「下來查查」。結果那三家品牌完全是AI捏造出來的，研究機構的數據也查不到出處。他們丟掉了這個項目，公司認為他在審核環節嚴重失職，扣了他三個月績效。 這件事之後，林晨給自己立了規矩：凡是AI生成的數據、案例、品牌名，必須逐一交叉驗證，查不到出處的寧可不用。他也開始自己建競品資料庫，用AI時直接丟素材給它，讓它基於真實信息來分析，不準自己編。他逐漸體會到，AI提效其實是個偽命題——AI幫他省下寫初稿的時間，但必須時刻保持警惕，AI越能寫，對鑑別能力的要求就越高。 ## 程式碼被擅自改動，全組被迫加班

在上海擔任產品經理的鹿遙，今年32歲。過去團隊的工作流程很清楚：產品寫需求，研發和設計實現，測試驗收後再上線。現在AI基本鑽進這條流水線的每一個環節。鹿遙自己用得算保守，主要讓AI幫忙查查歷史需求有沒有重複，或者把寫得亂的需求理順一點，但最後怎麼寫、哪些能用，還是自己判斷。 問題發生在一位剛工作不久的校招生身上。他對業務還不熟，對歷史程式碼也不了解，甚至連AI交付的方案也沒完全看懂，就按照AI給的方案跑了一版，發現沒什麼問題。產品和測試也過了一遍，效果確實是他們想要的。大家都以為這件事可以順順當當往下推。 直到大範圍測試，才發現不對勁。原來AI根本沒老老實實待在需求劃定的那一小塊範圍裡，而是自己「發揮」了很多，增加了大量額外內容。那版程式碼裡可能有一半是AI「順手」寫的，就像一個過分熱心的新同事，你只讓它搬一張桌子，它卻順手把整個辦公室的家具重新擺了一遍，而大家只盯著那張桌子檢查。 如果是文檔，多幾段廢話刪掉就行，但程式碼不是這樣，一個地方動了會牽出一串東西。那幾天，產品、測試、設計以及研發都被拖進來加班，查線上是否有受影響，哪些是AI多寫的，倒推問題源頭。他們也試過讓AI自己找問題，AI會很篤定地說已經定位到根源，結果有經驗的同事一看，它咬定的那段程式碼跟問題根本毫無關聯。最後沒辦法，只能把那版程式碼刪掉，讓人重新手寫一遍。 鹿遙反思，這次還算走運，上線前被攔住了。但他不覺得全是AI的錯，更大的窟窿是人和流程沒有跟上。就算這次這個同事沒出錯，以後也會有其他人在相似問題上栽跟頭。現在最要緊的是把流程重新捋一遍：AI是在哪一環把問題帶進來的，以後審核的重心該往哪兒調整。他現在更謹慎了，一個問題以前可能要查一兩天，現在AI十幾分鐘能給幾個方向，但他一定會再看一遍，也會追問來源。 ## 虛構法條差點害了律師

在北京一家涉外業務比重較高的律所工作的Delia，今年31歲。她日常要處理大量中英文合同和商業糾紛案件，現在AI已經成了她的「隱形同事」，大半工作流都有它。她主要拿AI做三件事：中英文合同翻譯、基礎文書撰寫和行業法律熱點檢索。 翻譯是AI最讓她放心的部分。律所絕大多數合同都是雙語版本，這是最耗費團隊精力的重複性工作，AI表現一直很穩定，專業術語、句式邏輯都貼合法律行文規範，幾乎不會錯譯漏譯，光這一項就直接幫他們砍掉近四成的基礎工作量。 文書撰寫則是最容易踩坑的環節。從2024年起，Delia嘗試用AI搜法條、輔助寫文書，偶爾會出錯，但可以在最後一步的人工審核規避掉這些幻覺問題。真正讓她後背發涼的，是AI開始在她的知識盲區一本正經胡說八道。 去年年初，她手上有一起地方股權糾紛案件，時間緊，涉及的區域專項監管規定又特別複雜。她讓AI輔助撰寫初稿，要求補充地方性法條與同類生效案例支撐觀點。AI很快交出成品，行文邏輯流暢、引用條目規整，大的法條法規她修訂後整體看上去已經沒有問題。當時她忙於對接客戶，就草草歸進卷宗。 萬幸，卷宗報送合夥人複核時，一位同事發現問題——文中有幾處地方性法條完全是虛構的，錯誤很隱蔽，如果沒有專門做過地方法規的功課，幾乎看不出來。Delia瞬間警醒，AI在她的認知框架下可以幫助提高效率，但超出框架的部分，哪怕只有一點點都會讓人踩坑。 為了規避AI幻覺風險，她開始自己搭資料庫，每次用AI都限定它只在資料庫裡檢索。後來採購了專業的付費數據庫，經過長期使用才逐漸順手。跟同行交流時，她發現很多人還在誤區裡，不少人習慣用多個AI模型交叉審核文書，以為能規避錯誤，但實際效果微乎其微，幾個模型可能在同一個地方一起犯錯。 Delia堅持一個觀點：AI沒有好壞之分，好用與否完全取決於使用者的專業認知。它能解放雙手，但無法替代律師的邏輯研判、法條核驗與價值判斷。目前律師從業者的共識是，AI的幻覺問題可以透過使用者的能力來解決，但因果關係和邏輯能力還差得很遠。不會用AI會慢慢落後，但無腦依賴AI更危險。 ## 項目延期兩週，自費七千塊Token

在深圳當程式設計師的童桐，今年90後，做了10年程式設計師。去年3月開始用AI寫程式碼，12月全部交給AI，到現在基本上不怎麼自己手寫了。前段時間團隊需要給公司一個老產品做智能化升級，搭一個Agent系統。最開始的使用體驗確實順暢，效率直接翻好幾倍，他慢慢放鬆了校驗的警惕心。按照正常節奏，這個項目一個月就能做完。 有一次，他把需求寫清楚、標準定好，然後睡覺去了，等AI第二天交付。結果程式碼跑出來，存在明顯的黑盒缺陷，等他和同事發現時，AI已經擅自改動了線上已有的程式碼邏輯，把別人已經寫好的程式碼給改壞了。他只能在群組裡道歉：「對不起，我把你們的程式碼搞崩了。」然後和同事一起補救。 這次事件之後，他加強了對AI的審查，每天都在處理AI的小毛病。就這樣磕磕絆絆折騰了一個半月，項目直到現在還沒交付。本來預計四周完成的項目，目前已經延期兩週，他還自費按量充值AI Token，額外投入了七千多塊。甚至他的產品經理因為受不了AI的折磨，剛提了離職。 童桐的工作風格一向是準時交付、不允許延期，這次事情讓他產生很深的自我懷疑。更致命的是，這件事已經打亂公司業務布局，老闆原本安排他接手另一個新業務，但他一直被這個項目卡著出不來。領導嘴上沒有明確追責，但明顯耐心快耗盡了。他心裡清楚，這件事遲早要算帳。 他反思過是不是自己使用方式有問題，後來想明白，AI對使用者把控、校驗能力要求極高，考驗的還是人的主觀能動性。這在他兩個實習生身上充分體現：一名實習生只會無腦丟需求給模型，單日消耗兩百元算力，但產出完全無法落地，任何細節都要他全程陪同核對；另一名懂得梳理清晰提示詞、交付前自行校驗，產出僅需小幅修改，是團隊唯一能依靠的幫手。 ## 海報有錯字、座位排錯職級，最後被問責的還是自己

在北京做廣告策劃的一一，今年95後，日常工作包括各類活動的全案策劃，同時兼顧海報、宣傳物料的對接和樣板製作。從去年開始，團隊鼓勵大家使用AI工具，在文案撰寫、創意構思、基礎物料設計等環節，都會先用AI生成初稿再進行優化調整。對她而言，AI省去了大量重複瑣碎的基礎工作，她一度覺得這是高效省心的工作新模式。 但一年多的實操經驗讓她認清一件事：AI終歸只是輔助工具，過度信賴只會給自己埋雷。AI第一次給她挖坑，是在品牌線下快閃活動的海報製作上。客戶要得比較急，她梳理好風格、主題、配色等核心要求後，讓AI生成海報初稿先給客戶確認創意方向。AI給的成果構圖、配色都不錯，視覺效果完全達標，她粗略瀏覽整體畫面後覺得沒問題，就直接發給客戶。結果海報角落的品牌名稱有一個錯別字，因為字體偏小、位置隱蔽，她完全沒注意到。客戶反饋後她瘋狂道歉，生怕對方覺得自己不專業。 本以為吸取教訓就不會再出錯，結果第二個坑緊接而來。那是一場地方產業峰會的策劃工作，規模不小，來賓包括省裡、市裡的領導以及行業內的重要人物。領導把排座位的任務交給她，特意囑咐座次要按職級排序，不能搞錯。但名單上只有名字和對應的崗位職務，沒有標註明確的職級，她在網上檢索到的信息也比較零碎，就把名單交給AI來排序。AI很快輸出條理清晰的座次表，也給出看似嚴謹的依據，她直接提交了。 結果活動當天，一位職級更高的嘉賓被安排到職級較低的嘉賓席位上——AI把職級搞反了。領導當著好幾個人的面把她叫過去問怎麼回事，她站在那裡說不出話，總不能說AI排的吧。那位嘉賓沒說什麼，坐下了，但整場臉色都不好看。 一一現在依然會使用AI，但不再把AI的產出當成最終答案。AI可以幫她提高效率，卻不能替她承擔結果。它寫錯一個字、弄錯一條信息，最後向客戶解釋的是她，被領導追責的也是她。該自己做的判斷，一個都不能省。