AI 撰写的工作邮件节省时间，却要付出信任代价

Google News 推送了一篇 ABC 报道，提出了一个直截了当的职场问题：员工以自己的名义发送的邮件，是否应该由人工智能来撰写？

问题并不只是软件如今能够起草礼貌回复。多年来，员工一直在使用模板、拼写检查工具和自动签名。真正的冲突始于 AI 生成邮件实质内容，而收件人却以为这些内容由真人亲自写成之时。

报道认为，作者身份与表面呈现之间的落差，让这种做法显得“近乎反乌托邦”。这也让 Google、Microsoft、雇主和员工面临压力：必须界定辅助何时结束、替代何时开始。

生产力方面的理由确实成立。生成式 AI 可以将零散笔记整理成结构化信息，调整语气，并减少人们盯着空白撰写窗口发呆的时间。受控研究发现，使用生成式 AI 处理专业写作任务能够带来可量化的提升。

但邮件不只是格式无误的一段文字。它可能记录一项决定、传递同理心、分配责任，或确认某人在特定时点理解了什么。将这些工作委托出去，可能会剥离赋予邮件意义的判断力。

因此，核心较量并非人类与机器之间的对抗，而是可见的辅助与不可见的替代之间的区别。前者能够减少机械性工作，同时保留人的责任；后者则可能制造出令人信服的沟通内容，却无法证明署名作者认真审视过其中的每一项主张。

为什么 Google News 再次将 AI 工作邮件带入焦点

这一新闻切入点之所以重要，是因为 AI 撰写邮件已从可选实验，变成大型职场平台的默认界面功能。

这篇 ABC News 报道 来自一个专注于人工智能的资讯流。其标题捕捉到了一种更广泛的焦虑，而产品发布公告往往未能解决这种焦虑。

写作辅助功能如今已直接嵌入人们熟悉的撰写窗口。员工不再需要打开单独的聊天机器人、将机密材料复制进去，再将答案转回邮件。该功能可以直接出现在草稿旁，既减少了操作阻力，也压缩了人们反思的时间。

这种界面变化很重要。独立应用会让人感觉像一位外部协作者；而嵌入邮件中的按钮则像是打字流程的一部分，即使底层模型生成了好几段文字。

这种区别也会影响采用率。那些从不认为自己是 AI 用户的人，也可能接受一句建议、要求更友善的语气，或将几条要点扩写成完整内容。每一步看似微小，却可能共同将写作流程的大部分交给模型。

Google News 在这里仅是发现渠道，而非事件的核心参与者。不过，Google 仍是这一故事的一部分，因为 Gmail 和 Workspace 将生成式写作工具嵌入了日常商务沟通中。

Microsoft 也通过 Outlook 和 Microsoft 365 Copilot 朝着同一方向推进。两家公司都将 AI 定位为总结邮件线程、起草回复和管理沟通过载的工具。它们通过许多雇主本已提供的软件，让机器撰写的语言变得常态化。

因此，眼下的变化在于分发方式，而非自动化文本的发明。AI 邮件写作变得更容易获得、更难察觉，也与日常工作结合得更紧密。

这一转变造成了本文的张力。生产力功能可能悄然改变收件人对一封邮件所代表意义的理解。他们可能将一封润色得体的邮件视为发件人投入注意力、具备知识或付出情感努力的证据，而其中大部分内容其实由模型提供。

这并不意味着每一句生成文本都是欺骗。它只是说明，职场规范尚未跟上界面的变化。

AI 邮件写作解决了真实的生产力问题

AI 起草邮件之所以能在职场获得采用，是因为邮件消耗时间，却并不总是需要原创表达。

许多工作邮件遵循反复出现的模式。员工安排会议、确认收悉、总结下一步、婉拒请求，以及索取缺失信息。每天重写这些结构，几乎没有创造性价值。

生成式 AI 可以协助处理机械层面的工作。它可以整理粗略笔记、消除重复内容、翻译草稿，或建议更清晰的邮件主题。对于使用第二语言写作的员工而言，这类辅助可以减轻焦虑，并避免本可避免的误解。

一些效率主张已有证据支持。发表在 Science 的一项受控研究发现，使用 ChatGPT 的参与者完成专业写作任务的速度提高了 40%。独立评估者也认为，他们产出的质量高出 18%。

这项 专业写作研究 涵盖新闻稿、报告、分析计划和敏感邮件等任务。研究人员 Nicholas Noy 和 Whitney Zhang 发现，获得该工具使用权缩小了参与者之间的表现差距。

这些发现解释了为什么一概拒绝不太可能奏效。当一种工具能够节省时间并改善较弱的初稿时，员工会继续寻找使用它的方法。如果雇主在不解决工作量问题的前提下禁止使用，员工很可能只会转向未经批准的账户。

最有力的使用场景是转化而非创作。员工提供经过核实的事实、明确的决定和预期的语气；模型再将这些输入转化为易读的草稿。

以项目经理结束会议为例。经理清楚最终决定、每位负责人以及所有截止日期。让 AI 将这些事实整理成简洁的后续邮件，可以减少文书工作，而不会转移对决定的所有权。

当经理要求模型根据一份不完整的会议记录推断发生了什么时，风险就会改变。如果经理未核对姓名、承诺或日期便直接发送结果，风险又会进一步增加。

因此，“AI 是否应该写邮件”作为政策问题过于宽泛。实际答案取决于系统提供了什么，以及人仍然掌控什么。

一些低风险用法能够保留人类作者身份：

• 在不添加新主张的情况下重排句子

• 修正已完成草稿中的语法

• 在保留原意的前提下缩短邮件

• 翻译发件人已经核实过的文本

• 将已确认的行动事项转为标准格式

高风险用法则要求系统提供判断：

• 在未审阅投诉历史的情况下回复投诉

• 解释影响就业或薪酬的政策

• 提供法律、财务、医疗或安全指示

• 作出对团队或组织具有约束力的承诺

• 在个人或敏感交流中模拟同情

这些类别并非由技术本身固定决定。它们反映的是错误的后果，以及收件人的合理预期。

一封常规的会议安排回复，情感分量有限；而绩效评估、道歉或裁员通知则承载得多得多。对两者采用同样的自动化规则，忽略了沟通在组织内部所发挥的作用。

当 AI 消除格式整理工作时，生产力理由最为充分；当系统取代关注、问责或关怀时，这一理由便会变弱。

真正的较量是辅助与不可见的替代

当润色得体的语言掩盖了人类判断的缺席，AI 工作邮件就会变得令人不安。

邮件会形成社会记录。当一位经理写道：“我审阅了你的提案”，这句话是在陈述一项行动。如果经理尚未阅读提案，模型便生成了这句话，问题就不在于文风，而在于邮件内容失实。

更模糊的情况则更难判断。经理可能读过提案，请 AI 起草回复，略读结果后发送。从事实层面看，这一说法仍可辩护，但收件人可能依然会高估经理投入审阅的深度。

这正是争论中的主要对立面：可见的辅助与不可见的替代。披露可以缩小这道鸿沟，但若要求对每一句经过修正的文字都强制标注，标注本身将变得毫无意义。

可行的规范必须聚焦于实质作者身份。系统只是润色语言，还是选择了信息中的主张、推理和情感姿态？

这个问题很重要，因为流畅的输出会制造确定性的幻觉。大语言模型生成的是可能出现的词语序列，而不是独立核实每一项陈述。一段精美的文字可能包含虚构细节、缺乏支持的结论，或未经任何人授权的保证。

邮件提高了风险，因为信息传播迅速且会长期留存。一个错误的截止日期可能在项目中扩散；一项不准确的政策解释可能影响员工的决定；一项虚构的承诺日后可能出现在审计或争议中。

发件人无法将责任转移给模型。同事、客户和监管机构仍会将署名作者及其所属组织视为责任主体。

不可见的替代也会改变人际信号。写一封周到的邮件需要时间，收件人往往将这种投入视为尊重的证明。自动化可以模仿结果，同时消除大部分努力。

这并不意味着努力必须始终被保留。没有人期待密码重置通知由人亲自撰写。职场沟通早已包含模板、宏和定时发送的信息。

当关系需要真诚关注时，问题便会出现。一封由 AI 生成的慰问信、道歉信或绩效评估，即使措辞得当，一旦其来源被知晓，仍可能显得空洞。

这种反应并非对技术的非理性抗拒。它反映了信息与发送该信息所暗示行为之间的不匹配。文字暗示了个人的审慎考量，但实际生产过程可能几乎没有这种考量。

因此，组织需要基于“表达了什么”的标准。如果一封邮件暗示发件人作出了判断、理解了某种情况或选择了一项承诺，那么此人应当在发送前真正完成这些行动。

AI 仍然可以帮助表达结果。它不应当制造底层决定，然后借助人类签名掩盖这一事实。

生产力数据没有揭示什么

更快地起草，并不必然意味着在真实组织中实现更好的沟通。

实验室研究可以衡量完成时间和外部评价，但无法捕捉在既有关系中发送生成文本所带来的每一种后果。

评审者可能更喜欢经 AI 润色的备忘录，因为它更清晰。但一位长期同事如果意识到个人回复来自模型，反应可能截然不同。两种反应都可能成立，因为它们衡量的是不同的品质。

标准化的流畅表达也会带来一种不那么显眼的代价。当许多员工使用相似的模型和提示词时，邮件可能趋向同一种中性节奏。鲜明的专业见解、不确定性、幽默感和个人声音，或许都会消失。

这种“抹平”能让组织的表达听起来更一致，但也可能掩盖有价值的信号。一句犹豫的表述，或许意味着某人对某项决定缺乏信心；一条异常直接的说明，则可能表明某个问题需要紧急关注。

经过训练、旨在让每条信息都显得润色得体的模型，可能会抹去这些线索。收件人得到的是更流畅的文字，却更难了解发件人真实的心理状态。

另一个问题是自动化偏见——人们倾向于接受计算机生成的建议，因为它看起来完整或权威。审阅一份流畅的草稿需要保持主动怀疑，尤其当系统恰好生成了忙碌员工所期待的语气时。

发件人可能检查了语法，却忽略了承诺已经改变；他们可能核对了姓名，却没发现某个理由缺乏依据。工作从写作转向编辑，但组织往往没有为这项新责任提供培训。

隐私又增加了一层复杂性。员工可能在提示词中输入客户记录、合同条款、人事细节或尚未发布的计划。是否允许这样做，取决于雇主批准的工具、合同保护措施、保留设置和数据控制机制。

NIST 的 AI risk framework 为处理这些问题提供了有用的模型。它强调对风险进行治理、映射、衡量和管理，而非将 AI 视为单一类别。

对于电子邮件而言，“映射”意味着识别哪些信息会带来法律、财务、安全或人事后果；“管理”则意味着限制数据暴露，并在这些后果较为严重时要求进行有实质意义的审阅。

一刀切的批准政策忽视了这些差异，一刀切的禁令也是如此。

还存在一个知识层面的问题。写作往往会暴露思考中的空缺。一个人在尝试解释某项决定时，可能发现其理由并不完整，或下一步根本没有负责人。

即时起草可能会掩盖这种空缺。发件人尚未形成连贯解释之前，模型就已提供了一套完整说法。邮件看起来已经完成，于是思考过程过早结束。

这对于依赖书面沟通作为组织记忆的团队尤为重要。未来的读者可能会认为，一封清晰的邮件反映了清晰的决策过程。实际上，它或许只是反映了模型平滑矛盾的能力。

可检索的 AI knowledge base 可以保留上下文，但仅靠存储无法确立作者身份。团队仍需知道哪些陈述经过核实，以及由谁批准。

因此，AI 工作邮件需要的不只是校对，还需要核查来源、核查意图和核查后果。

审慎的结论很直接：研究表明，在受控条件下，生成式 AI 能够改善特定写作任务。但这并不能证明，未披露且仅经过轻度审阅的 AI 沟通能够提升信任或组织判断力。

雇主需要遵循后果的规则

良好的职场政策应当依据邮件的风险进行管理，而不是计算模型贡献了多少文字。

基于作者贡献比例的规则看似精确，却难以在实践中奏效。编辑系统无法提供可靠的百分比，而一句生成的文字就可能包含最重要的承诺。

雇主应当根据后果对沟通进行分类。

低后果信息包括常规确认、日程说明和标准化提醒。员工可以使用获批的 AI 工具处理这些任务，前提是核实输出并避免输入受限数据。

中等后果信息包括项目总结、客户更新和内部建议。它们需要进行来源核查，因为错误可能改变工作安排、预期或采购决策。

高后果信息包括绩效决定、纪律通知、法律立场、财务指示、安全事件和健康相关建议。负责任的人应当同时掌控决定本身和最终措辞。

个人沟通也值得单独考量。慰问、道歉、冲突解决和敏感反馈高度依赖于他人对真诚性的感受。AI 可以帮助发件人找到尊重得体的表达，但将整封信息完全外包会带来信任风险。

披露也应遵循后果。若对每一次语法修正都加上“由 AI 撰写”的标签，只会造成标签疲劳，收件人最终会不再留意这类说明。

当系统实质性地塑造了分析、建议或个人表达时，披露就更有价值；当收件人直接询问是否使用了 AI 时，披露同样重要。

公司需要明确的数据边界。员工应当知道哪些工具获批、哪些信息不能输入提示词、生成内容如何保留，以及谁可以访问交互日志。

他们还需要超越“发送前阅读”的审阅标准。对于时间紧迫的员工而言，这项指示过于模糊。

一套实用的审阅流程会提出五个问题：

1. 我是否核实了每一项事实性主张、姓名、日期和数字？

2. 这条信息是否作出了我有权批准的承诺？

3. 它是否声称我完成了实际上并未完成的行动？

4. 这种语气是否代表我的真实判断和关系？

5. 如果起草过程公开，我是否愿意为这条信息辩护？

这项测试让责任仍由发件人承担，也避免假装每一种 AI 使用方式都带有同等风险。

管理者必须以身作则。如果高管一边要求持续提高生产力，一边在没有进行实质性审阅的情况下发送生成的表扬、反馈和战略说明，那么政策终将失效。

培训应当包含失败案例。员工需要看到，一份看似可信的草稿如何改变截止日期、编造理由、泄露机密信息，或通过过度自信的语气升级分歧。

Google 和 Microsoft 也面临产品设计压力。它们的界面可以通过展示来源上下文、突出生成的主张、保留提示词历史记录，以及区分摘要与原始信息，来让审阅变得更容易。

Google 的 Gemini privacy guidance 说明了用户在分享敏感信息前为何必须了解数据处理方式。消费者账户与工作场所账户可能适用不同的保护措施，因此员工应遵循组织的控制要求。

产品默认设置对行为的塑造往往比政策文件更有效。醒目的审阅步骤可以减缓粗心发送，而即时“插入”按钮则可能让生成的文字显得已经获得预先批准。

目标并不是将手动输入保留为一种美德，而是在文字产生后果的关键节点保留责任。

Google News 争议之后需要关注什么

下一阶段将由职场行为、产品默认设置以及有关信任的证据决定，而不只是起草速度。

第一个信号是，主要电子邮件平台是否会加入有实质意义的作者归属控制。一个简单的 AI 标签无法回答所有问题，但更清晰的标识可以显示系统何时生成了摘要、提出了决定，或重写了整封邮件。

如果 Google 或 Microsoft 推出更强的审阅和溯源功能，就会支持这样一种观点：无形的替代确实是一种产品风险。如果界面继续淡化这种区别，雇主将承担更多治理责任。

第二个信号是，组织如何划分可接受与受限制的使用方式。有效的政策会明确邮件类别、获批系统、数据边界和负责审阅者。

如果基于后果的政策大量涌现，将强化这样一种判断：AI 邮件写作可以变得日常化，而不必变得具有欺骗性。广泛禁令或模糊的“负责任地使用”措辞，则会表明治理仍不成熟。

第三个信号是关于信任的独立研究。生产力方面的研究结果已经具有影响力，但雇主还需要衡量披露、关系类型、信息敏感度和编辑深度如何影响收件人的研究。

如果披露辅助的做法能带来相近的信任和更高的清晰度，采用 AI 将获得更坚实的基础。如果人们持续对机器撰写的个人沟通给予负面评价，平台和雇主就需要划定更明确的边界。

读者也应观察自己的行为。当一封邮件措辞精致却异常泛泛时，他们是否仍将其视为发件人理解问题的证据？当他们自己使用 AI 时，是否会核实信息，还是仅仅辨认出它想要呈现的语气？

ABC 的标题之所以登上 Google News，是因为“近乎反乌托邦”捕捉到了一种令人不安的可能性。职场可能充满看似周到、知情且个性化的信息，但真正付出这份关注的人却越来越少。

这种结果并非不可避免。生成式 AI 可以减少重复性写作，而不抹去作者身份。边界取决于人们是利用模型表达决策，还是借它来逃避做出决策。

在发送下一条由 AI 辅助的信息之前，请最后问自己一个问题：这份草稿是在传达你的判断，还是仅仅在模仿你的判断应有的样子？