政府 AI 智能体洪泛正将更便捷的服务获取转化为容量危机
Chris Schmitz 记录了 84 起潜在的政府 AI 智能体洪泛案例，揭示出公共服务更易获取背后隐藏的一层矛盾。AI 工具正帮助人们准备投诉、申诉、请愿和福利申请，而这些工作过去往往需要数小时的专业投入。如今，政府机构必须处理新增需求，却通常没有获得额外人手或资金。
人们最直接的反应，是将这些新材料归类为自动化垃圾信息。这种解释确实适用于部分提交内容，尤其是重复消息或几乎不含相关信息的冗长文件。不过，Schmitz 认为，大多数已观察到的案例都涉及人们在行使其有正当权利提出的诉求。
这一差别改变了政策问题的性质。政府并非只是要保护系统免受机器人侵扰；它们正在发现，有多少需求曾被晦涩的说明、陌生的法律语言、零散的证据，以及面对官僚体系的心理成本所压制。
由此产生的紧张关系远不止于一项研究。如果 AI 助手让提交有效申请变得更容易，申请量上升就意味着服务可及性的改善。然而，同样的改善也可能压垮那些预算在无形中依赖合资格人群放弃申请的机构。
政府 AI 智能体洪泛究竟改变了什么
AI 降低了要求政府采取行动的成本，却基本没有改变政府作出回应的成本。
Schmitz、Lewis Hammond 和 Alan Chan 将智能体洪泛定义为：由 AI 促成的请求数量或复杂度上升，进而使政府服务承压。他们的 84 起案例研究覆盖了 11 个司法辖区及多种公共行政场景。
这些案例包括福利申请、监管投诉、信息自由申请、司法文件、规划异议和议会请愿。这些系统在法律层面各不相同，但许多系统都拥有一个脆弱的界面：它们接受公众提交的开放式文本。
当前的洪泛通常并不涉及完全自主的智能体逐一操作每个政府门户。更常见的是，个人将文件或背景信息交给大型语言模型，由其生成结构化的提交材料。随后，个人会审阅、复制或递交这些材料。
这种相对简单的工作流程可以同时消除多重障碍。模型能够概括官方信函、识别可能的申诉途径、整理证据，并起草近似专业函件的表述。一张智能手机拍摄的照片，可能替代数小时用于解读陌生说明的时间。
研究将压力分为两种形式。定量洪泛意味着机构收到更多请求；定性洪泛则意味着每项请求变得更长、更详细，或评估起来更复杂。
即使申请人数没有显著激增，办公室也可能遭遇其中任一种情况。十份简短投诉，可能变成十份包含数十项指控的大型材料。每项指控都可能需要分类、核验证据、内部协商并作出书面回应。
研究人员将其数据集描述为潜在案例的证据，而不是 AI 导致每一次记录增长的证明。这一限定很重要，因为有多种因素会改变公共服务需求。政策变化、经济状况、公众认知、机构失灵和新的举报渠道，都可能推高数量。
不过，时间上的关联仍值得注意。在广泛可用的生成式 AI 出现之前，许多观察到的服务项目都有相对稳定的提交模式。随着文本生成工具变得更易使用，其工作量随之上升。
根据 报道中的研究发现，英国住房监察专员收到的投诉从 2022 年约 2,600 件升至 2025 年略高于 7,000 件。美国消费者金融保护局收到的投诉在同一时期也大幅增加。
这些数据无法将 AI 单独确定为原因。但它们说明了政府机构为何开始关注这一问题。当每一份有效提交都会带来回应的法律或程序义务时，即使 AI 只在其中部分参与，也可能具有重大的运营影响。
因此，最令人印象深刻的变化并非自主软件攻击政府网站，而是普通人获得了低成本协助，完成机构过去默认由他们独自承担的工作。
AI 并未制造潜在诉求
核心的反转在于，许多被视为过量的请求揭示的是未被满足的需求，而非凭空创造的需求。
行政流程会带来学习、合规和心理成本。申请人必须发现相关项目、解读资格规则、收集文件、赶上截止日期，并以机构偏好的格式沟通。
每增加一项要求，都可能筛除欺诈或材料不完整的案件。但这同样可能劝退缺乏时间、信心、法律知识、语言熟练度或专业协助的合资格人群。
公共机构长期以来一直将未充分申领视为服务设计问题。OECD 的服务获取研究指出，复杂规则、信息缺口和繁琐的申请流程，会阻碍合资格家庭获得社会支持。
AI 助手通过承担部分申请工作，改变了这一等式。它不会创造法律赋予的资格，而是让主张这一资格的路径变得更容易遵循。
Schmitz 直接概括了这一点：“我们发现的绝大多数案例，都是有权就某件事提出申请的人，正在为那件事提出申请。”
这句话并不意味着每一份提交都正确。是否具有资格，仍取决于证据、法律标准和个人情况。但它确实挑战了这样一种假设：申请量上升主要反映滥用行为。
以一名收到维修投诉不充分答复的租户为例。在生成式 AI 出现之前，这个人可能需要找到适用政策、重建数月的消息记录，并连贯地说明问题所在。在患病、流离失所或承受财务压力期间，这种负担尤其沉重。
借助助手，租户可以整理时间线并写出更清晰的投诉。该申请仍然需要调查，但机构已无法再依赖疲惫或困惑来阻止它进入待处理队列。
同样的机制也适用于金融投诉。CFPB 的 投诉报告记录了消费者提交材料的规模与构成，尽管它并未将其增长完全归因于 AI。
一名对错误信用信息提出异议的消费者，可能拥有正当申诉，却难以使用正确类别描述问题。AI 可以将记录和通信内容转化为更结构化的叙述，也能帮助消费者在初次被拒后继续坚持。
这带来了一个令人不安的衡量难题。更长的待办队列可能意味着服务恶化、操纵企图、公众认知提高、行政负担减轻，或四者兼而有之。
因此，将每一次增长都称为洪泛，可能意味着把政策判断悄悄带入了对工作量的描述。从机构角度看，激增是容量威胁；从申请人角度看，同样的激增可能代表一项权利终于变得切实可及。
政府 AI 智能体洪泛之所以重要，正是因为它揭示了这种视角差异。公共系统往往通过处理速度和可管理的案件量来衡量成功；公民关心的则是有效需求是否获得公平裁决。
一个机构可以通过增加申请难度来维持出色的处理指标。这种结果在内部看似高效，却在外部造成排斥。
AI 智能体使这种安排不再稳定。它们揭示了曾被文书工作掩盖的需求，迫使官员决定：行政摩擦究竟是一种保障，还是一种非正式的配给机制。
服务可及性的提升变成容量危机
消除公共服务入口处的摩擦，可能将瓶颈直接转移给调查人员、个案工作者和裁决者。
大多数政府服务的人员配置，并未假定每一位合资格者都会提交完整且持续跟进的申请。其工作量预测反映的是历史行为，其中包括放弃申请、错过截止日期，以及从未开始的申请。
AI 协助可以迅速使这些预测失效。更多人能够提交申请，同时每个人都能提交更详细的材料，并推进更多审查阶段。
住房监察专员的案例具体展现了运营压力。其 2025 年业务计划描述了前所未有的案件工作量、每 25 秒一次的联系，以及全年完成的逾 7,000 项调查。
调查无法像文本生成那样扩展。工作人员必须确定管辖权、审查证据、联系相关方、适用政策，并记录一项站得住脚的决定。敏感案件还需要判断力，无法安全地简化为模式匹配。
这种不对称推动了危机。申请人可以在几分钟内生成一份冗长的申诉；接收机构则可能要花数小时确定哪些段落重要，以及每项主张是否有依据。
更长的提交材料也可能制造防御性工作。官员必须从重复论点、虚构引文，或听上去法律措辞严谨却未指出有效问题的语言中寻找相关事实。
这一问题类似于低质量 AI 安全报告带来的压力。生成一份看似可信的漏洞报告成本很低，但判断问题是否真实仍会占用专家注意力。公共机构还面临额外限制，因为法规或服务规则可能要求其作出回应。
但安全类比也有局限。虚构的漏洞报告几乎没有社会收益；而一份由 AI 协助完成的住房投诉或福利申诉，可能来自系统本应服务的人。
因此，核心对立是更广泛的服务可及性与固定的行政容量之间的矛盾。它不是公民与公务员之间的对立，也不是人类与机器之间的对立。
个案工作者可以欢迎更清晰的申请，同时仍会因申请数量而不堪重负。申请人可以提出正当主张，同时无意中导致更长的队列。双方都在经历一个为更低参与水平而设计的系统。
政府 AI 智能体洪泛也重新分配了专业能力。在生成式 AI 出现之前，专业倡导者和律师帮助客户将现实问题转化为机构语言。如今，通用模型可以近似完成其中一部分起草工作。
这种近似并不稳定。模型可以澄清论点，但也可能虚构规则，或鼓励用户夸大薄弱环节。机构必须在收到提交材料后，区分有用协助与自信的错误。
当 AI 生成的语言让薄弱主张和有力主张看起来同样润色完善时，这种评估会变得更困难。写作质量不再是法律依据或个人投入的可靠信号。
政府可以通过增加自身的自动化来应对。分类器可以对案件进行分流、提取问题、识别重复内容，或为人工审核人员总结文件。这些工具能够减少文书工作，但也带来了准确性、偏见、隐私和申诉权等问题。
自动分诊也在两个概率系统之间制造了一场竞争。一个模型将公民的申诉扩展为正式语言，另一个则将这些语言压缩为机构所用的类别。
重要背景信息可能会在这两个步骤之间消失。申请人可能永远不会知道第二个系统忽略了哪项主张，而办案人员也可能从未看到原始表述中的重点。
因此，能力建设不能只靠采购软件。机构需要明确的提交结构、可审计的分诊机制、充足的人工审核，以及纠正自动化错误的程序。
没有这些投入，更快的访问只是将等待时间转移到机构内部更深处。表单变得更容易填写，但决策耗时更长。
更多材料并不等于更多真相
AI 可以揭示有效主张，却仍可能损害用于裁决的信息环境。
支持 AI 辅助最有力的理由，是它能带来正当的访问机会。最有力的怀疑理由，则涉及可靠性、重复提交和策略性使用。
大型语言模型预测的是看似合理的文本。它们并不能独立确认某项法律规则是否适用、某份文件是否真实，或申请人的记忆是否准确。一份措辞精致的提交材料可能包含错误引用或无关论点，却没有明显的警示信号。
用户也可能要求模型强化自己的立场。由此生成的文本可能把不确定性包装成确定性，将推断视作证据，或从同一事件中生成多项彼此重叠的指控。
这些失败尤为重要，因为公共决策会影响住房、收入、移民身份、执照、债务及其他重大利益。审核人员不能假定专业语言就意味着经过专业核实。
欺诈是另一项不确定因素。更低的申请成本有利于符合条件的申请人，但也降低了在多个项目中测试虚假说法的成本。更严格的身份控制可以限制冒名提交，却无法证明主张中的事实是否真实。
协调一致的政治参与则带来另一类问题。AI 可以帮助居民理解规划提案，并表达知情的反对意见；它也可以生成数千条几乎相同的评论，夸大公众参与表面上的广度。
政府机构必须决定，参与度应以人数、提交数量、不同论点，还是已证明的本地利益来衡量。生成式文本让这些类别更容易被操纵。
这项研究并未确立一个普遍适用的欺诈率，也未证明其数据集中的每一次激增都由 AI 生成。它的价值在于识别出一种反复出现的模式及可信的机制。
因果关系的不确定性应当限制戏剧化的预测，但不应成为无所作为的借口。机构无需猜测每位用户使用了什么工具，也可以衡量文件长度、重复语言、处理时间、放弃率、决策结果和成功申诉情况。
这些衡量指标应当将工作量与案件价值区分开来。一项服务可能收到两倍数量的主张，但批准比例保持相近。这与以被拒绝或重复提交为主的激增并不相同。
机构还应区分 AI 辅助与规模化自动化。个人使用模型整理一次申诉，与商业服务通过自动化工作流提交数千项主张，带来的风险并不相同。
前者类似于扩大获得建议的渠道。后者则类似于工业化中介服务，尤其是在公司从成功主张中获利，或控制与申请人沟通时。
这两类活动都可能合法。但不应通过一个名为 AI 生成内容的笼统类别来统一治理。
披露要求听起来很有吸引力，但会带来执法难题。申请人可能不知道写作工具中的哪些功能涉及 AI。披露标签也无法说明内容的准确性、授权情况或资格是否成立。
检测软件带来的确定性更低。AI 文本检测器可能误判人类写作，也无法为拒绝公共服务提供可靠依据。它们的使用尤其可能让以第二语言写作的人处于不利地位。
更好的问题应围绕来源和责任展开。申请人是否授权提交？机构能否核验身份？是否提供了支持性文件？申请人能否纠正错误并理解决定？
这些控制措施关注的是程序完整性，而非文风。无论主张由律师、倡导者、模型还是申请人独自撰写，它们都依然有用。
因此，政府 AI 智能体泛滥应被视为一个存在滥用情形的服务设计问题，而不只是一个偶尔有合法用户的滥用问题。
增加摩擦会惩罚正当申请人
最快的防御措施，可能通过重建 AI 帮助人们跨越的障碍来恢复可控的队列。
机构拥有多种抑制需求的常用手段。它们可以引入费用、要求线下到访、缩小提交窗口、施加严格字数限制，或增加困难的身份核验。
每项措施都可以减少数量，但也可能排除资金、行动能力、时间、语言能力或文件获取渠道有限的人。
对于经济价值高、行政程序复杂的服务，这种权衡尤其严峻。这些项目给人们寻求帮助提供了强烈动机，而其规则又使得没有支持的自行办理变得困难。
费用可以阻止投机性请求，却也会按收入水平定价访问权。线下要求可以阻碍自动化批量提交，却会加重残障申请人、农村居民、照护者和时薪工作者的负担。
严格模板若能清晰要求相关事实，便可改善处理效率；但若一项技术性错误自动导致原本有效的主张失败，它们就会变得排斥性十足。
速率限制也需要谨慎设计。限制每位已验证人员的提交数量，可以放慢大规模提交；但也可能伤害同时面临多个独立问题的人，或获授权代理多名客户的倡导者。
数字身份提供了另一种选择。强认证可以确认谁授权了一次互动，并支持公平的速率控制；但它同样带来隐私、可访问性和实施方面的挑战。
另一种选择是能力建设。政府可以简化资格规则、预填已有数据、提供结构化申请界面，并在可根据现有记录确认资格时主动为人们登记。
这些措施处理的是根本性的行政负担。它们也减少了编写冗长叙述的动机，因为系统会以可预测的格式要求具体证据。
OECD 曾指出，关联行政数据和自动登记可以提高福利领取率。这种做法能减少公民和受理机构的工作，而不是自动化一场围绕文书材料的竞争。
公共机构还可以发布机器可读的规则和官方智能体接口。应用程序编程接口，即 API，是获批准的软件可以借此交换已定义信息的结构化通道。
精心设计的接口可以限制任意的文件长度、一致地索取证据，并返回清晰的状态信息。它可以让自动化辅助更具可追责性，而不必迫使用户回到纸质流程。
然而，API 不应成为唯一入口。人们仍需要无障碍的人工渠道，特别是在其情况不符合标准字段时。
机构还需要围绕 AI 辅助处理建立法律确定性。办案人员应清楚哪些决定需要人工判断、自动化系统可以访问哪些信息，以及申请人如何质疑错误。
采购规则应要求提供活动日志，并依据真实案例进行评估。官员在依赖工具输出前，需要了解工具为何对某项提交进行了分流、摘要或标记。
独立审计应检验自动化是否改变了不同语言、残障、收入或人口群体的拒绝率。效率提升不能成为隐性歧视的理由。
这种重新设计的初始成本高于增加费用或关闭电子邮件收件箱。但它让能力与公共访问的承诺保持一致。
这项政策选择很能说明问题。如果官员通过重建障碍来应对更高的合法参与，那么此前队列的简洁其实依赖于排斥。
如果他们围绕实际需求重新设计服务，AI 辅助就能暴露出政府本来就需要解决的弱点。
三个信号将显示政府选择了哪条路
下一阶段将由可衡量的机构回应决定，而非模型能力的又一次跃升。
第一个信号是，公共机构是否发布证据，将 AI 辅助与具体运营结果关联起来。原始提交数量并不足够。
有用的报告应比较数量、文件长度、处理时间、重复率、批准率、成功申诉和未解决积压。它还应区分个人辅助与协调式或商业化批量提交。
如果机构发布这些信息，讨论就能超越轶事。高批准率将强化 AI 正在揭示合法需求的观点；高重复率或拒绝率则会支持对低价值提交采取更有针对性的控制措施。
第二个信号是，政府选择增加摩擦还是建设能力。新增费用、关闭渠道、广泛限制 AI 或强制线下到访，都表明机构是在通过减少访问来保护工作负荷。
结构化表单、更充足的人手、自动登记、可审计分诊和官方智能体接口，则指向另一条道路。它们表明机构将参与增加视为服务义务。
第三个信号是，处理能力能否跟上更容易提交的节奏。调查积压和决策时间将显示，政府是否只现代化了面向公民的入口。
住房监察专员的工作量和 CFPB 的投诉数量提供了有用的参考点，但未来报告需要更清晰的因果分析。研究人员应在考察 AI 采用情况的同时，研究政策变化和经济状况。
这项工作还应追踪分布情况。更快的平均决策可能掩盖了不符合自动化类别的案件所遭遇的更差结果。
对开发者而言，教训是不能只用是否成功提交来衡量智能体质量。一个负责任的系统应保留证据、展示来源、请求确认，并避免把一项申诉变成缺乏依据的主张。
企业买家应询问，当智能体与公共机构沟通时，谁仍然承担责任。授权、数据保留、审计日志和纠错工作流，比流畅的起草更重要。
知识工作者应将生成的提交材料视为具有重大后果的记录。生成一封正式信函的便利，并不能免除核对姓名、日期、主张和引用规则的义务。
公共机构面临着最艰巨的任务。它们必须保护有限的处理能力，同时不能将新近获得能力的公民视为攻击者。
政府 AI 智能体泛滥将检验数字访问究竟是真正的承诺，还是一句方便的口号。当符合资格的人因流程令其望而却步时，一个可控的队列并不意味着服务成功。
如今，一个现实问题已无法回避：当 AI 揭示出行政负担背后被掩盖的需求时，政府会为人们曾被承诺的服务提供资金，还是会恢复那种让他们保持沉默的负担？
