ICO AI 指南遭遇英国日益加重的投诉负担

面对 AI 撰写请求日益增加的压力，信息专员办公室（ICO）正在捍卫公众的获取信息权。其 ICO AI 指南回应了一个棘手矛盾：帮助人们与政府沟通，可能会为负责回复的机构带来额外工作。起草速度更快，并不必然意味着服务响应更快。

《卫报》11 月 8 日的报道描述了公共机构如何应对聊天机器人生成的信件带来的压力。政策问题并不止于某封信是否使用了 AI。机构需要在不把措辞精炼视作投诉缺乏合理性的证据的前提下，区分有价值的协助与不必要的复杂性。

核心矛盾在于：公众参与更容易，与机构能力有限之间的冲突。ChatGPT、Claude、Gemini 和 Copilot 应作为不同的写作助手纳入讨论，而不是被当作同一行政问题的竞争性解释。真正需要比较的，是提交材料的生成速度与负责任地处理材料所需工作量之间的差距。

ICO AI 指南面对的不只是收件箱问题

起草工具会先改变提交请求的成本结构，随后才会改变回复请求的成本结构。

ICO 于 2026 年 5 月 6 日发布了专门指南。随附公告提到，从业者担忧请求数量增加、内容更复杂，以及澄清工作增多。监管机构将其AI 生成请求指南定位为帮助适用既有原则，而非修改法律。

这一时间点很重要。当前讨论延续的是一项已经展开的监管回应，而非引入一个主管部门刚刚发现的问题。它也提供了另一种思路：不必假定每个机构都需要建立一整套全新的 AI 专项限制类别。

信息自由，即 FOI，赋予公众获取公共机构所持记录信息的权利。服务投诉要求机构回应不满。法定上诉则通过特定程序挑战某项决定。这些类别有时会在信件中交叠，但在分析时应保持区分。

把所有事项都称为投诉，会掩盖员工实际必须完成的工作。索取记录与指控不当行为，需要处理的工作并不相同。要求撤销某项决定，则又提出了完全不同的问题。权威的语气并不能证明应适用哪一种程序。

设想一封示例性的市议会电子邮件，其中同时包含服务申诉、文件索取请求和赔偿要求。收到邮件的员工必须识别这些不同组成部分。同一封邮件的更长版本，可能提供了有用证据，也可能只是让这些区别更难发现。

这个例子是假设性的，但操作层面的问题很具体：这段文字是否帮助接收者识别可采取行动的问题？这比文本是否听起来专业，或是否含有通常与律师相关的术语，更值得作为检验标准。

AI 可以帮助一个原本难以清楚表达问题的人阐明诉求。它也可能把一个狭窄问题扩展为更广泛的论证。即使两者都始于同一个“改进草稿”的请求，其影响也不同。

这一差异改变了评估生产力的方式。发送者节省的时间应计入考量，接收者花费的时间也同样如此。机构不能只通过衡量文字在屏幕上出现得有多快，来评估完整影响。

公共机构也不应假定参与增加就代表失败。一些此前未被提出的请求，可能涉及正当问题。挑战在于区分新近可被表达的需求与可避免的处理工作，而不是把每一次增加都视为不受欢迎的流量。

因此，当前发展远比收件箱烦扰更具影响。它暴露出一种错位：消费级软件加速了表达，而公共系统必须谨慎解读表达。压力落在语言转化为调查、调取信息或解释决定之义务的环节。

压力落在必须解决请求的人身上

瓶颈在于可问责的解决过程，而这需要的不只是生成一份看似合理的答复。

处理来信的公共部门员工必须确定发生了什么、哪些记录相关，以及谁有权采取行动。起草确认收悉的回复只是其中很小的一部分工作。措辞优雅的答复不能代替查找相关证据。

这造成了不均衡的工作分配。发送者可以生成同一论点的多个版本，而不必核实每一项新增主张。接收者若要判断这些主张是否相关，则必须将其与实际案件联系起来。

由此产生的负担并不完全取决于信息数量。即使提交数量保持稳定，只要每份材料都包含更多主张，也可能需要更多员工关注。相反，若提交内容聚焦且完整，更多的提交量仍可能处于可管理范围内。

对管理者而言，这一区别应塑造他们提出的问题。员工是否花费更多时间识别问题？他们是否在核查无关引用？案件是否因为初始回复回应了措辞，却忽略了根本需求而被退回？

这些是建议用于诊断的问题，而不是已在英国各公共机构中得到证实的结论。它们之所以重要，是因为单纯统计收到的信息数量，无法解释能力究竟消失在何处。没有这种解释，机构就可能为错误的工作阶段采购解决方案。

一线员工面临尤其困难的判断。他们必须认真对待可能严重的关切，同时不能照单全收附带的每一项陈述。对某项主张的怀疑，应与对寻求协助之人的怀疑保持区分。

管理者面临相关的资源分配问题。给予一份复杂提交更多关注，可能延误另一位人士直接明了的请求。作出适度回应，需要理解实质内容，而不是让篇幅决定优先级。

压力也会传导给公众。从不使用聊天机器人的居民，仍要面对同一个处理队列。其他地方产生的任何可避免工作，都可能影响他们的体验，尽管他们并未就 AI 作出任何决定。

同时也存在一种相反的益处。觉得机构语言令人望而生畏的人，可能在获得起草协助后终于提交一份清晰陈述。把这种新增参与视为行政浪费，就会忽略公共获取权的目的。

因此，恰当的目标需要谨慎表述。仅减少来信并不充分。成功的回应应当减少不必要的处理工作，同时保留机构识别和解决正当关切的能力。

这一目标改变了采购方应向软件供应商提出的要求。一个能生成简洁回复的演示并不完整。机构还需要知道，该系统是否能帮助员工以更少的修正得出正确结论。

这也改变了人员配置讨论。如果困难工作涉及证据和判断，更快写作本身无法消除约束。任何宣称的节省，都必须经受完整案件流程的检验，包括澄清、审查和后续挑战。

更容易参与会把工作转移到柜台另一侧

当另一家机构必须评估输出时，个人生产力收益可能转化为共同承担的处理成本。

研究人员 Chris Schmitz、Lewis Hammond 和 Alan Chan 将相关的需求激增描述为智能体洪泛。在这里，该术语指增加政府服务压力的 AI 辅助活动。它不应被理解为每条受影响信息都来自自主智能体。

他们于 2026 年 8 月发布的预印本政府服务洪泛收集了 11 个司法辖区的 84 个潜在案例。作者描述了表明这一现象可能更为广泛的证据，同时指出控制需求与维护公平获取权之间的张力。潜在案例并不能构成全国普遍程度的代表性衡量。

论文还强调，短期内兼具复杂性与经济激励的服务尤其容易受到影响。这一框架有助于区分自动化协助的有吸引力机会，与一般性的在线沟通增加。

更广泛的分析重点在于激励机制。若协助让上诉人的案件陈述更清楚，提交上诉的人就会受益。若产品帮助该人完成任务，开发者也会受益。但这两种收益都不会自动将接收方的处理成本纳入考量。

这并不意味着发送者的目标不正当。它意味着相关系统包含互动双方。只评估起草体验，会把交易中重要的一部分排除在框架之外。

同样的推理适用于不同助手之间的比较。对于某些任务而言，ChatGPT 与 Claude 的比较具有产品层面的意义。对于投诉处理而言，更相关的比较是：输出究竟澄清了问题，还是不必要地扩展了问题。

Gemini 和 Copilot 也应遵循同一标准。品牌知名度无法证明某一草稿包含可靠事实。回复篇幅或语气的自信程度同样不能。

克制的助手可能会删除缺乏依据的指控。更迎合的助手则可能将该指控改写得更有说服力。后者可能让发送者感觉更有帮助，却会为所有相关方制造一份更糟糕的文件。

这些是可能出现的产品行为，而非对具名系统的已验证排名。现有证据不足以认定某一家供应商应对英国问题负责。不同提示词和应用设计也会使比较更加复杂。

对开发者而言，这意味着应采用不同的完成定义。投诉写作任务并非应用生成一封正式信件便告完成。输出应保留用户的真实关切，而不虚构事实，也不暗示不存在的证据。

这一标准同样适用于企业采购方。旨在最大化生成文本数量的系统，可能与旨在最小化歧义的工作流程相冲突。采购决策应审视最终文件，而不是假定更详细的输出就意味着更好的协助。

影响还延伸至内部知识工作。组织良好的AI 知识库与自由形式起草发挥不同作用：它帮助支持材料变得可检索。只要决策需要证据，这一区别就很重要。

投诉本身可能很短，但其支持记录仍然很庞杂。把所有内容合并为一段具有说服力的叙述，可能使案件更难审查。让主张与其来源材料保持关联，能为审查者提供比修辞润色更有用的东西。

竞争机会因此在于减少整个交互过程中的总投入。帮助用户提交恰当请求的助手，可能产生较少显性的输出；它的价值会在后续体现为更少的误解和更直接的解决。

疑似由 AI 撰写不能决定个案结果

机构应评估提交内容的实质，而不应将写作风格变成资格审查标准。

ICO 的 FOI and AI 指引指出，使用 AI 协助并不会自动使请求失效；不准确的陈述也未必会使请求失效。主管机构应适用相关要求，并对请求本身进行评估。

该指引列出了澄清、成本过高以及无理取闹或重复请求的既有处理路径。具体适用取决于实际情况。这些不应被混作可相互替代的标签，用于形容员工觉得难以处理、或怀疑由聊天机器人协助撰写的通信。

这一立场既允许对错误断言提出质疑，也不至于否定其背后的信息需求。它同样限制了一种颇具诱惑力的捷径：将疑似使用 AI 视为足以拒绝沟通的理由。

一个有用的区分是将作者身份、准确性和合理性分开看待。人工撰写的提交内容也可能存在错误；借助 AI 撰写的提交内容也可能准确描述真实问题。知道其起草方式，并不能决定所请求的行动是否合理。

格式提供的确定性则更少。标题、正式措辞和条理清晰的列表可以出现在多种写作中。机构应谨慎，避免将这些特征转化为对某人应获得多少关注的判断。

怀疑的视角也适用于关于问题规模的说法。员工经历可以揭示新出现的困难，但本身无法证明 AI 造成了多少额外工作。服务失误、政策争议和公众期待变化，仍可能是促成因素。

因此，面对堆积如山的收件箱，应先调查再解释。若主管机构将增长归因于 AI，后续有价值的问题应聚焦其证据：提交内容发生了什么变化，这种变化又如何影响处理过程？

相关性与因果关系之间的区分，对补救措施至关重要。若服务问题引发投诉，限制起草辅助并不能修复服务本身。若不必要的冗长表述造成延误，更清晰的提交设计或许能有所帮助，同时不减少获取服务的机会。

同样的谨慎也适用于“flooding”一词。它可以描述容量问题，但也带有蓄意扰乱的联想。寻求帮助的正当个人不应自动承受这一暗示。

这里同样存在衡量难题。统计疑似由 AI 生成的信息，可能得到一个看似可信、却基础不确定的指标。比起分配带有推测性质的作者身份标签，主管机构或许能从衡量澄清、修正和处理投入中学到更多。

这些拟议指标也存在局限。复杂案件本就需要更多工作，无论处理过程中的任何环节是否出现 AI。评估应考虑案件差异，而不应奖励那些优先处理最简单提交内容的团队。

公平性与运营效率在同一项要求上交汇：理解当事人究竟在请求什么。通往这种理解的最快路径，有时是进行澄清；有时则是阅读原始支持材料，而不是依赖摘要。

ICO 的 AI 指引为这项工作提供了边界，但并不能证明每一种本地实施都有效。机构实践的质量仍是一个独立问题，需要有关结果以及服务使用者体验的证据。

自动回复在扩大应用前需要证据

在接收端使用 AI，会形成另一套决策系统，其收益必须得到证明。

英国 government AI playbook 于 2025 年 2 月发布，强调有意义的人类控制。它要求对受 AI 影响的高风险决策进行验证、测试和实时监控，并为用户提供触发人工复核的途径。

这为拟议的投诉处理系统提供了治理参照，但并不能证明摘要或回复起草在每种场景中都能节省时间。这些说法仍须在实际工作流程中进行评估。

摘要可以缩短文档，却可能丢失决定其重要性的细节。只审阅缩短版本的员工，可能永远看不到被遗漏的内容。风险涉及原始记录与决策之间的关系，而不只是摘要长度。

一个示例能够清楚说明这一区别。假设一封电子邮件描述了反复出现的延误，同时包含一个与发件人个人情况相关的期限。若摘要强调不满情绪，却遗漏了该期限，就可能改变案件的优先处理方式。

这是一种假设性的失效模式，并非当前报道所记录的事件。它表明，看起来易读的输出，需要与准确呈现案件情况区分开来评估。

回复起草带来了另一种依赖关系。一份流畅的答复，可能让不完整的调查显得已经完成。若草稿在员工确定实际发生情况之前便已生成，其结构可能会围绕缺乏依据的解释塑造后续审查。

因此，机构采购方应追问拟议的节省究竟发生在哪里：工具是否减少重复的格式处理？是否有助于检索相关材料？还是其商业论证假设员工将减少核查实质性主张的时间？

这些类别应接受不同程度的审查。节省例行呈现所需时间，不需要与委托 AI 判断紧急程度或合理性同样高的信心。一项单一的生产率百分比，可能掩盖这些差异。

比较还需要覆盖完整流程。如果后续修正和重新开启的案件增加，较短的初始处理时间意义不大。相反，若一种实施方式在减少重复劳动的同时保持质量，即使人员配置未变，也应获得认可。

local government playbook 于 2026 年 10 月发布，增添了一个面向行业的治理参照。该指南由地方议会主导的合作项目制定，并获得 Local Government Association 支持，内容涵盖负责任采用和风险管理。它的发布证明了准备工作的存在，而非投诉自动化已经成功。

这一差异应塑造未来几个月的预期。宣布某个议会采用 AI，只能证明作出了部署决定；不能证明服务可及性更好、错误更少或等待时间更短。

构建接收端工具的开发者，面临与帮助发送者的开发者相同的端到端检验。如果产品只在一个界面中减少可见投入，却将工作转移到其他地方，就不足够。其价值必须经得起审查、修正和升级处理。

有意义的人工复核还需要实际能力支持。如果工作流程不鼓励打开底层材料，员工就无法可靠地质疑摘要。治理承诺需要与系统如何分配时间、如何呈现证据相衔接。

最有力的部署论证，应展示辅助在哪些地方有帮助、在哪些地方会失效，以及用户如何获得纠正。这类证据比又一次展示模型能多快生成专业回复，更能令人信服地支持扩大应用。

关注结果、访问规则与辅助质量

下一项检验是，机构能否在保持合法求助渠道开放的同时，减少可避免的工作。

第一个值得关注的信号是运营报告。未来几个月中，有价值的披露应将流入需求与处理投入、澄清和已完成案件联系起来。仅仅出现疑似 AI 撰写内容的增长，只能构成更弱的解释。

如果处理效率提高且结果依然可靠，那么精心设计的辅助方案就更有说服力。如果更快的确认回复伴随更多未解决案件，表面上的生产率提升就值得更仔细审视。这里的区别在于结果，而非输出速度。

第二个信号是公共机构如何改变访问安排。新的表单、提交限制或升级政策，应根据其实际影响进行审视。让队列变短，并不必然意味着服务运作得更好。

聚焦的表单可能帮助人们说明发生了什么，以及希望获得何种回应；限制性的流程则可能阻止他们提供必要的背景信息。两者都可能减少文本量，但代表着截然不同的结果。

如果机构保留澄清和个案审查的渠道，这支持了在不排除正当用户的情况下管理需求的可能性。若限制成为主要应对方式，取舍中的可及性一面就更难被忽视。

第三个信号是产品行为。投诉写作助手和机构处理工具，应越来越多地依据事实克制、文档清晰度以及与支持证据的关联来评估。更华丽的文辞几乎无法带来安心感。

如果产品能帮助用户缩小缺乏依据的主张范围，并识别实际请求内容，它们将在源头解决一部分处理问题。若产品主要加速升级，接收机构仍将承受吸收额外工作的压力。

这些是观察重点，而非预定公告或保证会发生的发展。它们提供了一种评估下一波主张的方法，而无需假定每项实施都会成功，或每一项额外请求都会造成损害。

它们也为知识工作者提供了审视自身组织的实用视角。相关问题在于，一份 AI 辅助文档离开作者屏幕后会在哪里产生工作。更快的草稿依然可能有用，但其收益应与后续发生的情况一并评估。

对于公共机构而言，ICO 的 AI 指引清楚界定了眼前边界：起草辅助本身并不决定一个请求应如何被处理。更困难的任务是在持续压力下建立能够维持这一区分的流程。

对于关注这一事件的读者，不妨超越关于收件箱爆满或自动写作节省工时的说法。应追问机构能否证明，人们以更少不必要的投入获得准确决定；应追问需要帮助表达正当关切的人，是否仍能获得服务；应追问新工具是否使底层证据更易于检查。这些问题将发送者的体验与接收者的责任联系起来。在将下一次 AI 部署视为生产率成功之前，应审视信息到达后发生了什么：谁阅读，谁核查，谁能够纠正错误，以及寻求帮助的人是否得到有用的解决方案。