Kakul Srivastava 对 AI 的担忧：为何自动生成的邮件会削弱真实对话

尽管领导着一家日益在产品中采用生成式 AI 的公司，Kakul Srivastava 对 AI 撰写文档划下了明确界限。这位 Splice CEO 认为，一旦读者无法辨认文字背后的人类思考，自动化写作便会削弱对话。这些 Kakul Srivastava 对 AI 的担忧，将熟悉的效率争论转化为一个信任问题。

她的警告尤其值得关注，因为 Splice 是一家远程优先的公司。没有走廊里的偶遇交流，员工依赖书面文档来表达决策、分歧和尚未成熟的想法。Srivastava 认为，一份经过深思熟虑的文档加上一场真诚的讨论，是她最重要的工作工具之一。

她将同样的标准应用于音乐。Splice 利用 AI 帮助制作人搜索、组合和改造由人类创作的声音。它抵制了与 Suno 等歌曲生成器相关联的一键式方法。因此，冲突并非人类与 AI 的对立，而是辅助与替代之间的区别，以及便利性是否仍能保留足够的人类意图，以支撑有意义的协作。

Kakul Srivastava 如何谈论 AI 邮件

Srivastava 反对的并不是 AI 写得不好，而是自动化写作可能掩盖了究竟是谁真正完成了思考。

在 2026 年 10 月 3 日的一份职场问卷中，Srivastava 将一份写得好的文档和一次真实的对话列为自己最不可或缺的工具。在 Splice，文档往往是集体思考的起点。

某人思考一个问题，写下自己的立场，并将这种思考暴露于分歧和质疑之中。随后，同事们挑战其假设，并修正决策。文档之所以重要，是因为它为团队提供了某种可归属、具体且可供审视的内容。

AI 生成的文字可能扰乱这一过程。一封润色精良的邮件或许提出了清晰的建议，但读者未必知道发件人对其有多坚定的信念。他们也无法看出，哪些论点来自发件人，哪些则出自模型。

Srivastava 直接描述了由此产生的信任问题：“一旦你无法判断这些文字背后是否有一个人”，对话就会变差。她的担忧适用于文档、电子邮件，以及其他看似经过思考、却未必真正体现深思熟虑的职场信息。

这种区别将文稿撰写与作者责任区分开来。文稿撰写能产出可读的句子；作者责任则将这些句子与某个选择证据、接受权衡并愿意为结论负责的人联系起来。

生成式写作工具可以协助完成文稿撰写，同时保留作者责任。有人可能使用 AI 缩短草稿，或找出令人困惑的表述。当生成文本取代了文档本应记录的智力工作时，问题便会加剧。

这在远程工作中尤为重要。办公室团队可以通过非正式交谈、面部表情和即时提问，补充一则含糊的信息。分布式团队往往只有书面材料，以及围绕它组织的会议。

当这份材料缺少清晰可见的立场时，接下来的对话便从不确定性开始。参与者必须判断，他们质疑的是同事的判断、通用模型的输出，还是两者未经审查的混合物。

“AI 邮件正在‘扼杀对话’”这一标题说法，不应被理解为对组织衰退的量化证明。Srivastava 提出的是一项管理判断，而非受控研究。不过，她的解释指出了一种实际机制，企业可以在自身工作流程中加以检验。

重要的变化不只是员工能够更快地生成信息，而是当一段润色精良的文字没有显示出人类承诺的证据时，接收者如今面临新的归属问题。

为什么 AI 写作会改变远程团队的信任模式

AI 撰写的备忘录或许能节省起草时间，却会将验证工作转移给每一位接收者。

传统职场写作从未保证诚实或缜密思考。高管长期以来一直委托他人起草文稿、重复使用模板，并用正式措辞掩盖不确定性。生成式 AI 提高了这样做的规模，并降低了成本。

如今，员工可以在尚未确认主张是否正确之前，就产出一份详细提案。另一个人可以把几条模糊的笔记变成一封自信满满的邮件。结果看上去可能比其背后的实际推理更完整。

这造成了一种不对称。发件人节省了时间，而接收者必须审查论证、核验来源，并判断是否有人真正对建议负责。一个简短提示词，可能制造出数页的审阅工作。

润色会让问题更难被发现。过去，生硬的语言曾表明某个想法需要澄清。AI 可以消除这些可见的缺口，却未必能解决其下方的困惑。

风险并不局限于事实错误。生成的文档可能把不确定性、分歧或情绪压平为听起来中性的表述。这会抹去同事用来判断哪些问题需要真正讨论的信号。

设想一位产品经理建议推迟功能发布。其背后的原因可能包括测试不足、尚未解决的客户疑虑，以及对排期的私下分歧。AI 改写可能把这项判断转化为一份流畅的通用风险清单。

改写后的版本或许更容易阅读，却可能掩盖了真正推动这项建议的担忧。同事们于是围绕文档的表层结构争论，而非围绕这个人的真实判断展开讨论。

同样的动态也会影响电子邮件。模型可以让一条困难的信息显得更友善，但也可能生成发件人从未感受过的情感语言。接收者可能会对自动选择出来的表面共情作出回应。

因此，团队需要比“允许使用 AI”或“禁止使用 AI”更精确的区分。他们需要识别沟通中的哪些部分需要可追溯的判断，以及哪些部分可以安全地接受机械辅助。

排版、转录和语法修正带来的归属风险相对较低。战略建议、绩效反馈、冲突调解和安全决策的风险则高得多。这些信息取决于人们能否知道谁相信什么。

AI 也可以支持准备工作，而不是代替用户发言。它可以整理笔记、呈现先前决策，或帮助人们检索相关背景。个人知识库可以减少搜索工作，同时让最终判断保持可见。

Srivastava 偏好的工作流程提供了一个有用标准。文档应当让一个人的思考变得清晰可辨，而对话则用于检验这种思考。当 AI 削弱这一交流的任何一方时，它便会造成伤害。

这并不要求每句话都在没有辅助的情况下手动输入。它要求作者理解其中的主张，披露重要的不确定性，并为这条信息承担责任。

压力落在那些为整个组织部署 AI 写作功能的管理者身上。他们必须决定，成功意味着产出更多文字，还是改善由这些文字带来的决策。

Splice 的 AI 战略让音乐人始终参与其中

Splice 的产品战略将 AI 视为操控创作素材的乐器，而不是取代歌曲创作者的工具。

Srivastava 在职场写作上的立场，与 Splice 对音乐软件的做法相互呼应。这家公司已经采用 AI，但一直努力保留清晰可见的人类输入和创作控制权。

Splice 的核心业务为制作人提供 one-shot、loop 和其他录制声音。一段 one-shot 是单一的音频事件，而 loop 则是为重复播放而设计的乐段。制作人在数字音频工作站中编排并改造这些元素。

该平台的采样已出现在包括 Lisa 的“Money”和 Sabrina Carpenter 的“Espresso”在内的知名作品中。这种覆盖范围使 Splice 成为现有创作供应链的一部分，而不只是一家尝试文字生成音乐模型的公司。

其 AI 历史也早于当前的生成式 AI 热潮。Splice 表示，它在 2019 年推出 Similar Sounds，用于查找具有相似音频特征的采样。之后又扩展了 Create，该功能可将兼容的 loop 组合成可编辑的 Stacks。

根据 Splice 的产品历史，截至其最近一次公布统计时，用户已创建超过 2,800 万个 Stacks。这一数字来自公司，尚未经过独立审计。

这些产品将发现和编排自动化，同时让制作人持续参与。用户选择声音、评估组合、改变结构，并决定结果是否适合加入一首曲目。

Splice 在 2026 年通过 Variations 进一步进入生成式音频领域。该功能可生成选定采样的新版本，同时允许用户指定调性、速度和复杂度等音乐属性。

关键在于，输出仍与原始素材相连。Splice 表示，当生成的变体被使用时，原始声音的创作者会获得报酬。用户则在同一套免版税许可框架下获得生成的声音。

Craft 采用了类似模式。它将素材库中的声音转化为可演奏的乐器，让音乐人能够在键盘上演奏这些素材，而不是直接获得一首完成的作品。另一项已公布的功能 Magic Fit，则旨在让声音适应项目的音乐语境。

这些工具仍然引发关于原创性、训练数据和归属的疑问。不过，它们的设计不同于输入一段简短提示词后，便得到一首已配好人声、编曲和制作决策的完整歌曲。

Srivastava 在 2025 年 3 月的一次 Decoder 访谈中更直白地表达了这一差异。她拒绝“按下按钮，得到歌曲”的系统，因为这类系统移除了音乐人所珍视过程中的很大一部分。

她的论点并不依赖于对手工劳动的浪漫化。制作人一直在使用能够减少工作量的技术。音序器能自动化演奏，采样器能重复利用录音，数字编辑则可以在数秒内修复节奏问题。

关键问题在于，工具要求音乐人贡献什么。Splice 偏好的模式要求用户进行选择、操控、演奏和判断。一键式生成则可能把这些活动缩减为对完成输出的批准或拒绝。

这与电子邮件问题如出一辙。AI 可以帮助某人塑造一个想法，也可以伪造出一个想法已经成形的表象。两种情况下的输出都可能看起来完整，但人类的贡献截然不同。

真正的冲突是辅助与替代

Kakul Srivastava 对 AI 最强烈的担忧聚焦于替代，因为当自动化移除赋予工作意义的自主性时，它便会产生侵蚀作用。

围绕 AI 的讨论常常被压缩为一种错误选择：要么热情拥抱，要么彻底拒绝。Srivastava 所处的位置并不轻松，因为 Splice 既是 AI 开发者，也是自动化过度扩张的批评者。

公司需要借助 AI 改善内容发现能力，并与节奏更快的音乐平台竞争。同时，它也依赖期待署名、清晰授权与合理报酬的音乐人。

Splice 曾表示，其核心 Sounds 目录不接受由生成式 AI 创作的音频。公司称，提交的采样必须由人类创作，并通过内容审核。独立的 AI 驱动功能则可以在获准素材进入平台后对其进行转换。

这条界限为创作者提供了更明确的预期，但执行仍然困难。AI 检测工具的结果并不完美，生成式系统也在持续改进。Splice 承认，其检测方法必须与技术同步演进。

公司还在 2025 年 4 月收购了 Spitfire Audio。Spitfire 制作基于管弦乐团及其他表演者录音打造的精细虚拟乐器。这笔交易让 Splice 从短采样扩展至可演奏乐器和电影化音色库。

Splice 表示，收购 Spitfire 将把这些录音与 AI 驱动的内容发现结合起来。公司未公开披露交易价格。

这项收购使公司的理念界限变得更加重要。Splice 现在掌控着更广泛的录制表演素材与作曲家使用工具的访问渠道。有关转换、授权和报酬的决定，影响的不再只是 loop 的发现过程。

公司还与 Universal Music Group 合作，探索 AI 驱动的虚拟乐器及其他商业工具。双方称，参与的艺人可以将自己的声音带入 Splice 工作流程，并帮助塑造产品开发方向。

细节仍然有限。与 UMG 的合作 尚未说明，训练许可、艺人批准、收入分成或输出限制将如何在每一款产品中实施。

这正是辅助与替代开始难以区分的地方。一个转换艺人已授权声音的模型，可能像一种富有表现力的乐器。若同一系统以极少的艺人控制为代价生成无限仿制品，它也可能变成替代性工具。

Suno 和 Udio 代表了市场中自动化程度更高的一端。它们的系统让用户可以通过普通提示词生成完整歌曲，在吸引用户的同时，也引发了与大型音乐公司的版权纠纷。

授权协议可以解决部分法律争议，却不会自动解决创作主体性的问题。一个获得授权的系统仍可能弱化音乐人的角色，而辅助工具同样可能不当处理同意机制。

因此，Splice 不能把“伦理”一词当作永久性的区分标准。它必须证明，每一款产品如何将输出与已授权素材关联、如何补偿贡献者，以及如何赋予音乐人有意义的控制权。

企业写作工具同样适用这一要求。供应商可以承诺负责任的 AI，但团队需要知道信息来自何处，以及谁批准了最终信息。

将 Srivastava 的立场视为一项设计测试时，它最具说服力：系统是在延展一个人的意图，还是在生成看似有意图的替代品？

Splice 以人为本承诺面临压力之处

Splice 的战略听起来逻辑连贯，但商业激励可能逐步将辅助型产品推向更高程度的自动化。

用户通常会奖励能更快交付结果的工具。投资者和平台运营方也偏好能提升参与度、产出和持续使用率的产品。这些激励并不总与节奏更慢、由人主导的创作相一致。

Variations 展示了这种张力。制作人从一段人类创作的采样开始，并请求生成修改后的版本。Splice 表示，原始创作者仍然可追溯，并会在其素材被使用时获得报酬。

这一框架保护了源素材与输出之间的关系。但其公平性取决于报酬比例、报告准确性、转换限制，以及创作者是否能够真正作出知情同意等细节。

现有公开信息并未回答所有问题，也未说明制作人如何看待生成变体相对于原始录音的价值。

Splice 表示，其 2026 年 AI 工具围绕真实创作工作流程构建。关于生成式功能的报道指出，Variations 可从选定声音生成五种替代版本。这是一项具体工作流程，而非关于完整歌曲生成的泛泛承诺。

不过，功能边界可能会移动。一系列辅助工具最终可能自动化声音选择、和声适配、配器、编曲与混音。每一步都可能保留用户选择，但累积起来的系统会完成大部分创作决策。

这并不意味着产品天然不正当。它意味着，一旦多项自动化功能协同工作，Splice 必须说明其认为作者身份究竟归属何处。

其目录政策也面临另一项考验。公司称人类创作的素材仍是强制要求，但用户曾公开质疑某些采样是否听起来像是生成内容。个别投诉并不能证明被禁止的内容已进入目录。

仅靠检测无法彻底解决这些争议。误报可能将真实录音错误标记，而漏报则可能让生成内容进入平台。一项可信的政策需要调查程序、提供方问责机制与纠错机制。

职场类比非常直接。企业无法仅通过运行 AI 检测器，就判断一份文档是否代表人类判断。它们需要让责任清晰可见的组织规范。

管理者可以要求作者说明其建议的决策、指出不确定的证据，并亲自回答问题。这一标准无需试图监管每一句获得辅助的文字，也能落实问责。

Srivastava 自己的经历也提供了另一个保持谨慎的理由。她曾在 Tiny Speck 参与打造 Glitch，之后该公司创建了 Slack。Glitch 是一款雄心勃勃的在线游戏，但它依赖 Flash，而消费级计算正迅速转向移动设备。

在 2026 年的问卷中，她将这次失败描述为错过了两次重大平台转变。教训并非企业应避开新技术，而是必须区分持久的变化与建立在错误假设上的诱人实现方案。

如今，Splice 正在生成式 AI 面前接受这种检验。行动过慢可能使其与新兴音乐工作流程脱节；过度转向自动化输出，则可能削弱其赖以区别于其他平台的创作者关系。

她对 AI 邮件的立场也包含同样的权衡。禁止有用辅助的组织可能制造不必要的工作；将合成作者身份常态化的组织，则可能发现大量沟通带来的理解反而更少。

因此，审慎的结论并不是 Splice 已经解决了负责任 AI 的问题。公司已阐述了一条站得住脚的界限，并围绕其开发产品。未来的产品发布将表明，这条界限能否经受竞争压力。

三项信号将表明人类是否仍掌握控制权

Splice 的后续产品、报酬记录和创作者反馈，将揭示其以人为本的立场究竟是政策还是品牌宣传。

第一项信号是产品范围。应关注 Variations、Craft 和 Magic Fit 如何与 Create 及 Splice INSTRUMENT 连接。若用户仍保有对源素材和音乐决策的细粒度控制，更深入的整合将强化 Srivastava 的论点。

反面的结果则会削弱这一论点。如果这些功能汇聚为一个几乎能交付完整音轨的提示词，那么它与一键生成之间的区别就更难辩护。

第二项信号是创作者报酬。Splice 表示，当制作人使用 AI 生成的变体时，源创作者会获得署名。有价值的信息披露应说明这种情况发生的频率、收入如何分配，以及参与的创作者是否认为安排公平。

仅有总体采用数据无法回答这些问题。数百万个生成输出可能表明用户需求旺盛，却掩盖了提供源素材的人是否分享了其中的价值。

第三项信号是艺人在 Splice 与 UMG 合作中的参与程度。通过有记录的艺人同意塑造的产品，将支持公司关于 AI 能够延展创作意图的主张。含糊的参与表述则会让控制权和授权问题仍悬而未决。

这些信号也为职场 AI 提供了一个框架。团队应审视完整工作流程，衡量由谁承担审核负担，并询问员工是否仍拥有自己的建议。

AI 写作不太可能从电子邮件、文档或内部消息中消失。实际的选择是，组织将生成文本视为完成的思考，还是视为必须由人评估并承担责任的材料。

这一标准为有用的自动化保留了空间，也保护了随后的对话，因为同事仍能识别是谁作出了决定，以及为什么作出这一决定。

Kakul Srivastava 对 AI 的担忧，最终挑战了一个常见的生产力假设：更快的产出并不保证更好的沟通，正如更快的生成也不保证更有意义的音乐。

下次 AI 起草一则重要信息时，请在发送前问自己三个问题：你是否理解每一项主张，是否愿意在交流中为其结论辩护，以及接收者是否仍能辨认出你的判断？如果任何一个答案是否定的，这个工具就已从辅助走向替代。