top of page

OpenAI 与 Figaro 的合作将新闻带入 ChatGPT

15分钟前
讀畢需時 12 分鐘
Illustrative photograph. Photo: Mike van Schoonderwalt / Pexels.

OpenAI 与 Le Groupe Figaro 于 2026 年 11 月 18 日宣布达成新闻合作,将 AI 发现机制与一个尚未解决的问题结合起来:出版商流量。OpenAI Figaro 合作将通过摘要、节选和原始报道链接,把新闻内容引入 ChatGPT。其商业张力很直接:有用的回答既能将读者引向某家出版物,也可能在读者访问前就满足其好奇心。

对 Le Figaro 而言,机会在于其自有网站之外的内容发现。对 OpenAI 而言,这项安排为其新闻服务增添了另一家成熟的编辑来源。但两者都不能自动证明出版商会因此与读者建立更紧密的关系。

Le Monde 和 Financial Times 为这种做法提供了较早的参考案例。核心问题在于:助手内部的内容发现,与报道背后新闻编辑部的互动之间究竟是什么关系。对于正在协商类似安排的出版商,以及日益通过 AI 生成回答接触新闻的专业人士而言,这一区别很重要。

OpenAI Figaro 合作带来了哪些变化

根据 Figaro 内容合作公告,该协议涵盖 Le Figaro 及其关联出版物的当前报道和档案内容,主题领域包括新闻、商业、文化和生活方式。OpenAI 表示,出版商保留其新闻业务的编辑独立性和控制权。

此次宣布的变化关乎读者如何发现报道,而非承诺可不受限制地访问完整文章。

这一界限值得关注。摘要可以传达报道中的核心进展,节选则呈现其中经过挑选的部分。两者都未必提供完整文章所包含的证据、限定条件、采访或叙事内容。读者不应将这项合作理解为普遍绕过付费墙的方式。

设想一个示例场景:一名英语分析师询问某项法国商业动态。一则简明回答或许能帮助其识别相关报道,再决定哪些文章值得进一步阅读。这是该安排可能带来的合理益处,而非这项具体整合已被证明的结果。

分析上的关键区别在于,找到一个来源与评估其报道并不相同。内容发现降低了定位有用材料所需的成本。评估仍要求核查文章实际确立了什么、哪些说法仍存在争议,以及后续报道是否改变了整体判断。

档案内容的发现还带来另一项考量。较早的新闻报道可以解释当前事件的背景,但其价值取决于是否保留原始发布日期。历史报道不应仅因助手在一次新对话中检索到它,就看起来像是在描述当前情况。

这对内容呈现提出了编辑责任。读者需要能够区分当前报道与背景材料,而无需自行重新梳理这种区别。否则,档案库的更广泛访问虽然增加了可得信息量,却可能让其相关性更难判断。

若要从实际角度理解 Figaro 合作,最有用的起始问题是:回答与原始文章之间发生了什么?回答是否清楚标明了报道来源?链接目标是否与所述主张相符?读者是否了解还有哪些补充背景可供查阅?

这些问题可以在不预设成功或失败的前提下评估体验。可识别的出版物名称说明信息来自何处。可用的文章链接让读者能够审查证据。这些要素之间的关系,决定了内容发现是否仍对报道本身负责。

宣布一项分发安排与证明其实际表现之间也有区别。商业协议确立组织之间的合作关系。读者行为和产品测试才能证明由此产生的体验是否实现预期收益。

因此,这项公告值得关注,但不应被视为一个已完成的商业案例。这些组织选择了一条合作路径。其对注意力、信任和持续读者关系的影响,则需要另一类证据来验证。

出版商需要超越一次回答的互动

眼下的压力落在负责将注意力转化为持久读者关系的出版团队身上。在 AI 回答中出现,是一种获得曝光的机会。这种曝光是否支持出版物,取决于读者之后的行为。

只有当可见度能够支持出版商可识别且可衡量的结果时,它才具有商业价值。

读者可能会点击引文链接,之后记住该出版物,订阅新闻简报,或直接返回阅读后续报道。这些行为代表不同类型的互动。将它们合并统计,会掩盖助手究竟强化了这段关系中的哪一部分。

另一个界面已有相关证据。Pew Research Center 对 AI 摘要点击量 的研究考察了 2025 年 3 月的 Google 浏览活动。出现 AI 摘要的访问中,传统搜索结果链接的点击率为 8%;未出现 AI 摘要时则为 15%。摘要内链接仅在 1% 的访问中获得点击。

该研究覆盖的是 Google,而非 ChatGPT 或本协议。它不能预测 Le Figaro 的结果。但它确实说明,应当将链接的存在与读者实际点击链接的证据区分开来。

因此,就 ChatGPT 对出版商的影响而言,相关的商业问题比“是否存在引用”更具体。出版商需要了解与这些引用相关的用户行为。偶尔一次访问与回访读者,对合作价值的判断支持截然不同的结论。

除了访问是否发生,访问质量同样重要。寻找原始采访内容的人,可能带着强烈理由进行深入阅读;核查一项次要事实细节的人,则可能在确认后立即离开。将两类访问视为等同,会忽略读者意图的差异。

这也使其与传统引流渠道的比较更加复杂。即使一个渠道带来的访问者较少,只要这些访问者能与出版物建立长期关系,它仍可能具有价值。这种可能性需要衡量;不应成为用以解释疲弱结果的假设。

公平的评估应当进行同类比较。商业报道应与相关商业读者群进行比较。档案访问应与突发新闻访问区分开来。订阅行为应与随意浏览分开,而不是被归入单一的成功指标。

对编辑而言,压力在于维持可识别的编辑贡献。读者需要有理由将某项洞见与发展它的记者联系起来。如果所有来源在综合回答中都变得可以互换,出版物独特的报道价值就更难被识别。

对 OpenAI 而言,相应挑战是让归属信息在阅读体验中真正有用。引用应帮助读者理解哪一来源支持某项具体主张。当回答未提供足够细节时,它也应让进一步调查变得可行。

这些利益可以保持一致。一则清晰的回答可以让读者接触到值得继续追踪的报道。当回答成为出版商希望获得的访问的充分替代品时,张力便会出现。

这正是公告背后的商业问题。分发创造了触达读者的机会。一段持久的出版关系,则需要证据证明某种有意义的连接能够在最初回答之外继续存在。

早期协议确立了一种模式,而非相同条款

这项安排延续了出版商直接与 OpenAI 合作的既有模式。早期协议有助于解释其方向,但不应自动将其中细节套用到 Le Figaro 身上。

2024 年 3 月 13 日,OpenAI 宣布与 Le Monde 和 Prisa Media 达成 法国出版协议。该公告明确提及通过 ChatGPT 访问新闻,以及对模型训练的贡献。其措辞提供了一个有用示例,说明不同用途如何被分别识别。

Financial Times 于 2024 年 4 月 29 日宣布其 新闻授权协议。该协议描述了带来源标注的摘要、引文和链接,以及与模型相关的使用方式和读者产品合作。公告还提到该报采用 ChatGPT Enterprise。

常见的合作形式并不能证明出版商协商获得了等同的权利、义务或收益。

这很重要,因为公开标签“合作”可能涵盖几种彼此独立的关系。一种关系涉及向用户呈现新闻报道。另一种涉及允许如何使用内容。还有一种关系可能涉及出版商为自身员工采购工具。

即便这些关系出现在同一份公告中,也值得分别分析。新闻编辑部可能认为内部工具有用,同时质疑分发渠道的表现。反过来,一项有用的内容发现安排,也并不意味着每一种内部 AI 应用都值得采用。

这些比较也有助于确定哪些内容不应被纳入文章结论。公开的 Figaro 公告没有披露合同金额、收入分成安排,或详细的训练授权条款。使用另一家出版商的协议填补这些空白属于推测。

从谈判角度看,这一区别影响重大。报酬、控制权、技术访问和受众发展,分别对应出版商的不同利益。在某一领域的有利安排,并不能证明在所有其他领域也获得了有利待遇。

对读者而言,实际教训更为有限。助手与某家出版物的关系,提供了内容如何进入产品的背景信息。它不能替代阅读文章本身,或评估回答如何处理该文章的必要性。

OpenAI Figaro 合作也为竞争出版商在评估自身选择时提供了另一个具体参考点。相关比较应基于其自身目标和证据。仅仅复制竞争对手的公告,几乎无法为判断结果提供依据。

专业出版物可能优先考虑在狭窄专业受众中的认知度。综合性报纸则可能寻求内容发现、订阅和读者服务的更广泛组合。这些只是说明性的战略选择,并非对这些公司私下优先事项的主张。

出版商的差异化在这里仍然至关重要。独家报道、本地专业知识、档案资源和编辑判断,为读者主动寻找原始来源提供了不同理由。若要支持有意义的发现,问答界面应让这些差异易于理解。

因此,这一先例表明,协商合作是一条反复出现的路径。它仍留下一个核心表现问题:由此产生的体验究竟是在与出版物建立关系,还是将读者的注意力集中在助手之中。

链接必须指向读者可核查的证据

署名只能解决信任问题的一部分。读者还需要确信,被引用的文章确实存在、与相关表述相符,并且能够支持据此得出的结论。

Tow Center 的研究提供了一个警示。其 2025 年 3 月针对 AI 引用准确性的调查,对八个搜索工具的新闻识别能力进行了测试。研究人员报告称,其中存在错误署名、虚构链接以及指向转载材料的引用。在其测试中,授权合作关系并不能保证引用准确。

该实验使用了文章摘录,不能代表所有常规搜索任务。它也早于 Figaro 的公告。其发现指出了值得测试的失效模式,而非确立这一新合作安排的表现。

仅凭一项出版协议,无法证明每个回答都忠实呈现了其引用的报道。

一个示例可以说明原因。假设一篇文章报道称,某公司正在考虑收购。若回答将该收购描述为已完成,含义便发生了改变。即便链接文章真实存在,正确的出版物名称也无法修复这一错误。

同样的担忧也适用于报道内部的归因。记者可以报道某项指控,但并不表示认同它。若助手在压缩内容时抹去了这一区别,读者可能会将该指控归于报纸本身。

日期构成另一项检验。较早的文章可能准确描述了发布时的情况,但当它被呈现为当前信息时则可能产生误导。一项有用的回答需要同时保留原始报道及时间流逝这一事实。

这些都是对忠实性的实际检验,也就是回答是否保留来源原意。它们也比询问一个回答是否听起来令人信服更有参考价值。流畅的表述并不能证明底层报道支持其中某个句子。

对专业读者而言,这意味着需要采取一项不复杂但重要的核查步骤。在依赖一项影响重大的主张之前,先打开相关文章。核对日期、具名发言者以及证据的力度。在做笔记时,应保留该主张所附带的不确定性。

当信息进入个人知识库时,这一习惯同样重要。当原始来源和日期仍可获取时,已保存的结论更容易被重新评估。否则,后来的读者可能会看到摘要,却缺少判断它所需的背景。

对于产品团队而言,有价值的测试应包括带有更新内容、存在争议的陈述以及经过谨慎限定的结论的报道。这些案例能够揭示内容压缩是否保留了新闻报道中最关乎理解的部分。

一套有意义的更正流程,应在读者接触错误的层面处理问题。修复底层文章与更正不准确的摘要是相关任务,但未必是同一项任务。观察者应关注两者都获得处理的证据。

因此,对于 ChatGPT 对出版商的影响,信任与流量应在同一框架下评估。读者若能跟随准确的引用,便可进一步调查。读者若遇到误导性的归因,则需要额外付出努力,原始报道才会变得有用。

相关标准是实际可追溯性:人们能否从一项主张追溯到支持它的证据?这一标准既服务于保护自身作品的出版商,也服务于判断一个回答是否值得信赖的读者。

新闻编辑部的采用带来另一项问责检验

公告还称,Le Figaro 计划在多个团队中引入 ChatGPT Enterprise。公告描述了在出版商 AI 章程和编辑标准之下,对工作流程和读者服务的探索。这是一项计划中的推广,而非确认每位员工都已在使用它。

内部采用应与通过 ChatGPT 分发新闻报道分开评估。

这一区别很重要,因为使用者、责任和成功衡量标准各不相同。读者希望得到准确呈现报道的回答。员工则需要适合特定任务的工具,并清楚了解谁负责核查结果。

一个示例性的行政任务可能是为内部简报整理已获批准的材料。一个示例性的编辑任务可能是准备供审阅的摘要草稿。这些例子描述的是可能的工作类别,而非已宣布的 Figaro 部署。

这两类任务的区别在于问责。一项内部格式错误可能造成不便。一份改变报道含义的已发布摘要,则可能影响读者理解以及出版物的公信力。

这并不意味着某一类工作应始终使用 AI,另一类则永远不应使用。它表明需要评估任务、可用证据以及错误的后果。相较于明确描述的用途,广泛的产品推广所提供的信息更少。

对新闻编辑部领导者而言,有用的证据应展示员工实际如何使用该系统。它应说明他们使用的材料、审查流程以及需要人工判断的情形。关于生产力的笼统说法无法回答这些问题。

节省投入与改善工作之间也存在区别。快速生成的草稿仍可能需要大量核查。若能保留背景信息或防止重复错误,较慢的流程有时反而能带来更好的结果。

因此,公平的评估应考察完整任务。准备、核查、更正和批准都应纳入比较。若只看生成发生的那一刻,便会忽略被转移到组织其他环节的工作。

读者服务的可能性也需要类似的清晰度。带有出版物品牌的助手将引发一些问题:它使用哪些材料、如何处理不确定性,以及读者可到哪里查阅原始报道。这些是评估标准,而非本公告已确认的功能。

这使治理与产品质量相关。员工需要了解谁拥有某项结果、谁能够更正它。读者需要了解他们接触的是一篇经过编辑的文章、自动生成的摘要,还是另一种形式的回应。

从这一视角解释 Figaro 合作关系,其中包含不同的探索承诺。外部发现关乎与受众的关系。内部采用关乎组织自身的工作。任一领域的进展,都应通过适合该领域的证据加以证明。

对于关注该公告的企业买家而言,这便是可迁移的经验。一家成熟出版商的采用决定提供了背景,但并不能决定某一特定工作流程是否会让另一家组织受益。任务本身及其审查要求仍将决定结果。

关注产品行为、读者结果和具体部署

下一阶段应通过可观察到的变化来评估,而非通过关于新闻未来的更宽泛主张。在未来数月中,最有用的信号将涉及读者体验、出版商结果以及具体内部应用。

最有力的证据将把实际运行的产品体验、可衡量的收益和清晰的责任说明联系起来。

首先,关注相关回答如何识别和呈现原始报道。有用的观察包括:引用是否通向正确文章、日期是否仍然可见,以及摘要是否保留限定条件。持续稳定的表现将强化发现方面的论点。反复出现的不匹配则会削弱它。

这一评估应同时涵盖普通问题和困难案例。产品可能在直接事实方面表现良好,却难以处理更新信息或存在争议的主张。当证据要求如此时,读者需要一种让不确定性可见的体验。

其次,关注回答内呈现之外有关读者群的证据。相关披露应区分访问量、回访读者和其他有意义的参与度。这类证据将有助于确定该安排是否支持持久的受众关系。

若缺乏公开数据,商业问题仍将悬而未决。这并不证明协议失败。同样,关于曝光度提升的声明也无法回答出版物是否获得了积极参与的读者。

第三,关注计划中的内部采用是否出现具名的工作流程或读者服务。具有明确目的和审查流程的具体部署,会使运营层面更易评估。笼统的热情会为判断提供更弱的依据。

在评估 OpenAI Figaro 合作关系时,这些信号应保持区分。准确引用、有价值的读者群和有用的员工工具代表不同结果。一方面的强劲表现不应替代另一方面的证据。

对于其他出版商而言,实际问题是在建立类似关系前,他们会将什么视为成功。这可能涉及读者参与度、对原创报道的认可,或某项具体运营收益。明确的目标会使后续主张更易评估。

对读者而言,眼前的检验则更简单。助手是否帮助你找到值得进一步关注的报道?你能否毫无不必要阻碍地核查其中主张?即使合同细节仍未公开,这种体验也可供审视。

在关注 OpenAI Figaro 合作关系时,不妨从一个你确实需要答案的新闻问题开始。打开被引用的报道,查看其日期,并将回答与文章中的限定条件进行比较。留意该出版物是否会成为你下一个问题的有用去处。若你为工作保存了这一发现,请将原始链接与笔记一并保留。随后再超越界面本身:关注两家公司是否披露有意义的受众结果,或说明具有明确审查责任的具体部署。这些核查会让合作公告变成读者可以评估的对象。这种体验是否加深了你与报道之间的联系,还是这种关系止步于回答本身?

 
 

免费开始使用

一款本地优先的AI助手

为了获得更好的人工智能体验,

remio 目前仅支持Windows 10+ (x64)和M-Chip Mac 。

你的 AI 工作伙伴

和 remio 一起高效工作

规划、创作、交付

一站式完成

bottom of page