Reuters 将 AI 速度置于编辑信任的考验之下

自一则 Google News 标题首次凸显其四项政策以来，Reuters 已扩大新闻编辑部对 AI 的应用，但所有具有实质影响的产出仍须由人类承担责任。

该标题指向的是 2023 年 5 月 14 日 Talking Biz News 的一则报道，其中提及 Reuters 总编辑 Alessandra Galloni 与伦理编辑 Alix Freedman 发布的指导意见。这并非 Reuters 在 2026 年 7 月发布的新公告。然而，它经由聚合信息流再次出现，仍揭示出一项持续存在的矛盾。

Reuters 希望利用人工智能发现信息、处理文件、翻译材料，并加快财经快讯发布。但与此同时，它不能让自动化削弱其品牌所代表的准确性。因此，其模式以辅助报道而非自主新闻生产为核心。

这种区别的重要性超出单一出版机构。Google News 和其他自动化分发系统可能使标题脱离原始发布日期与语境。AI 系统同样可能在报道过程中造成类似问题：以令人信服的流畅表达呈现陈旧、不完整或缺乏依据的信息。

Reuters 对这两类问题给出的基本规则相同：技术可以帮助发现材料，但记者必须确认其含义。其做法将人工审批、独立核验、有意义的披露和视觉真实性置于不受限制的内容生成之前。

真正的对手并非 Reuters 与另一家新闻公司，而是自动化速度与可问责的编辑判断之间的较量。Reuters 押注于：即使明确边界会拖慢发布节奏，AI 在这些边界内运作时反而更有价值。

Google News 标题指向的是一项政策，而非一次新发布

眼下的变化并非意外的产品发布，而是 Reuters 早期 AI 原则与其不断扩展的实用工具之间日益拉大的距离。

原始的 Talking Biz News 报道总结了 Reuters 于 2023 年发布的一份内部备忘录。该备忘录描述了在新闻工作中使用人工智能的四项支柱。它将 AI 视为新闻传播悠久历史中的又一项技术，同时拒绝将编辑责任转交给机器。

第一，Reuters 表示实验是必要的。据报道，备忘录告知记者，探索新一代工具并非可选项，尽管该机构仍在评估适当的使用方式。

第二，记者必须审批 AI 生成的材料。这项政策将该原则凝练为一项易记的标准：Reuters 的报道仍然是 Reuters 的报道。无论何种软件参与工作流程，品牌、编辑和记者仍保有责任。

第三，Reuters 承诺，当 AI 的使用对结果产生实质影响时会进行披露。这一措辞至关重要，因为并非所有自动化操作都应获得同样的标注。语音转录与合成生成新闻图片，会带来不同的编辑后果。

第四，Reuters 要求记者保持怀疑并进行核验。这比仅仅在生产链中安排一名人员要求更高。如果一个人只是照单全收机器的答案，人类参与便几乎没有价值。

此后，这项政策变得更加具体。Reuters 公布的 AI standards 表示，记者必须独立核验 AI 系统生成的事实、消息来源和主张。标准还禁止生成式 AI 创作或增强新闻图像。

这些规则使 Google News 搜索结果背后的日期尤为重要。看到这条重新浮现的标题的读者，可能将其理解为一项新的采用决定。但三年前，当生成式 AI 正进入主流新闻编辑部讨论时，Reuters 就已在正式确立自身立场。

因此，目前的故事关乎实施。Reuters 已从宽泛原则转向用于发现、核验、翻译、视频搜索和快速财经报道的受限工具。随着这些工具能力增强，其政策并未消失。

这也说明了聚合分发更广泛的一项教训。信息流能够识别相关文件，却无法解释它为何此时出现。发布日期、来源页面和后续政策变化仍需直接审查。

Google News 有助于发现信息，但并非最终的证据层。同样的原则也适用于生成式 AI。生成的回答可以提供线索，但记者在发布前仍必须回到文件、具名来源和可观察记录。

这正是 Reuters 为自己制造的张力。它将实验确立为新闻工作中应有的一环，同时保留了防止实验性输出自行成为可发布事实的标准。

Reuters 在发布前使用 AI，而非以其取代判断

Reuters 将 AI 最明确的收益置于信息处理环节：软件可以缩短检索时间，却不决定最终报道应作出何种主张。

该公司的公开技术材料介绍了用于转录、翻译、自然语言搜索、视频场景检测和新闻编辑部整合的工具。这些系统处理的是可识别的任务，而非接管整项报道任务。

场景检测是一个有用的例子。视频档案包含数小时的素材，记者和制作人在截稿压力下必须检查这些内容。AI 辅助搜索可以定位某位发言者、镜头或引语片段，并将其关联至带时间码的转录文本。

该系统加快了在既有材料中的导航。它并不判断某段片段是否真实、剪辑是否公允，或是否能代表该事件。这些仍属于编辑决策。

Reuters 还提供转录和翻译功能。转录将语音转换为可搜索文本，机器翻译则生成另一种语言的版本。两者都能节省时间，但也都可能在姓名、数字、口音或语境上引入错误。

Reuters 表示，其视频翻译工具支持七种主要语言，转录系统可识别超过 57 种口语。这些数字描述的是产品覆盖范围，并不保证每段录音都具备准确性。

这种区别在多语种报道中尤为重要。直译可能遗漏讽刺、政治术语或本地语义；看似流畅的转录可能将话语归给错误的发言者。人工审查仍然必要，因为语言上的合理性并不能确立事实准确性。

Reuters 的 newsroom AI tools 还包括自然语言搜索和向量搜索。向量搜索通过语义相似性检索材料，也就是说，它寻找相关概念，而不只是匹配完全相同的词语。

当术语发生变化时，这项能力能帮助记者找到早期报道。但它也可能返回看似比实际更相关、实则联系松散的文件。搜索排序是调查的辅助工具，而非关联性的证明。

这正是 Reuters 的模式不同于要求通用聊天机器人撰写完整文章之处。这些工具在受控工作流程中、围绕已知内容集合运作。记者可以审查底层的新闻稿、转录文本、视频或档案条目。

该公司表示，其系统绝不会在缺乏人工输入的情况下生成原创内容。此说法不应被延伸为每项输出都会自动可靠的主张。Reuters 自身的标准承认，AI 生成的材料需要核验。

其最强的应用场景具有清晰可见的证据链。记者可以将转录文本与音频比对、将提取出的数字与文件核对，或审查场景检测返回的画面帧。错误可以在成为报道主张之前被识别出来。

这一模式为 Reuters 的新闻编辑部采用提供了务实答案。它不将 AI 视为数字记者，而是将其视为分布于生产流程各环节的一组专业助手。

这种做法也带来了新工作。编辑需要获批工具清单、数据处理规则、评估程序和升级处理路径。记者则需要超越提示词的培训，因为针对不同类型输出的核验方式各不相同。

可搜索的来源工作区或 AI knowledge base 可以帮助整理文件和采访报道笔记，但无法判断两项来源是否独立，也无法决定一则引语是否公允。

因此，Reuters 的部署改变了劳动分配，而非只是将其消除。寻找片段或抄录数字所需的时间可以减少；对来源进行评估、作出语境判断，以及审查机器生成的中间产物则必须投入更多时间。

FactGenie 展现了 AI 速度如何衡量

FactGenie 将 Reuters 的政策转化为可衡量的工作流程：自动化提取事实，而记者在发出快讯前对其进行核验。

该工具聚焦突发财经新闻。在这一领域，企业和公共机构会发布包含重复信息类别的结构化公告。记者往往需要识别关键数据，并在数分钟内发出准确快讯。

FactGenie 会自动从新闻稿中提取关键事实，并将其呈现给记者审查。这比不受限制地撰写新闻报道的任务更为狭窄。来源文件可供查看，目标字段可明确识别，记者可以将提取结果与原文进行比对。

根据 2026 newsroom report，Reuters 已在全球范围内向 150 名记者部署 FactGenie。该报告称，它将发送非企业快讯所需的平均时间缩短了一半。

这些数字提供了新闻编辑部 AI 公告中常常缺失的内容：可观察的运营结果。该机构可以在保留审批环节的同时，对比部署前后的快讯发送时间。

这一应用场景也解释了为何财经报道长期以来吸引自动化。财报、央行声明、经济报告和监管文件包含重复结构。工具可以提取利率变化、投票结果、预测或标题数字，而无需杜撰报道框架。

然而，结构化信息并不意味着简单信息。一家公司可能突出经调整后的数字，而法定口径指标却讲述另一种故事。央行可能维持利率不变，却调整影响市场预期的措辞。

提取功能让数字进入视野。记者决定哪个数字值得发出快讯，以及需要何种语境才能避免误导读者。

对 FactGenie 所报告的速度提升也需要谨慎解读。平均快讯时间减半，并不表明每一则快讯都变得更快；它也无法证明该工具的错误率、更正率或在不同文件格式下的表现。

Reuters 尚未公开足够细节，以便独立计算这些指标。现有证据支持生产率提升的主张，但不足以得出自动化提取在所有情况下都更优的结论。

尽管如此，该机制仍具可信度，因为该工具的工作可供审查。记者可以检查来源文件及提取出的事实。这与聊天机器人生成回答、却未清楚地将每项陈述关联至证据不同。

这在新闻编辑室的 AI 应用中造成了实质性分野。保留来源可见性的系统，比起用润色后的回答取代来源的系统更容易治理。前一种设计帮助记者开展工作；后一种则要求记者逆向追溯答案。

FactGenie 也给竞争性新闻机构带来压力。金融客户重视速度，但一则快速却错误的快讯可能撼动市场并损害信任。竞争对手需要获得类似的生产力提升，同时不降低核查门槛。

竞争性回应未必是推出一款对应的产品。另一家出版机构可能使用模板、基于规则的提取方式，或不同的机器学习系统。关键在于，它能否缩短文件发布与经过核实的快讯发出之间的时间。

Reuters 的优势来自将技术与成熟的编辑流程结合起来。该模式拥有审核人员、标准和明确的受众。安装一个语言模型，并不能复刻这种制度性结构。

同样的原则也适用于 Google News。聚合缩短了发现报道所需的时间，但无法取代对原始页面的查验。FactGenie 压缩了信息提取时间，同时将最终事实判断留给 Reuters 的记者。

真正的较量是自动化与问责制之间的较量

Reuters 并非抗拒 AI；它抗拒的是“生成速度更快就应自动获得编辑权威”这一观念。

新闻机构面临直接压力：需要制作更多内容形式、服务更多平台，并更快作出响应。AI 可以起草摘要、生成标题、转录采访、翻译报道和标注档案，其规模是人工工作流难以轻易匹敌的。

行业接受这些辅助功能的速度快于接受自主报道。2026 年 Reuters Institute 对媒体领导者的调查发现，64% 的受访者认为后端自动化很重要。该类别包括转录、文稿编辑辅助和自动化元数据。

同一份报告对成果的评估则更为谨慎。仅 13% 的受访者认为当前新闻编辑室的 AI 项目具有变革性。44% 称其前景可期，42% 则认为其影响有限。

这些数据挑战了两种极端叙事。AI 并未未能进入新闻编辑室，但它也尚未广泛重塑新闻业。大多数部署仍集中于范围明确的生产与研究任务。

另一项 记者采用情况研究 在 2024 年 8 月至 11 月间调查了 1,004 名英国记者。60% 的受访者表示其新闻编辑室已在一定程度上整合 AI，不过大多数人认为这种整合仍然有限。

该研究发现，44% 的受访者称其主要任职机构制定了人工监督和控制规则。42% 报告有透明度规范，但只有 27% 报告有涉及偏见与公平性的指南。

这一差距至关重要。一个人可以审核输出，却未必意识到模型的训练数据、检索过程或排序行为如何塑造了它。只有当审核者理解相关失效模式时，监督才会有效。

Reuters 的政策通过要求独立核实设定了更高门槛。记者不能将模型作为模型自身输出的支撑来源。事实依据必须存在于其他地方。

这种方法类似于传统报道实践。一条线索即使未经核实也可能有价值。记者会跟进线索、寻找文件、联系消息来源，并在发布前检验相互竞争的解释。

AI 可以充当异常迅速的线人。它可以发现模式并提示关联，但也可能拼接无关事实或虚构缺失细节。它的自信是语言生成的特征，而不是真实性的指标。

Reuters 还将文本辅助与合成视觉内容区分开来。其标准禁止使用生成式 AI 创作或增强新闻图像。获批工具可以描述场景或准备拍摄清单，前提是不改变底层视觉记录。

这一限制反映了证据影响上的差异。纠正转录错误固然严重，但一张伪造图像可能错误地声称某个可见事件曾发生过。图像本身看起来就在充当证据。

该政策并未消除所有模糊地带。自动色彩校正、降噪、裁剪和压缩都会以某种方式影响视觉素材。Reuters 必须持续界定哪些操作保留现实，哪些会创造人为表征。

披露也带来另一项挑战。Reuters 承诺，当 AI 的使用对结果具有实质性影响时保持透明。难点在于“实质性”一词。读者不需要每当软件建议元数据时都收到提示，但当合成处理塑造了他们所见或所闻的内容时，他们理应知情。

一概而论的标签也可能掩盖的信息多于揭示的信息。“使用 AI 制作”并不能说明工具是转录了采访、生成了文字、翻译了语音，还是创作了视觉场景。有用的披露必须说明产生关键影响的操作。

Reuters 的框架最有力之处，在于它将标签与可问责的工作流联系起来。谁批准了输出、核查了什么来源、哪个元素由机器生成，比泛泛的 AI 徽章更重要。

人工审核是一道保障，而非保证

Reuters 的规则降低了 AI 风险，但当审核者时间紧迫、过度自信，或无法检视系统的推理过程时，人工批准无法保证准确性。

自动化偏见，是指因为计算机生成的建议看起来系统化或充满自信，人们便倾向于信任它。在突发新闻环境中，由于记者承受即时截稿压力，这种倾向可能更为强烈。

一名预期提取工具会正常工作的记者，可能只是浏览结果，而不是核查每个字段。如果源文件采用不寻常的版式，系统可能将标签与错误的数字关联起来。审核者随后可能批准一个看似合理的错误。

生成式系统带来了额外问题。即使底层证据薄弱，它们也能生成流畅的句子。一段整洁的文字可能掩盖不确定性，而这种不确定性在杂乱的源笔记中本会十分明显。

Reuters 要求核实每一项事实的指示，原则上解决了这一问题。尚未解决的问题是，当 AI 在同一项任务中涉及搜索、提取、摘要、翻译和起草时，核实是否仍然独立。

如果一个模型找到文件，另一个模型对其进行摘要，记者可能永远不会注意到被排除的材料。如果该摘要随后影响标题，多个自动化步骤就可能强化同一个初始错误。

最安全的工作流保留对原始材料的直接访问。它们展示引文、来源段落、时间戳和置信度指标。它们也让用户能够质疑一项提取结果，而无需接受一整套生成的叙述。

行业经验表明，这一区别为何重要。一份 2026 年的新闻编辑室治理审查记录了更正、撤下报道、伪造引语、劳资纠纷以及围绕披露的分歧。

报告还指出，在由 NewsGuild-USA 协商的 283 份美国新闻编辑室合同中，有 57 份包含 AI 相关条款。这个数字表明，编辑技术已成为职场议题，而不仅仅是一项产品决策。

Reuters 的公开标准涉及责任与事实审核，但并未回答所有就业问题。即使每条内容在形式上仍由人工负责，更快的生产也可能改变人员配置预期。

管理层可能将节省下来的时间视为进行更深入报道的空间，也可能提高产出目标。这两种结果都符合相同的生产力主张，却会对新闻业和员工产生不同影响。

2026 年媒体领导者调查呈现出复杂的早期图景。67% 的受访者称 AI 尚未减少岗位，9% 报告新增了岗位。16% 称只有少数职位被裁撤。

这些行业整体结果并不能说明 Reuters 的人员配置经验。但它们表明，关于大规模替代的说法仍为时过早。AI 的采用速度已经快于关于统一就业结果的证据积累速度。

公众信任带来另一项不确定性。披露可以让读者相信出版机构制定了规则，但也可能因引起对机器参与的注意而降低信心。其影响取决于系统做了什么，以及新闻编辑室解释得多清楚。

Reuters 拥有可信的政策基础，因为问责仍与具名记者和编辑相连。其严格的视觉规则也划定了清晰边界：在这里，证据完整性具有格外重要的分量。

不过，该公司仍需要绩效证据。读者和客户将受益于有关提取错误、更正、有争议输出，以及触发披露条件的信息。

没有这些衡量指标，“人在回路中”就有沦为口号的风险。有意义的标准是：具备资质的人拥有足够的时间、来源访问权限和拒绝机器结果的权力。

Reuters 扩展新闻编辑室 AI 时应关注什么

Reuters 的 AI 战略将接受可衡量的准确性、精确披露，以及其对更具自主性的新闻编辑室系统的应对方式的检验。

第一个信号是 Reuters 是否会发布更多关于 FactGenie 及相关工具的绩效信息。速度很有价值，但错误率和更正模式将显示更快的快讯是否仍能保持准确性。

如果快讯发布时间持续缩短，而更正数量保持稳定，将强化 Reuters 的辅助自动化模式。如果可避免错误上升，尤其是审核者批准了误导性提取结果时，这一模式就会被削弱。

第二个信号是 Reuters 如何将其披露的实质性标准付诸实践。合成语音、自动翻译、AI 辅助摘要和生成文本对受众产生的影响各不相同。

Reuters 已为部分报道提供西班牙语和巴西葡萄牙语合成配音视频。这种形式使披露尤为重要，因为听众可以合理地认为声音属于一位真人主持人。

清晰、具体的标签将支持 Reuters 的透明度承诺。笼统通知或不一致的标签，会让读者无法理解自动化如何塑造了一项产品。

第三个信号是 Reuters 对 agentic AI 的处理方式。一个 agentic 系统可以规划并执行多个相互连接的任务，例如搜索文件、比较主张、起草文本，以及将结果路由以供批准。

这种能力能带来更大的生产力提升，但也使错误更难追踪。检索阶段引入的问题，可能在记者看到最终输出之前贯穿之后的每一步。

Reuters 可以通过在关键阶段要求来源可见性和批准，来维持其当前模式。如果它允许一个系统完成报道链条的大部分环节，那么仅依靠最终人工审核将构成较弱的保障。

竞争对手将面临同样的选择。一些机构会优先考虑自动化，因为财务压力会奖励更高产出。另一些机构则会将 AI 限制在转录、搜索和数据处理上，因为受众信任依然难以重建。

Google News 将继续通过在脱离原始语境的环境中分发标题，使情况更加复杂。读者应查看发布日期并打开来源页面，再将聚合条目视为新事件。

对于记者和知识工作者而言，实际问题不是是否使用 AI，而是每个工作流是否保留了拒绝一个自信却缺乏支持的答案所需的证据。

路透社选择了一条站得住脚的路径：将检索和处理自动化，由人承担责任，披露具有重大影响的使用方式，并禁止使用合成新闻图像。它面临的下一个挑战，是在系统日益自主的情况下，证明这些控制措施依然有效。

当下一条由 AI 生成的快讯、翻译视频，或重新浮现的 Google News 标题出现时，请审视其背后的链路。人类能否识别消息来源、说明机器扮演的角色，并为最终结论辩护？这正是路透社设定的标准，也应当是读者采用的标准。