AI最重要的能力不是替你回答一切，而是让你更清楚哪些答案可以行动、哪些必须停下来核验。
这个双语目录汇集20篇问题型文章。每篇先给直接结论，再提供证据、判断框架、检查表和相关问题。它们不追逐抽象的“AI好不好”，而是帮助你在具体任务中决定：交给AI多少、核验到什么程度、谁负最终责任。
你可以按四章顺序建立完整框架，也可以直接打开眼下最接近的问题。
一、答案与验证
先决定哪些任务能交给AI，再建立验证事实、引用与数据的最小可靠流程。
-
哪些工作适合交给AI，哪些不适合？
用错误代价、可验证性与可逆性决定AI参与深度，而不是按工具品牌分配任务。 -
AI给出答案以后，人还需要负责什么？
AI能生成答案，却不能接管目标选择、证据核验、最终决定和后果补救。 -
AI看起来很有把握，为什么仍然可能完全错误？
流畅与确定语气来自生成机制，不是模型已经核实事实的证明。 -
怎样快速验证AI答案，而不是把工作重新做一遍？
先找会改变决定的主张，再按风险抽查证据，可以避免把全部工作重做一遍。 -
AI列出的论文、数据和链接怎样判断真假？
引用存在、来源真实、数字正确和相邻主张受支持，是四个必须分别检查的问题。
二、判断与监督
理解模型一致、事实与推断、人工审核以及高后果自动化的真实边界。
-
两个AI给出相同答案，可信度会更高吗？
两个模型可能共享训练、检索和推理偏差；一致只是一条证据，不是独立证明。 -
怎样区分AI回答中的事实、推断和建议？
把事实、推断和建议分别标记，才能知道什么要核实、什么要判断、什么只是选择。 -
什么时候不应该让AI替你做决定？
影响权利、健康、安全、生计或重大财产的决定，不应交给通用AI作最终裁决。 -
人工审核AI输出，为什么仍然可能漏掉错误？
形式上的人工环节会受锚定、专业不足、证据不可见和工作过载影响。 -
错误代价多高时，必须禁止AI自动执行？
人身影响、不可逆性、大规模暴露和晚发现，都可以触发禁止AI自动执行。
三、数据、文档与记录
保护上传资料，识别总结和改写的语义损失，并让关键工作保持可追溯。
-
把私人或公司文件上传给AI之前，应该检查什么？
上传前先确认授权、敏感内容、供应商处理、最小必要数据和删除路径。 -
AI总结长文档时最容易遗漏什么？
长文档摘要最容易漏掉条件、例外、数字语境、异议、版本和跨章节关系。 -
用AI改写文字，会不会悄悄改变原意？
改写可能悄悄改变确定程度、主体、义务、范围、否定和专业术语。 -
AI生成的会议记录为什么不能直接当成事实记录？
录音、转写、摘要和正式记录是不同证据层；官方性来自确认与批准链。 -
怎样保存AI参与工作的来源、版本和修改记录？
保存来源、输入范围、模型与提示、原始输出、人工修改、验证和最终批准。
四、代理、变化、价值与规则
把AI从回答者变成行动者之后，需要更强的权限、变更、效率与责任治理。
-
AI替你发邮件、付款或修改文件前，哪些步骤必须确认？
代理行动前必须确认授权者、唯一目标、最终内容、实际后果和最小权限。 -
模型升级后，为什么同一个提示会得到不同答案？
同一可见提示不等于相同系统条件；模型升级必须经过回归、分阶段发布与回滚准备。 -
怎样判断AI真的提高了效率，而不是增加复核成本？
以达到质量门槛的完整任务衡量净收益，把核验、返工、维护与尾部失败计入成本。 -
AI出错造成损失时，责任应该由谁承担？
责任应随真实控制分配，但受影响者需要一个清晰、直接的纠正与补救入口。 -
怎样制定一份个人或小团队的AI使用规则？
把用途、数据红线、核验、执行权限、记录和事件处理写成一页可用规则。
怎样使用这个系列
- 开始一项新AI任务前，先读第1、10和11篇，确定任务、损失和数据边界。
- 要把AI接入真实工具时，重点读第15至20篇，建立记录、权限、升级和责任。
- 模型、产品和政策会变化；重要决定请同时核对文中引用的一手资料与当前服务条款。
浏览后续更新：AI Judgment 分类归档