稿子被说像 AI 写的:五处能查出来的地方
摘要:文章发出去,评论说「像 AI 写的」,自己回头读三遍也找不到哪里像。这不是眼力问题——写的人读的是意思,读者感受到的是腔调,两者不在一个频道上。这篇把最常见的五处指出来:对举式强调、高频词、序数词、公文腔动词化、铺垫开场。每一处都标得出位置,也能在改完之后再查一遍。
相关技能:AI 味清洗 29 条判据已经做成技能包,装进 AI 助手就能用,四个平台通用
一句「像 AI 写的」,然后呢
一篇稿子发出去,收到一条评论:像 AI 写的。
我回头读了一遍,没觉得。读第二遍,还是没有。读第三遍的时候开始怀疑自己了——是不是我写的时候就没感觉了?
后来拿它去查,命中 8 处,得分 14。位置精确到第几个字。
问题出在看的东西不一样。写的时候盯着意思,读的人感受到的是腔调——这句话的调门、这个词的密度、这段的节奏。
意思对,腔调错,就是他说的「像 AI 写的」。
第一处:不仅…更是…
这不仅是一次技术升级,更是组织能力的全面重塑。
看到「不仅…更是」这个结构,基本可以停一下。
它的作用是半句话把意思拔高一档:前半句说了一件具体的事,后半句立刻升到抽象层面。读起来很有力,但没增加任何信息——技术升级和组织重塑,说的其实是同一件事,后者只是换了个更大的词。
类似的还有「不只是 X,而是 Y」「与其说 X,不如说 Y」。三种形态一个机制:先把具体的按住,再用虚的把调门抬起来。
改法很简单:留具体的,删虚的。
这次升级换掉了审批流程里的两个环节。
第二处:赋能、闭环、抓手
这类词有个共同点:说出来很响,但读者不知道你到底做了什么。
「赋能团队」——是培训?是给权限?是减少审批?三个完全不同的动作,一个词盖住了。
判定不看词本身,看它是不是在为具体动作打掩护。一个词后面接不出具体的事,它就是空的。
改法:把它换成那个动作。
赋能团队 → 让一线自己决定五千元以内的采购
提升协同 → 把三个群的审批挪到一张表上
第三处:首先、其次、最后
这三个词在教程里是正常的,在观点文章里就露馅。
原因:它们暴露了结构的来路。人写观点文的时候,想到哪写到哪,段落按重要性或情绪排;用三段式的人,是先有提纲再填内容——这正是机器生成的标准流程。
所以判定要看文体:
教程 / 操作说明 正常,读者就要这个顺序
观点文 / 公众号 像模板,改成按重要性自然排
公文 有豁免,某些场合必须有
这条最容易被误判,也是为什么检测要先问「什么文体」——同一个写法,文体不同,结论相反。
第四处:进行了优化、实现了提升
我们进行了流程优化,实现了效率的显著提升。
两个动作都被包成了名词,中间还加了个「显著」。
这句话读完,你不知道优化了什么流程、提升多少、对谁有影响。它只是宣告了一件好事发生了。
这是公文腔最典型的形态:把动词拆成「进行/实现 + 名词」。动作在,责任人不在,具体内容也不在。
改法:还原成动作,加上量。
原来三天批完的单子,现在一天走完。
第五处:在当今…背景下
在当今数字化转型的浪潮中,企业面临着前所未有的挑战与机遇。
这是铺垫式开场。它的功能是给自己搭台子,让后面的话显得重要。
问题在于:这句话删掉,后面的内容一句不少。它不承载信息,只负责热身。
实测里这类开场几乎每次都会命中。处理办法是直接看第二句——如果第二句本身能开头,第一句就该删。
186 个字,命中 8 处
上面五处有出处:一段 186 字的样本跑出来的。
检测结果:命中 8 处(重 6 / 轻 2),得分 14
1 [重] H01 对举式强调 第 30 字 不仅是一次技术升级,更是
2 [重] H12 高频 AI 词 第 64 字 赋能
3 [重] L01 结构序数词 第 84 字 首先,
4 [重] L01 结构序数词 第 96 字 其次,
5 [重] L01 结构序数词 第 107 字 最后,
6 [重] L05 公文腔动词化 第 71 字 实现了效率的显著提升
7 [轻] H04 铺垫式开场 第 0 字 在当今数字化转型的浪潮中
八处里六处是重的,两处是轻的。重是确定要改的,轻是看着别扭的。
这里有件事值得说:得分 14 不代表这篇文章很差。样本是故意写坏的,只为了看清判据怎么工作。真实稿子通常只有两三处命中,改起来很快。
为什么判要用脚本,不用模型
问「这段像不像 AI」给大模型,两次可能给两个答案。
问题在这个问法本身没有确定答案——「像」是感觉,感觉每次都不一样。用它来判,你没法知道改完之后到底好了没有,因为第二次的判断标准和第一次不同。
所以判这件事交给规则:29 条判据写成脚本,同一段文字跑一万次,同一个答案。
好处是能对账:
它说第 30 字有问题 → 我翻到第 30 字 → 我觉得没问题 → 这条判错了
有了编号和位置,就有得吵。没有编号,只能互相说服。
改这件事反过来,必须人来做。「赋能团队」换成什么,取决于你公司实际发生了什么,脚本不知道。技能只指出哪里不对,怎么改是你的活。
改的时候守三条
一 只动有命中的句子
借清洗之名重写全文,那就不叫改腔调了。工具会查这个:改动落不到
有命中的句子上会报错(退出码 3),拦下来。
二 内容一律不动
错的事实、逻辑漏洞,只指出,不动笔。改了就不是你的立场了。
三 改完复检
再跑一遍,没清零就补漏。清零了也别急着高兴——见下一节。
清零不等于好文章
这条要说清楚:判据是下限,不是上限。
全篇零命中,读着依然别扭的情况是有的。那种别扭来自结构、来自立意、来自你根本没想清楚要对谁说——这些不是措辞问题,判据管不了。
反过来,判据命中多也不一定非改不可。教程里的「第一步、第二步」,公文里的「综上所述」,都是那个文体应该有的样子。所以技能会先问「什么文体」,再决定哪些该判、哪些豁免。
它做不到什么
不承诺过 AI 检测器。 去机器腔和骗过 GPTZero、朱雀那类检测,是两件事。
而且常常互斥。有实测记录:刻意口语化让某篇文档的 AI 率从 15.63% 升到 25%,改成平实陈述后降到 0。因为口语化那套手法,恰好是各种 AI 改写工具的标准产物——检测器认得。
所以要「像人」和「过检测」同时做到,通常两样都做不好。
另外三条:不做学术降重(换词改写会被查重识破);不做平台风格转换(「改成知乎高赞风格」做不到,也没法验收);不处理英文(29 条判据是从中文语料总结的)。
这件事的边界在哪
去 AI 味能解决的是「腔调」这一层:词、句、节奏、结构套路。
解决不了的是:你有没有说出别人不知道的事。
一篇稿子如果只有正确的常识,无论腔调多像人,读者读完也不会记住。反过来,一篇有真东西的稿子,就算带着些 AI 腔,也照样有人读完——只是读的人数会少一些。
所以顺序是:先有真东西,再修腔调。反过来不成立。
常见问题
怎么判断一段文字是不是 AI 写的?
先看三类特征:结构上的序数词(首先/其次/最后)、用词上的高频词(赋能/闭环/抓手)、句式上的对举强调(不仅…更是)。这三类在 AI 生成的中文里密度明显偏高。但要注意文体——教程和公文里这些写法是正常的,只有观点文和自媒体稿里才算问题。
为什么检测要用脚本,不用大模型?
因为模型每次判断都不一样,没法对账、没法复检。「像不像 AI」本身没有确定答案,用模型判等于每次换一把尺子量。脚本是把 29 条判据写成规则,同一段文字永远给同一个结论,你能拿着编号去核对它判得对不对。
改完零命中,是不是就没问题了?
不是。判据查的是腔调,查不了内容有没有价值、结构有没有逻辑、这篇该不该写。零命中只是说明措辞层面没有明显的机器痕迹。反过来,全篇零命中但读着别扭的情况也存在,那是结构或立意的问题。
这篇有用吗