“Don’t Paste the AI” 之所以引发关注，是因为它准确说出了很多团队已经遇到的行为：同事问一个问题，收到的不是判断、决定或简短解释，而是一大段未经编辑的 ChatGPT 或 Claude 输出，被直接贴进 Slack、邮件、工单或代码评审。发送者省了时间，接收者却要阅读、筛选、核查，并猜测发送者自己到底怎么想。

长篇 AI 草稿被改成简短负责的工作消息

这条规则很简单：别人问你，是想要你的回答，不是想读原始模型输出。8 月 20 日 Hacker News 上的讨论很热，有认同，也有反驳。这正适合 AI Practice：问题不是反对 AI，而是如何成熟地使用 AI，不把同事变成你私人草稿的编辑。

AI 让生成文字变便宜了，但没有让注意力变便宜，也没有取消责任。每一条工作消息仍然消耗阅读时间、行动风险、对发送者的信任，以及组织内部才有的语境。新的职场礼仪是：把 AI 当起草伙伴，但发出去的必须是你负责的回答。

为什么现在爆发

这场讨论出现时，AI 热情和 AI 疲劳同时存在。企业在部署 Copilot、ChatGPT、Claude、Gemini、内部助手和 agentic workflows，但公众信任并不会自动上升。Pew Research 报告称，52% 的美国成年人对日常生活中增加 AI 使用感到更担心而不是更兴奋，2021 年这个数字是 37%；71% 认为未来二十年 AI 会减少工作岗位。TechCrunch 和 The Register 都把这些数据放进更广泛的 AI 反弹背景中。

职场里直接粘贴 AI 只是其中很小却很可见的一部分。人们不一定读生产力报告，但会注意到一封五段漂亮文字却没有结论的邮件，一条没有下一步的客服回复，或一个没有真正看懂 diff 的泛泛代码评审。

MIT Technology Review 也提醒：我们仍然不够了解人们真实如何使用 AI。供应商报告只显示一部分。真实模式藏在日常习惯里：写邮件、翻译、总结会议、处理工单、回复客户、做代码评审。礼仪本身成了信号：哪里创造价值，哪里只是把工作转嫁给别人。

问题不在于用 AI 起草

用 AI 起草通常是合理的。它能帮助非英语母语者表达得更自然，帮助工程师把零散笔记变成事故更新，帮助经理把长解释压缩给高层，也能提醒遗漏的边界情况、风险和结构。它还适合调整语气、翻译和准备初稿。

问题在于把草稿当成最终消息。Drafting 是在思考和编辑之前发生；dumping 则是用粘贴取代思考和编辑。草稿是私人脚手架；未经编辑的模型回答发给同事，就是把未完成工作包装成沟通。

好的 AI 辅助回复会给出结论、已核查依据、下一步和不确定性。坏的回复则是“模型这么说”，后面跟着 900 个看似合理的字。接收者要自己找答案、删掉空话、核查事实，还要判断发送者是否同意这些话。

Hacker News 争论了什么

这个 thread 有价值，因为它没有简单道德结论。有人把原始 AI 粘贴称为新的 LMGTFY：如果对方想要通用 AI 答案，完全可以自己问。也有人怀疑职场里是否真的有人整段粘贴。很多例子说明，确实有。

也有人说这个网站本身听起来像 AI 写的。这很有意思：所谓“AI 腔”已经足够明显，泛泛节奏、过度解释、自动礼貌、缺少语境的自信都会降低信任。

最好的反驳来自包容性。AI 帮助焦虑、阅读障碍、写作能力弱、工作过载或英语不熟练的人。AI 辅助的一段说明，有时确实比“x broken”或沉默更好。因此规则不应惩罚使用工具，而应要求发送者对结果负责。

对别人注意力征税

每一次未编辑粘贴都在征税。第一是理解成本：模型常常回答得比问题更宽，带着定义、备选项、空泛提醒和过渡句。这些对起草有用，但在工作频道里很贵。

第二是核查成本。模型可能编造来源、政策、命令、包名、法律解释或技术步骤。如果发送者没有检查，接收者只能选择信人、信模型，或者谁都不信。

第三是责任成本。人的消息通常由发送者负责。粘贴的模型输出则让责任模糊：这是观点、草稿、引用，还是公司立场？错了谁改？

第四是文化成本。如果团队发现很多消息都是未经审阅的 AI 输出，就会少信任、多跳读、频繁要求确认。生产力工具反而制造摩擦。

AI 真正有用的地方

成熟的 AI 实践不会禁止辅助写作，而是定义好场景：翻译、语气调整、经核查的总结、结构化、风险清单和开放问题。会议 transcript 可以变成 decision log；长客户线程可以变成 support handoff；技术争论可以变成待决问题列表。

代码评审也一样。AI 可以总结 diff 或提醒检查区域。但泛泛评论如果没有具体行、真实风险和明确修改要求，就会分散注意力。

发送前检查

先读完整输出。如果你自己不愿读，就不要让别人读。把内容剪到答案。删掉通用开场、过宽背景、空洞 caveats 和重复过渡。加入自己的判断：你建议什么、决定什么、需要什么。

核查事实：链接、数字、政策、代码行为、命令、包名，以及客户或监管相关说法。说明不确定性。如果只是模型建议，就这么说。如果是草稿，就标成草稿。

好的工作消息通常是：答案、理由、下一步。它可以从 AI 草稿开始，但最终价值来自人的判断。

不需要道德恐慌

管理者不需要发布“Slack 禁用 AI”的大禁令。更有用的是几条规范：用自己的身份写；不要把理解外包给别人；发送出去的消息代表你和团队。还要定义什么时候需要说明 AI 使用。普通句子润色未必需要标签，但客户、法律、安全或政策回答需要明确审阅。

有些地方可以容纳原始草稿：私人笔记、头脑风暴、prompt 试验。事故频道、客户线程、高管更新、PR approval 和安全决定需要更高的人类核查标准。

可见流程，而不是聊天倾倒

GitHub 关于 agentic canvases 的文章指向更好的方向：让 state、decisions、validation 和 approval 可见、可控制。这与把聊天记录倒进团队频道正相反。

最好的工作 AI 工具不只是生产更多文字，而是显示问了什么、用了什么证据、改了什么、谁批准了、哪里还需要人来决定。自动化越强，人类 ownership 越重要。

长久规则

“Don’t Paste the AI” 这个梗会过去，规则会留下。用 AI 更快思考、更清楚写作、更好翻译、发现遗漏；不要让同事阅读未经编辑的助手会话。这个标准不是反 AI，而是支持责任。模型可以准备消息，发送者必须拥有消息。