HOW I AI · 原始發表日期 2026 年 7 月 20 日
AI 內容工廠的
瓶頸，
不是寫作，
是把人的
觀點找回來
Alex Lieberman 把內容生產拆成六段工作線。模型負責擴張、整理與挑刺，人仍要提供判斷、語氣與最後的否決權。
來源：How I AI〈The AI content machine…〉 SCROLL ↓
HOW I AI · 原始發表日期 2026 年 7 月 20 日
Alex Lieberman 把內容生產拆成六段工作線。模型負責擴張、整理與挑刺，人仍要提供判斷、語氣與最後的否決權。
來源：How I AI〈The AI content machine…〉 SCROLL ↓PART 1 · 空白頁不是寫作問題
Lieberman 說，內容創作者的限制往往不是打字速度，而是每天能投入多少注意力。面對空白頁時，選題、蒐集脈絡、決定角度和開始第一段，都在消耗同一份有限的心力。
他的做法不是把一個題目丟給模型，等它吐出成稿。而是先讓一個被稱為 Oracle 的流程掃描內部工具、既有筆記和公開網路，找出正在升高的訊號。它輸出的不是「文章」，而是一組值得人去追問的內容尖峰。
這個順序很重要。AI 可以加速發散，但不能替團隊決定什麼值得發表。把選題當成可檢視的輸入，後面每個步驟才有機會保留原作者的判斷。
PART 2 · 六段流程不是一條自動發文線
這套 Content Machine 依序包含：找出訊號、訪談提問、起草、編輯評議、人工確認，以及把回饋寫回系統。它看起來像一條生產線，但其實更像一串控制點。
Oracle 把可能的題材攤開；Interview Panel 用問題把使用者腦中的觀點挖出來；Writer 依照素材與聲音檔起草；Editorial Council 從不同角度檢查成品。每一步都產生可以被看見、拒絕或重做的中間物，而不是黑箱地從提示詞直達公開貼文。
對內容團隊而言，這也把「用 AI 寫」改成更可管理的工作：哪一段訊息失真，就回到那一段調整，而不是只在最後抱怨整篇文像機器寫的。
PART 3 · AI slop 從訪談就開始了
Lieberman 的判斷是，低辨識度的內容通常不在寫作階段才發生。若輸入只是一個寬泛題目和幾個常見觀點，模型很容易補上網路上最常見的句型。文法會順，卻沒有作者真正想說的東西。
所以 Interview Panel 的工作不是「請 AI 幫忙訪談」，而是追問具體經驗、反例、立場改變的原因，以及作者不願意妥協的判準。它把原本散在腦中的素材轉成足以支撐一篇文章的原料。
這也解釋了為什麼內容品質不能只用最後一版來評估。若訪談沒有帶出可辨識的觀點，後面的 Writer 和 Editorial Council 再勤奮，也只能替普通資料做漂亮包裝。
PART 4 · 聲音不是提示詞裡的一句形容詞
他用 voice 與 style 檔案記錄自己的語氣、偏好的結構、會避開的說法，以及範例。這不是要求模型模仿某個人格，而是讓團隊有一份可以共同檢查、持續修訂的編輯規格。
同樣地，Editorial Council 不必被理解成神奇的多代理人投票器。它的價值在於用不同的檢查角度指出問題：是否有清楚的主張、是否過度概括、是否缺少讀者需要的背景、是否偏離聲音檔。
當規格存在於檔案和回饋紀錄，而不只存在於某個人腦中，內容流程才可能被更多同事使用，同時仍知道什麼地方需要回到人手上。
PART 5 · 讓回饋回到下一次工作
Lieberman 把 lessons loop 放在流程末端。每次人工刪改、拒絕或重寫的理由，都應成為下一次的可用資訊。否則團隊每次都從同一套錯誤開始，AI 只會更快複製舊問題。
他也把員工內容視為一項組織設計問題，而不是命令大家多發文。以 Creator Cup 這類內部活動降低嘗試門檻，讓同事有動機把一線經驗帶進公開討論；但公開前仍要有清楚的聲音、審稿與風險邊界。
這套方法沒有承諾自動化會帶來真實性。它要求的反而更多：清楚定義人要提供什麼、模型可處理什麼，以及每次失敗要如何被記住。
內容流程的槓桿，不是讓模型替你有觀點，而是讓每一次人的判斷都能被下一次工作重用。
根據 Alex Lieberman 在 How I AI 的訪談整理；此句為本頁歸納，非逐字引述。這不是測驗。選一個你認為最需要建立控制點的位置。