周三下午 4 点半，市场部的小周把第 5 版产品文案发进部门群。3 分钟后，总监老陈回了六个字：”读着不对劲，哪都对。”
小周心里咯噔一下。这稿她确实用了 AI：开头一段行业背景，中间三条卖点，结尾一句”让我们一起……”，结构挑不出错，语法挑不出错，连标点都是规规矩矩的全角字符。可它读起来，就是不像她写的。
一份结构没错、语法也没错的稿子，为什么读起来会假？
5 点整，老陈把她叫进会议室，桌上摊着两份竞品文案。他指着屏幕问：”你这第一段——'在数字化转型的浪潮下，企业正迎来前所未有的机遇'。把它删掉，读者会损失什么信息？”
小周盯着看了十几秒，没答上来。
老陈说：”那就删掉。AI 最擅长写这种一句话里什么都有、又什么都没说的句子。”
会议只开了 20 分钟，小周却改到晚上 8 点，她先走了最直觉那条路：把”赋能”换成”帮助”，把”抓手”换成”方法”，把”闭环”换成”流程”，改完一读，更假了——像给一件不合身的衣服换了颗扣子。
8 点 40，老陈发来一条微信：”别改词了。你告诉我，这个产品到底帮客户省了哪一步，省了多少时间。”
小周愣住了。她想起这句话的答案自己其实清楚，而且只有她清楚：上周陪销售跑了三家客户，其中一家反馈说，光是对账这一步，就从 3 天压到了半天。
那才是稿子里真正缺的东西——不是更漂亮的词，是别人不知道、只有她知道的信息。
一、"AI 味"不是语法问题，而是信息问题
很多人把”去 AI 味”当成文字功夫：换词、加口语、塞两个网络热词。可小周那晚已经证明了相反的事——换词，恰恰是最没用的第一步。
真实的因果链是反过来的：因为句子没带信息，所以它读起来才像 AI。
那问题真的出在词上吗？小周一开始也是这么以为的，后来才发现方向从一开始就偏了。
大模型生成文本时，默认目标是”概率上最不容易出错的下一个词”，这个目标天然偏向那些放之四海而皆准的表达：宏观背景、”前所未有的机遇”、四平八稳的形容词，它们没有语病，却也不携带任何只有作者才知道的细节，落到读者眼里，就是”谁都能写”。
为什么它会这样？ 因为预训练与人类反馈优化，都在奖励”安全、均衡、得体”，这套取向拿去写公告、写模板很合适，写有立场的文案却相当致命，它会把一篇稿子里所有的棱角，一点一点地磨圆。
二、先学会"闻味"：3 个高频信号
动手改之前，先得能认出它。下面 3 个信号按出现频率从高到低排，占得越多，”AI 味”越重。
### 信号一：连接词密度偏高
“在……的背景下””随着……的发展””不仅……而且……”。这些词本身没错，但它们把具体信息换成了逻辑脚手架。判断方法很简单：把连接词删掉，如果句子意思不变，说明它本来就不需要这个词。
### 信号二：句式过于整齐
AI 偏爱等长的排比和”三段式”，三个分句恨不得都是 12 个字，读起来像仪仗队，人写东西不会这么齐——人会有忍不住补的一句，会有突然的短句，整齐不是错，但整齐到没有一处例外，就是信号。
### 信号三：形容词只表态度、不带事实
“强大的””高效的””全面的””领先的”，共同点是删掉之后信息量为零，真正带信息的是副词和数字，”把对账时间从 3 天压到半天”，比”大幅提效”有用得多。
三、为什么"换同义词"救不了它
小周把”赋能”改成”帮助”，把”闭环”改成”流程”，句子结构没动，信息量也没动。这就像给一张空白地图换个封面——地形还是空的。
更麻烦的是，过度换词会让文字变得别扭。”赋能”换成”帮助”之后，句子的语域降了一档，原本勉强达标的书面感反而露出破绽。读者感受到的不是”更真诚”，而是”更刻意”。
同义词替换只改表层，它减不掉一句废话，也补不进一个事实。 只要信息密度不变，稿子闻起来还是那个味。
那到底该改什么？
四、一个反直觉的事实：检测器基本不靠谱
说到去 AI 味，很多人的第一反应是”别被检测器认出来”。这个思路从出发点就错了。
那么，检测器到底靠不靠得住？先看一件公开的旧事。
2023 年 7 月 20 日，OpenAI 悄悄下线了自己的 AI 文本分类器，官方给出的理由是”准确率太低”：在一组挑战测试里，它只认出了 26% 的 AI 文本，同时把 9% 的人类文本误判成 AI 写的，官方还承认，文本短于 1000 个字符时这个工具几乎不可用，而且它对非英语文本的表现明显更差。
换句话说，连造出 GPT 的团队都没能做出可靠的检测器。后来的多项研究也指向同一结论：只要对文本做一次同义改写，检测就容易被绕过。
这条事实的意义在于：你以为在跟检测器博弈，其实对手根本不在场。 把精力花在”骗过算法”上，是把力气用错了地方。
五、监管关心的，其实是另一件事
2025 年 3 月 14 日，国家网信办、工信部、公安部、广电总局四部门联合发布《人工智能生成合成内容标识办法》，明确自 2025 年 9 月 1 日起施行，办法把标识分成”显式标识”与”隐式标识”两类，显式标识要让用户明显感知到，隐式标识则写入文件元数据，其中第九条还提到，若向用户提供不含显式标识的内容，服务方需留存相关日志不少于 6 个月。
这些规定和”去 AI 味”又有什么关系？关系在于，它把标准摆到了明面上。
监管关心的是”读者知不知道这是 AI 生成”，而不是”AI 写得像不像人”。这和写作者的目标其实一致：让内容诚实、可核查。 与其纠结措辞像不像人，不如先保证每一句都经得起追问、找得到出处。
六、3 步自查与去痕清单
下面这 3 步，是小周那晚真正用上的顺序。它不靠换同义词，只做两件事：删掉没有信息的句子，补进真实的信息。
### 第一步：删掉”最大公约数”句
把稿子里所有不含具体信息、删掉也不影响理解的句子划掉。典型的就是开头的行业背景、中间的口号式过渡、结尾的”让我们一起……”。删完如果段落变短很多，说明水份原本就积在这里。
### 第二步：塞进”只有你知道”的细节
给每个卖点配一个具体事实：省了几步、压了多久、谁说过什么。小周那句”从 3 天压到半天”，来自她陪跑客户时听到的一句抱怨。这类细节 AI 编不出来，因为它不在公开语料里，也不该被编出来。
### 第三步：把陈述句改成判断句
“我们的产品支持 X 功能”是陈述；”这个功能解决的是 A，但前提是你得先有 B”是判断，判断句带着作者的取舍和立场，而 AI 默认不敢给的，恰恰就是这种东西——该说”不推荐”的时候就说”不推荐”，稿子立刻就有了人的味道。
七、改前改后：同一段文案的两次手术
先看改前：
“在数字化转型的浪潮下，我们推出了全新的智能对账方案。它高效、精准，能全面提升财务团队的工作效率，助力企业实现降本增效。”
再看改后：
“对账这件事，很多财务团队还在手工做：导表、核数、找差异，一次三天，我们的对账方案把差异定位自动化，上周一家客户把这一步压到了半天，前提是他们的原始单据已经电子化。”
信息量没变，改后却多了”导表、核数、找差异”三个动作，多了”3 天到半天”一组数字，也多了一句”前提”。读者能看见的东西，就完全不一样了。
差别到底在哪？其实只在一件事上：改后的每一句，都能被追问，也答得出来。
八、比"去痕"更重要的一件事
把 AI 味去掉，最终不是为了瞒过谁。它更像一次对自己的检查：你到底有没有值得说的东西？
如果稿子删掉所有形容词和连接词之后就什么都不剩，那不是文字问题，是内容本来就没准备好，这时候正确的动作不是换词，而是回到现场——再去问一次客户，再翻一遍数据，小周那晚的稿子能救回来，靠的也不是语言技巧，而是她想起了一个只有自己知道的数字。
AI 帮你写得更快，但”只有你知道”的那部分，只能你自己填进去。这大概是”不写代码，也能用好 AI”最实在的一层含义。
参考
- 《人工智能生成合成内容标识办法》，国家互联网信息办公室、工业和信息化部、公安部、国家广播电视总局 2025 年 3 月 14 日联合发布，自 2025 年 9 月 1 日起施行。来源：中央网信办 cac.gov.cn；光明网 digital.gmw.cn。
- New AI classifier for indicating AI-written text，OpenAI 官方博客，2023 年 1 月 31 日发布、2023 年 7 月 20 日停用说明。来源：openai.com。
- OpenAI discontinues its AI writing detector due to “low rate of accuracy”，Ars Technica，2023 年 7 月。
- OpenAI pulls back AI-generated text detector, cites “low rate of accuracy”，The Hindu，2023 年 7 月。
- Sadasivan et al.《Can AI-Generated Text be Reliably Detected?》，2023 年，经 Ars Technica 等媒体报道引述。
