我们造了一个「AI 记者」,专门采访自家专家

上周一早上,我们开选题会。

一周五篇内容,定了。其中三篇,得有内部专家的真观点撑着。没有他们的第一手判断,这三篇就只是网上资料的搬运。

然后,会议卡在了第四项:谁去约?

CEO 在出差。技术负责人一下午连着三个会。内容负责人想了想,说,下周吧。

下周。下周永远都有下周。

人人都在开印刷厂,纸就不值钱了

你想想看,今天写一篇内容有多容易。

AI 几分钟就能给你吐出一篇像模像样的稿子。产量,早就不是问题了。

当生产变得无限便宜,稀缺的东西就换了。

换成什么?

换成只有活人才能给的东西:一句真实的原话,一段亲手踩过的坑,一个有棱角的判断,一次真金白银的实验换来的教训。这些,机器编不出来。硬编出来的,读者一眼就能认出那种「哪儿都能看到」的味道。

所以我们团队做内容,一直坚持四个字:专家优先。

种子必须来自真人,AI 只负责帮着写、帮着发。

什么叫种子?我们手里其实一直有货:

每周录一期播客,里面有大量现成的观点;自己开的课程,攒了不少方法;每年做的原创研究,数据全是第一手的;还有团队内部的问答,专门把散落在每个人脑子里的东西挖出来。

前三样,顺着做就行。唯独第四样,卡住了。

卡在哪?时间,和人。

**你永远约不到你最想约的那个人。**不是人家不配合,是真没空。哪怕只是半小时的闲聊式采访,日历上都排不进去。

那就让 AI 去采访

被卡了太多次之后,我们换了个思路:既然专家腾不出整块时间,能不能派个不知疲倦的「人」去找他?

于是有了这个实验:一个会采访的 AI Agent,在 ChatGPT 里搭的最小可用版本。

它怎么干活?假设这周三篇内容,都需要同一位专家的观点。不用开会,不用来回发邮件。Agent 接手,走三步。

第一步,做功课。

采访还没开始,它先把这篇文章要写什么、写给谁看摸清楚,再把这位专家最近在播客里说过的话翻一遍。几路研究同时跑。等它开口提问时,它已经带着真实的上下文了,不会空着脑子乱问。

第二步,一次只问一个问题。

这是它最像记者的地方。你答一句,它根据你的回答,现场决定下一个追问什么。不照着提纲念。目的是把具体的、有细节的、只有这位专家才说得出的东西,一点点抠出来。套话,它不收。

第三步,交一份能直接用的简报。

采访结束,它输出一份结构化的东西:核心要点、能引用的原话、完整对话记录、相关背景。还有一件事,很多人想不到,它会顺手核查专家说的话。

为什么?因为专家也会记错。把核查直接埋进流程里,后面的编辑就省了一道工序。

它真正解决的,是另一件事

你可能会说,这不就是个内容生成工具吗?

恰恰相反。它一个字都不替你生成。它只干一件事:把「贡献观点」的成本,压到专家随手就能完成的程度。

算笔账。以前做一次采访,凑日历要两天,采访半小时,整理又半天,专家前前后后得付出一个多钟头。现在?他在遛弯的路上,10 分钟答完。观点一点没少,时间几乎没花。

当然,这还是个半成品。

每次采访,现在仍需要有人手动启动:告诉 Agent 这周有哪几篇文章、该去找谁。下一步的自动化也在做:以后只要有人在项目管理系统里,给某篇文章打上「需要专家采访」的标签,Agent 就自己找上门去,自己把采访安排了。

至于效果,比如这些简报是不是真能让内容明显更好,我们还在测,还在量。

但方向,我们已经很笃定了。

AI 把速度和规模抬上去之后,内容团队省下来的力气,该花在机器给不了的地方:原创的洞察,只能来自真实的人、真实的事。

回到那场选题会

同样是五篇内容,三篇要专家观点。现在的流程是:Agent 做好功课,把问题一条条递过去,专家散步的工夫答完,一份带着核查的简报,自动躺进系统里。

那个说「下周吧」的下午,不会再有了。

祝你,再也不用为了凑一场采访,把专家的日历翻来翻去。