每周写文章，最痛苦的不是写，是选题。
这个痛苦我忍了很久。直到一个月前，我决定把它外包出去——不是外包给实习生，是外包给 AI。规则很简单：未来 30 天，所有选题必须由 AI 建议或验证，我保留一票否决权，但每次否决都要记录原因。
我想验证一件比「AI 能不能写」更有意思的事：AI 能不能接管内容策略的上游——选题这件事本身。
30 天后的结论有点讽刺：它做得太好了。好到让我开始害怕。
实验设定：把决策权交出去
实验规则参考了内容行业里一个经典的自愿实验：选题必须来自 AI（用趋势数据 + 我过去一年的文章历史做输入），我可以在发布前否决，但每个否决都要写理由。
第一周我就服了。
以前我每周要花 3 小时在选题上：翻行业新闻、刷竞品、对着空白文档纠结「这个角度有没有人写过」。AI 接管后，这个时间压缩到 40 分钟——它把 30 个候选选题按主题聚类，标出哪些角度已经饱和、哪些问题还没人回答。效率的提升是结构性的，不是挤牙膏式的。
那两周我多发了 2 篇稿子，数据还微微涨了。一切都在往「AI 真香」的方向走。
第三周，不对劲
转折发生在第三周。我注意到一个细节：AI 推荐的选题，开始出现大量「我写过的东西的变体」。
不是抄袭，是那种很难描述的「像」——同样的句式、同样的角度偏移、同样的安全边际。它太懂我了，懂到开始复制我。我把这种不适感压了下去：数据没跌，读者没跑，我凭什么矫情？
直到月底复盘，我把 30 个 AI 选题摊在桌面上，才看清那个我一直回避的事实：
这 30 个选题，没有一个是「可能会翻车」的。
它们全部落在一个肉眼可见的「安全区」里。AI 用我过去一年的表现数据训练出一个关于「什么能火」的模型，然后它做的每一件事，都是朝这个模型的最优解再走一步。它不会推荐那个「可能爆也可能扑」的题——因为那个题在分布图上离平均值太远，不在它的置信区间里。
这不是我的错觉，是研究里早就写好的剧本
哥伦比亚商学院 Sandra Matz 团队的研究《The Basic B*** Effect》给出了一个精确的解释。他们让 AI 代理替人做消费决策，发现两种 AI 会产生两种不同的「平庸化」：
- 通用型 AI 代理：把所有人的选择推向主流——因为「最受欢迎」在统计上就是「最常见」。人际差异被压缩。
- 个性化 AI 代理：用你的历史数据做决策——它不会让你更像别人，但会让你更像过去的自己。你个人的多样性、探索性，被悄悄收窄。
研究者管这叫 distinctiveness–diversity trade-off（独特性与多样性的权衡）：通用 AI 把你抹平成别人，个性化 AI 把你抹平成自己。
我的实验是第二种的完美复现。AI 不是不努力，它是在用我的历史数据，把我变成一个越来越可预测的版本。
更糟的是，这不是巧合，是生成模型的物理定律。SAGE 期刊 2026 年的一篇论文直接指出：生成式 AI 的输出天然存在「向均值回归」的倾向——方差收缩是模型结构的一部分，不是 bug。arXiv 上另一篇关于「语言单一文化」的论文甚至证明了：每个作者理性地选择向主流靠拢，加总起来会形成一种「单一文化的代价」，这个代价在特定条件下可以无限放大。
当所有人都用同一个模型优化自己的内容，每个人都在做对自己最有利的事，但整个生态正在变得单调。个体理性，集体平庸。
我的补救：给 AI 加一条「探索预算」
发现问题后，我改了一条规则，效果立竿见影：
每周至少 1 个选题，必须来自「AI 评分最低」的那一批。
不是让 AI 推荐最好的，而是强制它交出它认为最差的那个方向，然后我认真考虑它。这条规则的逻辑很简单：AI 的「差评」里藏着两个信息——要么是真差（避开），要么是它不理解的差异点（机会）。 而对一个已经高度同质化的内容生态来说，后者的价值远大于前者。
同时我恢复了一个老习惯：每周抽 20 分钟，不看任何数据，凭直觉写 3 个「我觉得有意思但没把握」的选题，混进 AI 的候选池。用研究者 Matz 的话说，这是给决策系统「引入随机性」——AI 设计里缺失的那一块，恰恰是探索。
30 天实验教会我的 3 件事
1. AI 是优秀的平均值计算器，而你的价值在方差里
AI 选题的核心能力，是快速算出「什么方向最接近成功的历史分布」。这在存量市场里是效率神器，但在增量市场里是隐形天花板——你靠平均值永远打不赢另一个也用平均值的人。
真正拉开差距的选题，几乎都长在分布的两端：要么极其小众，要么极其大胆。AI 不会主动带你去那儿，你得自己走过去。
2. 别让 AI 验证你的选题，让它给你看分布
「让 AI 评估我的选题靠不靠谱」是个陷阱——评估器会把你拉向它的均值。「让 AI 生成 30 个选题，我负责挑那个最不正常的」才是正确姿势。AI 负责提供选项的宽度，人类负责承担选择的风险。
3. 个性化越强，越要主动打破它
个性化 AI 最危险的时刻，是它开始「太懂你」的时候——那意味着你正在被自己的历史数据锁死。解法不是换一个更笨的模型，而是给系统加一个反方向的力量：探索预算、随机性、无数据日。在 AI 时代，保持无聊的抗性，是一种需要刻意练习的能力。
实验结束那天，我把 AI 推荐的 30 个选题和我的 3 个「直觉选题」放在一起，问了一个问题：如果这些选题全部发布，30 天后哪一篇最可能被人记住？
答案显而易见。
AI 能让我成为一个更高效的作者，但只有我自己能决定要不要成为一个更无聊的作者。效率是 AI 送给我的礼物，无聊是我回赠给它的。 这个 30 天的实验教会我的最后一件事是：把选题权交给 AI 可以，但请务必在协议里保留一条——每周至少做一件它不赞成的事。
