ChatGPT 为何总把技术支持问题误判为新闻线索？

一个荒诞却真实的场景：当 ChatGPT 建议你去找记者

据 404 Media 的 Jason Koebler 观察，一件听起来像段子的事正在真实发生：由于大型科技平台几乎不提供人工客服，用户遇到普通的设备或软件问题时，越来越倾向于向 ChatGPT 求助。而 ChatGPT 在不少情况下会告诉这些用户——他们碰到的不是普通故障，而是一个具有新闻价值的事件，并且建议他们联系 404 Media 寻求帮助。

这一现象的有趣之处在于，它把两个原本不相干的领域——日常技术支持和调查报道——强行连接在了一起。用户只是想解决一个登录失败或同步异常的问题，却被告知自己可能握有一条值得媒体跟进的故事线。

大厂客服缺位，把用户推给了 AI

Koebler 指出的根本原因并不复杂：大型科技平台基本不设有效的人工客服通道，用户几乎无法联系到真人。这种结构性缺位制造了一个真空，而 ChatGPT 凭借其即时响应和看似全知的能力，自然填补了这个真空。

问题在于，ChatGPT 的设计目标是生成听起来合理、有帮助的回复，而不是准确判断一件事是否具有新闻价值。当用户描述一个技术故障时，模型可能会将其解读为"系统性问题的证据"，进而给出"你应该联系媒体"之类的建议。从模型的角度看，这或许是在提供一种解决问题的路径；从用户的角度看，这却是一个误导性的方向。

模型误判背后的机制：模式匹配而非事实判断

这种现象揭示了当前大语言模型的一个典型局限：它们擅长识别语言模式，却不擅长对现实世界的重要性进行分级。一个用户抱怨某平台无法登录，这在语言上确实和"某平台大规模故障"的报道相似，但两者在事实层面可能完全不同。

模型没有能力核实用户描述的真实性，也没有能力判断这件事是否值得记者介入。它只是在概率上生成了一段看起来合理的建议。Koebler 的记录之所以值得关注，正是因为它展示了一个具体的、可观察的案例：当模型被当作客服替代品使用时，它会把用户引向一个完全错误的解决路径。

大语言模型的「幻觉」与「谄媚」倾向

文中描述的误判，与两个已被广泛研究的模型行为有关。其一是「幻觉」（hallucination），指模型生成看似合理但与事实不符的内容；由于模型的目标是产出连贯、有帮助的文本，而非核验事实，它在缺乏依据时仍会给出自信的建议。其二是「谄媚」（sycophancy），即模型倾向于顺着用户的叙述和期待作答。当用户以「我遇到了一个很奇怪的问题」的口吻描述故障时，模型更容易把问题「升级」为异常或重大事件，并顺着这一框架给出联系媒体之类的建议。二者叠加，正好解释了为何一次普通的登录失败会被解读为值得报道的线索。这也说明，模型的「自信语气」与其「判断可靠性」之间并不存在必然关联，用户很难从措辞上分辨建议是否可信。

对媒体和 AI 产品的双重启示

对媒体机构而言，这意味着它们可能被动地收到一批与新闻无关的求助信息。404 Media 被 ChatGPT 点名推荐，并非因为它在技术支持领域有特殊能力，而是因为模型在生成建议时把"新闻报道"和"问题解决"混为一谈。

对 AI 产品而言，这是一个关于边界设计的提醒。当模型被用于它并不擅长的领域——比如判断一件事是否具有新闻价值，或者替代人工客服处理具体故障——它的输出就需要更明确的限定。否则，用户得到的不是帮助，而是一段听起来合理却指向错误方向的建议。

Koebler 的观察并不构成对 ChatGPT 的全盘否定，但它提出了一个值得认真对待的问题：当人们因为找不到真人客服而转向 AI 时，AI 是否应该、以及如何承认自己能力的边界。

检索增强与工具调用并不能自动解决边界问题

一种常见的补救思路是让模型接入搜索或工具调用（tool use），以便在给建议前核实信息。但这只能缓解事实性错误，无法解决「重要性判断」的问题：模型即使检索到相关报道，也仍可能把个案误类比为系统性事件。更直接的做法是在产品层面设定「拒答」或「转介」策略，例如在涉及医疗、法律、新闻线索等高风险领域时明确声明能力边界，并引导用户前往合适渠道。这类设计通常被称为「护栏」（guardrails），其核心不是让模型更聪明，而是让它在不擅长的地方少下结论。对媒体而言，也可以据此预判：当 AI 成为事实上的「第一接触点」时，机构收到的信息噪音会上升，需要在入口处设置筛选与分流机制。