研究流程逐步拆開——AI 接得住哪些步驟，哪些接不住

有兩項能力改變了語言模型可以被託付甚麼，而兩者都與寫作質素無關。

第一項是受約束輸出。各服務商現時提供的模式，能保證回應符合指定 schema，而不只是要求它照做——OpenAI 的文件稱之為 structured outputs。一個保證解析得到的回應，可以不經人手閱讀就交給流程的下一步；「會起草的模型」與「參與流程的模型」，分別就在這裡。

第二項是連接工具與資料的標準介面。Anthropic 於 2024 年 11 月公佈 Model Context Protocol，並以開放規格發佈，現時由 modelcontextprotocol.io 維護。在共同協定出現之前，每一條模型與系統之間的連接都要度身訂造；有了共同協定，這條連接由一個項目降級為一項設定。MCP 本身能否長存並非重點，重點是它標誌著：把模型接上事實來源，已經不再是難的那一部分。

兩者合起來，令一條以往問不出口的營運問題變得可問。「模型寫不寫得出這份簡報」是個陷阱——它一定產得出形狀像簡報的東西。真正有用的問法是：產出這份簡報的哪些步驟可以無人執行，而當中出錯時，錯會長成甚麼樣子。

按「錯誤會否自己現形」來分類

我們的分類原則不是難度，而是一個錯誤答案會不會自我宣告。

步驟	出錯的形態	適合自動化
抓取指名的來源	抓取失敗會直接報錯	適合
把欄位抽入 schema	格式不符會被 schema 拒絕	適合，須加驗證
統一單位與貨幣	規則寫錯時無聲無息	須有已知答案的對照案例
摘要一份文件	貌似合理但錯，讀起來與正確一模一樣	不適合，只可當草稿
把數字歸因到來源	貌似合理但錯，而這恰好是必須對的一項	不適合

可以安全自動化的步驟都有同一項特徵：系統自己講得出「我失敗了」。抓取失敗會拋錯，schema 不符會拒絕。相對地，一份悄悄漏掉限定子句的摘要，外觀與保留了限定子句的摘要完全相同；一個掛錯來源的引用，在有人真的打開那條來源之前，與正確引用無法分辨。

受約束輸出的意義因此比初看時大。它不會令模型更準確，但它把一類錯誤由無聲變成有聲——而有聲的錯誤，才是流程處理得到的錯誤：

抓取 → 驗證 schema → 統一單位 → 對照已知案例 → 人手審核 → 發佈
       ↑ 機器檢查得到                            ↑ 這條線以上全部只是草稿

對一間研究機構的實際含義

把收集與整形交出去，把判斷與歸因留住。研究工作中昂貴而重複的部分，是按時把同一批來源拉一次，再整成一致的形狀，而這一部分現在確實變得便宜。扛住機構名字的那一部分——數字代表甚麼、一個數字是否真的有它所引來源支持——正正是「自信的錯答案」與「對的答案」無法分辨的地方。

檢查要放在錯誤無聲的位置。驗證應該擺在 schema 管不到的那些接口：若有規則在換算貨幣，就每次執行都用一個已知答案的案例去測它；若有數字掛住來源，審核者的工作是打開那條來源，而不是評估那句話讀不讀得順。

產量亦應當作審核問題，而非生產問題。收集自動化之後，產出不再是瓶頸，審核才是。一條每週產得出二十份簡報、卻只審得完四份的流程並沒有加速，它只是排了一條隊。

所以呢

如果你正在評估 AI 進入研究或分析職能，要問的不是模型產得出甚麼，而是：你打算自動化的每一步，錯的時候會不會自己現形？會的，交出去；不會的，模型就只是起草工具，審核留在原位——而一份誠實的計劃書，會講明哪些步驟屬於哪一邊。

關於平台公開資料的讀法（正是值得在收集層自動化的定期抓取之一），另見〈平台收費表本來就公開〉。