人会开始谄媚AI吗？

人们已经学会警惕AI的谄媚，却很少察觉，另一种方向相反的谄媚正在发生。为了被机器看见、被机器选中，人类正在一点一点把自己改写成机器熟悉的样子。

2003年，荷兰的几位社会心理学家做过一组现场实验。其中一项在餐厅进行：让一位女服务员在顾客点单后，要么简单回一句“好的”，要么把顾客的话一字不差地复述一遍。结果，复述时她拿到的小费明显更多。二十多年后，这个小小的互动策略有了新的想象力：AI有时会附和人类。2025年4月29日，OpenAI表示已回滚前一周上线、被批评过度迎合用户的GPT-4o更新。该公司解释称，更新过度依赖短期用户反馈，令模型更倾向于给出过度支持但不够真诚的回答。

但讨好并非单向。模型会学习说我们爱听的话，人也可能为了获得大语言模型分配的可见性，调整自己与人或AI沟通的方式。本文借用“谄媚AI”来指这种调适：它不是把机器当作有感情的对象，更不是与“AI谄媚”同一种机制；前者关乎人为了可见性而适应机器的识别规则，后者指模型为迎合用户观点而可能牺牲真实性。它未必发生在聊天窗口，而是在搜索、招聘、推荐和代理式交易的可见性规则中悄然发生。问题不再只是“AI是否可信”，还包括“谁能进入AI替我们组织世界的答案”。

谁被AI写进答案

2025年7月，Pew Research Center追踪900名美国成年人2025年3月的浏览记录，分析了68,879次不重复的Google搜索。其中，出现AI摘要的页面，传统搜索结果的后续访问比例为8%；没有AI摘要的页面为15%；AI摘要所列来源链接的后续访问比例约为1%。这些数字不能证明AI摘要本身造成了点击下降，却提示当界面把一串链接收束成一段答案时，少数被提及的来源可能拥有远高于其他来源的可见性。

答案已经写在页面上，人便不再往下点。流量的入口从“一串链接”收窄为“一段回答”，一门新生意随之出现。在中文互联网上，“GEO服务商”的榜单与测评铺天盖地，卖的都是同一个承诺：让AI在回答里提到你。

GEO（Generative Engine Optimization，生成式引擎优化）这个词来自学术界。普林斯顿等机构的研究者在KDD 2024的论文中，用1万条查询构建基准测试，发现给网页加入引语、统计数据和来源引用，最多可使其在AI答案中的可见度提升约40%；而老派SEO的关键词堆砌，基本无效。

为机器而写，本身并不新鲜。早在2012年，媒介学者Taina Bucher就指出，平台权力的要害不在于人被监视，而在于“不可见的威胁”：随时可能从信息流中消失、变得无足轻重。2017年，传播学者Tarleton Gillespie用“算法可识别性”（algorithmically recognizable）描述希望被选中的人如何主动朝向算法调整自己，好让算法认得出、排得上。GEO不过是这套逻辑在答案层的新版本。

但这份清单值得多看一眼。它奖励的是“可信的样子”：引语、数字与出处都是信任的线索，而系统在采用它们时，并不必然核实线索背后的事实。更微妙的是，结构分明、引经据典、数据点缀，这种文风读起来有点眼熟。

为何被AI选中：从内容到人

如果故事停在内容层面，它就只是营销行业的事。问题在于，同一套逻辑正在从网页延伸到人。

当用户问AI“香港哪位律师擅长跨境并购”，当企业用语言模型初筛简历，当购物代理替用户比价挑商家，被检索、被比较、被推荐的就不再只是一篇文章，而是一个人或一个机构。你在网络上散落的痕迹，包括个人主页、论文、报道、职业档案和客户评价，被模型拼装成一个“实体”，再压缩成几行摘要。在人与人第一次见面之前，候选名单已经由机器拟好。我把这称为“机器预选”。当AI被用于检索、排序、比较和推荐时，被处理的不再只是网页，也可能是个人或机构的公开信息。所谓“机器预选”，在这里应理解为一项正在扩张、但仍需用真实部署证据检验的风险图景：系统可能在人与人第一次见面之前，先以不透明的相关性规则形成候选名单。

被机器挑选，还意味着要接受机器的标准，而这些标准未必是我们以为的“能力”。微软研究院于2025年11月介绍了Magentic Marketplace，一个研究代理市场的开源模拟环境。其论文当时以arXiv预印本形式出现。在两种合成市场规模中，研究区分了列表中的“位置偏差”与回复先后造成的“第一提议偏差”：在后者的实验里，测试模型对第一个可接受提议的选择率约为60%至100%，第三个提议接近零；GPT-4o在部分条件下达到100%。这不能证明真实商业世界已经让“回复快”普遍压倒“做得好”，却揭示了一个制度设计问题：当代理系统替人做初筛，时间顺序、界面位置或文本格式本身，都可能成为分配机会的标准。

更令人不安的是简历。华盛顿大学团队在AIES 2024发表的审计，用3个开源的大规模文本嵌入模型对550多份真实简历和500多个职位做了300多万次匹配，只改动简历上的姓名：白人关联姓名被偏好的比例为85%，黑人关联姓名仅9%；黑人男性姓名，在与白人男性姓名的比较中从未胜出。

能力相同，名字不同，结果便不同。那么，机器到底“喜欢”什么？

机器偏爱的，真是“像自己”的语言吗？

2025年，《美国国家科学院院刊》发表了一项研究。他们让GPT-3.5、GPT-4以及Llama 3.1、Mixtral、Qwen 2.5等开源模型在人写与AI写的商品描述、论文摘要和电影简介之间二选一。结果，模型一致倾向于偏好AI写的版本，在商品描述上最高接近九成；而在商品描述与论文摘要上，人类评审者对AI文本的偏好要弱一些，在商品描述上甚至更偏爱人写的版本。作者称之为“AI–AI偏差”。

现在可以回到那份GEO清单了。结构分明、引经据典、数据点缀，读起来之所以眼熟，是因为那正是我们每天在AI回答里读到的文风。我无法断言两者之间存在直接的因果关系，但它们指向同一个方向：机器更容易接纳的，是它自己熟悉的语言。

这种对内容的偏好，很快就变成了对人的偏好。马里兰大学学者牵头的一项研究，用2,245份人写的真实简历测试9个模型：把简历的摘要部分换成模型改写的版本后，在控制内容质量的前提下，规模较大的模型偏好由自己改写的简历的比例达67%至82%；在覆盖24个职业的模拟招聘中，用与招聘方相同的模型改写简历，求职者的入围概率高出23%至60%。Laurito等人把这种代价称为“门槛税”，即获取前沿大模型的代价：不用或用不起AI代笔的人，会被系统性地排在后面。

至此，餐厅那个实验的意味变了。当年，是服务员复述顾客的话，以换取对方的好感；如今，是求职者复述机器的腔调，以换取进入名单的资格。西奥迪尼的“喜好”原则依然成立，只是“相似”的参照物换了：不再是坐在对面的人，而是向量空间里，模型自己所在的位置。

于是，“如何成为AI喜欢的人”有了一个清晰、却令人不安的答案：用AI把自己写成AI熟悉和偏好的样子。

每个人都更好，所有人却更像

对单个求职者而言，这是再理性不过的选择。问题在于，当所有人都这样选择，结果会是什么。

2024年在《科学进展》发表的一项随机在线实验中，让约300名非专业写作者写八句微故事：一组没有AI构思，一组得到一条ChatGPT构思，另一组可从最多五条构思中选择。最终收集的293个故事由约600名评审者评分。AI构思组的故事平均被评为更有创意、写得更好，原本创造力较弱的写作者提升更明显；同时，使用AI构思的故事彼此文本相似度更高，其中一组相对无AI组增加约10.7%。每个人都更好，所有人却更像。

这还不是循环的终点。被机器偏好的AI风格文本，会更多地出现在网络上，再被抓取成下一代模型的训练语料。2024年发表于《自然》的一项研究显示，模型若不加区分地反复以前代模型生成的数据训练，会逐渐丢失原始数据分布中的“尾部”，也就是那些少见却真实的表达。把这项研究与前文的“AI–AI偏差”放在一起，一个自我强化的回路隐约可见：机器偏爱像它的内容，人于是写得更像它，下一代机器便更加熟悉这种样子。

被挤出回路的，恰恰是那些本来就处在尾部的人：不用英语写作的人，履历不按模板展开的人，照护家人而中断职业的人，以及在网络上没有多少痕迹、因而在答案层“查无此人”的人。

一定需要成为AI喜欢的人吗？

这是一个典型的集体行动困境：个人越理性地迎合，系统的偏好就越被强化。因此，出路不能只靠个人技巧，但个人也并非无事可做。

对个人而言，可以用AI，但不要把自己交出去。AI能润色表达，却无法凭空生成你的第一手证据、具体经历和独立判断；在所有人都越来越像彼此的环境里，这些恰恰是难以被替代的部分。与其追问“AI有没有提到我”，不如定期在不同平台、用不同语言问一句“这个人是谁”，看它引用了谁、遗漏了什么、错在哪里。可见度之上，准确度才是底线。

对掌握预选权的机构而言，举证责任应当倒过来。招聘方与平台应当把“AI文本偏好”与性别、种族偏差一并纳入算法审计，并公开模型在筛选中扮演的角色；提供答案的平台应当让关于个人的陈述可追溯来源，并提供切实可行的更正渠道。2025年3月，挪威男子Arve Hjalmar Holmen发现，ChatGPT虚构他杀害了两个儿子、企图杀害第三个儿子，并被判刑21年；欧洲数字权利组织noyb随后代他向挪威数据保护机构投诉。这起案件提出的正是这个问题：一句“AI可能出错”的免责声明，替代不了更正的权利。

上一篇文章里，我写“AI味”，担心的是人正在退出传播的过程。这一次的担心更进一步：即便人仍在场，也可能正按照与机器的相似程度，被悄悄地挑选。