问题所在：措辞优美的文本未必是正确的文本
生成式 AI 的设计初衷是为了取悦用户。它们以自信、结构化的语气回答，即使出错也是如此。面对一个看起来整洁的结果，人们很容易接受它。研究人员称之为自动化偏见：即高估自动化系统可靠性的趋势，Raja Parasuraman 和 Dietrich Manzey 在 2010 年对此有过描述。在企业中，这一现象在 2025 年有了一个新名字：“workslop”，指那些由 AI 生成的内容，它们看起来像是完成了的工作，但实际上是将工作量转移给了接收它的同事。
五个步骤
- 评分 (Scorer)。要求对回答进行 1 到 10 的评分。
- 评论 (Critiquer)。要求指出每一项弱点。
- 优化 (Optimiser)。要求构建一个更好的版本。
- 重启 (Relancer)。回答提出的问题，然后再次生成。
- 执行 (Exécuter)。自己调整并进行最后的润色，无需 AI。
SCORE© 标准提示词
我向一个 AI 提出了这个请求：
{初始提示词}
我得到了以下结果：
{粘贴结果}
请对这个回答进行 SCORE© 10分制评分。
请非常严格。指出弱点。
如果信息不足，请提出一个更好的版本或提出问题。
SCORE©：Revenu IA 专有方法，© Mustapha Benkalfate。允许在注明来源的情况下复制标准提示词。
三条使用规则
- 始终在新的对话中进行，不透露来源。AI 判断的是结果，而不是之前对话付出的努力。
- 阅读弱点列表而不是分数。分数总是偏高：“2分会变成4分”，Mustapha Benkalfate 观察到。重要的是被指出的缺陷。
- 迭代。对于商业提案或重要的公开内容，进行多次评估是很有用的。
为什么最后一步要在没有 AI 的情况下完成
亲自进行最后的润色可以验证自己是否真正理解了问题所在，而不是想当然。这就是工具辅助校对与完全授权的区别。这最后一步与 méthodologie du doute© 相呼应：对于任何关系到您或公司信誉的事情，AI 可以校对和挑战，但最终交付的责任在您。
针对数据报告的变体
对于报告或分析，Mustapha Benkalfate 提出了一个简单的补充方法：在三个独立的对话中提出相同的请求。如果结果差异很大，就不可信赖；如果结果趋于一致，就可以在此基础上继续工作。他还建议要求 AI 给出置信度分数和来源，然后自己阅读最佳来源。