AI生成商业摘要以后，企业为什么仍要保留原始来源和版本

跨境团队在客户会议前，把多个国家的市场报告、供应商报价和内部备忘录交给生成式AI汇总。摘要读起来完整，却没有标出每个数字来自哪一版材料，也没有说明哪些句子是模型归纳。

摘要可以压缩阅读时间，却不能取代原始记录；凡是影响客户承诺、预算、采购或市场判断的结论，都应能回到具体来源、发布日期、口径、生成过程和责任人。

流畅摘要最容易制造错误的确定感

生成式AI擅长把分散材料整理成连贯段落。标题、转折和结论齐全，会让读者误以为信息已经经过统一审核。但文本结构完整，只说明模型完成了生成任务，不说明每个数字、因果和引文都得到原始资料支持。

NIST把confabulation定义为系统自信地给出错误或虚假内容，输出也可能偏离输入、前后矛盾，甚至附上看似合理却不存在的逻辑或引用。它不是单纯的错别字问题。商业摘要一旦把错误数字写成肯定句，后续表格、邮件和会议纪要就可能继续复制它。

因此，摘要流畅度衡量可读性，来源回查衡量可验证性，两者不能互相替代。团队可以利用AI缩短第一轮阅读，却不能把“读起来像报告”当作“已经核实”。

原始材料先登记，摘要再开始

在生成前建立输入清单。每份报告、报价、邮件附件或内部备忘录记录source ID、文件名、发布者、发布日期、取得日期、版本、语言、适用地区、有效期、页数和文件哈希。网页材料保存正式标题、访问日期和可定位章节；动态页面还要记录当时版本或快照政策。

同名文件不能视为同一版本。“market-report-final.pdf”被覆盖后，旧摘要仍可能引用上一版数字。文件哈希能区分字节是否变化，发布日期和版本说明业务时点，二者回答不同问题。

材料还应标记来源层级。正式统计发布、签署报价、监管文件、内部估算和媒体报道承担的证据角色不同。AI可以同时读它们，却不会自动替企业决定哪个口径有约束力。

输入清单也要写排除项。若某份资料因过期、地区不符、缺页或权限问题未纳入摘要，留下原因。否则后来者看到文件在同一目录，可能误以为模型已经比较过。

把事实、推论和建议分成三层

高完整性信息应区分事实、意见与推论，承认不确定性，并能连接原始来源。商业摘要可以把每条内容标为F、I或A：F是来源直接陈述的事实，I是根据一份或多份资料形成的推论，A是面向行动的建议。

事实层保留source ID、页码或段落、原始口径、单位、币种、统计期间和短释义。不要只链接到报告首页；读者应能在合理时间内找到支撑位置。

推论层列出使用了哪些事实、采用什么比较方法，以及还有哪些替代解释。例如“需求增强”可能来自销量，也可能受到价格、汇率、样本结构或渠道变化影响。摘要若省略这些条件，结论会比证据更确定。

建议层记录决策对象、时限、前提和批准人。建议可以基于不完全信息，但必须把不确定性写进决策，而不是把模型生成的句子伪装成外部事实。

直接引用保留原文表达，综合判断连接多份来源，二者应使用不同标记和审核方法。引号内文字要回到原文核对；综合判断则要检查来源是否真正独立、时点与统计范围是否可比。

用四个对象保存来源链

W3C PROV-O以实体、活动和责任者描述来源。企业不必公开使用本体术语，也可以借用这个结构：原始文件和摘要是实体，生成与审核是活动，制作人、核验人和批准人是责任者。

一次生成分配run ID，记录输入source ID列表、模型或服务名称与版本、日期时间、系统指令、任务提示、检索范围、温度或其他影响输出的设置，以及生成的draft ID。若服务无法提供固定模型版本，明确记录“供应商托管版本不可固定”，不要假装可复现。

人工审核另建review ID，记录审核者看过哪些段落、核对了哪些来源、改了什么、未检查什么和最终状态。生成和审核是两次不同活动，不能因为有人打开过文件，就把整个摘要标成“人工验证”。

发布给客户或带入会议的版本再分配release ID。这样可以从会议简报中的一句结论反向找到发布稿、审核记录、AI初稿和输入材料。

输入版本、生成run ID和审核活动把摘要结论连接回具体材料；材料更新后可沿关系识别哪些段落需要重审。如果某份报告从v2更新到v3，系统先找出引用v2的摘要条目，再由责任人判断是否重算，而不是重写所有文件。

数字先核口径，再核算术

商业摘要里最危险的并不一定是复杂预测，常常是一个缺少口径的简单数字。收入可以是含税或未税、合并或单体、当地币或折算币；增长可以是同比、环比、名义或实际；市场份额还依赖分母、地区和时间窗口。

为高影响数字建立来源定位、口径、日期、版本与责任人字段，并在会议前逐条回查。核查表至少包含原值、单位、币种、期间、地区、样本、分母、是否季调、换算方法和取整规则。

先看口径是否相同，再验证加减乘除。两个数字即使都来自可信报告，统计期间或范围不同，也不能直接相减。AI可能把名称相近的指标并排展示，责任人必须判断它们是否可比。

报价类资料还要记录有效期、税费、运费、数量区间和合同主体。把网页展示价写成客户承诺，会把信息整理任务越过授权边界。

来源冲突时保留差异

两份资料出现不同数字，不要让模型自动选一个“较合理”的答案。冲突记录列出各自source ID、数值、口径、发布日期、适用范围和可能原因，再指定谁负责裁决。

若一份是第一手统计，另一份是媒体转述，优先回到第一手页面核对；若两份都是正式发布，差异可能来自修订、地区边界或统计方法。无法解释时，摘要可以并列数值并明确“口径尚未统一”。

PROV-O能区分第一手来源、引用、衍生和修订。关系标签帮助团队知道一条信息来自哪里，却不会自动决定谁正确。来源链完整不证明原始材料正确，人工审核也不应被解释为全部事实已经独立验证。

按影响分级，不必逐字同等审查

低影响内容例如会议背景、章节排序或阅读提示，可以抽样检查。中影响内容例如市场描述和竞争比较，需要核对主要事实及限制。高影响内容包括价格、预算、合同承诺、合规判断、人员决定和对外数字，应逐条回到原始材料并由指定责任人确认。

NIST建议用已知基准资料和多种方法检查生成输出，部署前及持续监测中复核来源与引用。对企业摘要而言，原始报告、签署文件和责任人确认就是更贴近任务的核验材料。

审核状态不要只有通过或失败。可以使用未检查、已定位来源、口径已核、责任人已确认、存在争议和禁止外发。这样会议前能快速看到真正的风险，不会因一处核验让整份文件看起来都已批准。

抽样核验应记录范围。例如“随机检查10条事实”只能支持这10条和抽样过程，不能让其他条目自动变成已验证。对高影响字段不采用抽样。

版本更新要能触发重审

每次修改不覆盖旧稿。AI初稿、编辑修订稿、法务或财务复核稿和会议发布稿分别保存版本，并记录修订自哪个对象。修订说明指出新增、删除、改值、改口径或只改表达。

设置触发条件：原始材料更新、有效期到期、汇率基准改变、模型或提示发生重大变化、客户范围改变，或责任人撤回确认时，对关联摘要重新审核。

NIST建议在系统清单中记录来源、版本和人工监督责任，并保留测试、验证与内容透明历史。保留期限仍要服从企业政策、合同、隐私和适用法规；不是所有输入都应无限期保存。

对敏感报价、客户资料和个人信息，摘要工具的输入权限要先审查。来源链不意味着扩大访问范围。记录可以只保存受控对象ID与核验结果，由有权限的人查看原文。

会议前十五分钟的实际检查

先筛出摘要中的全部数字、直接引文和明确因果句。逐条查看是否有source ID、定位、日期、口径和审核状态。没有来源的数字从正式版移除或标为待确认。

然后核对输入版本：文件哈希是否与登记一致，网页是否更新，报价是否仍在有效期。再查看冲突记录，确认会议版没有把未裁决差异写成单一结论。

最后由发布责任人确认受众和用途。内部讨论稿可以保留探索性推论，对客户或管理层的正式材料则应降低未经核验的确定语气，并把关键限制放在结论附近。

摘要工具提高的是整理速度，不是责任转移速度。最终发布者仍需知道哪些句子来自原文，哪些是综合，哪些是建议，以及哪些内容没有完成核查。

不能越过的边界

模型名称不等于固定版本，保存提示也不一定能逐字复现托管服务的输出。人工签名不等于所有句子已核验，来源链接存在也不等于页面内容没有更新。

AI摘要不得替代正式合同、财务记录、法律意见或原始统计发布。需要引用这些资料时，摘要是导航和解释层，正式对象仍是决策依据。

来源链的目标不是让每份简报变得沉重，而是让高影响结论可回查、差异可解释、更新可触发、责任可确认。做到这些，团队才真正用AI节省阅读时间，而没有把证据一起压缩掉。

一条结论的最小记录

团队可以为摘要中的每条高影响结论保留一行记录：claim ID、可见文字、类型、source ID、原文定位、发布日期、统计期间、地区、单位、币种、分母、输入版本、生成run ID、核验人、核验时间、状态和限制。

若结论来自多份资料，source ID允许填写多个，但要说明组合方法。若只改写一份材料，不要标成“多源验证”；若多份报告实际都引用同一份统计发布，也不要把它们误算为独立证据。

记录中的状态应跟随具体claim ID，而不是只挂在整份文档上。这样一句价格承诺可以处于“责任人确认”，另一句趋势判断仍是“存在争议”，不会因文件封面写了已审核而失去差别。

NIST指出生成式AI可能自信地给出错误内容、前后矛盾或虚构引用。NIST建议复核生成输出中的来源与引用，并保留内容来源、版本和人工监督记录。PROV-O可以用实体、活动、责任者及使用、生成、衍生和修订关系表达摘要来源链。

当摘要需要更新时，先查询受影响的claim ID，再更新对应关系和审核状态。未受影响的结论保留原版本和证据，不必为了追求一份全新的“最终稿”而抹去历史。

资料来源

• National Institute of Standards and Technology：《Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile》，发布或更新于 2024-07-26
• World Wide Web Consortium：《PROV-O: The PROV Ontology》，发布或更新于 2013-04-30