不能保证。
昨天我们学了一个很实用的写法：
叫 Copilot 创建：
Word。
Excel。
PowerPoint
以前，
先写：
「数据里没有的日期、金额、数字、承诺或结论，不要自行补。」
这句话：
很值得写。
但不要把它理解成：
只要写了这一句，AI 从此绝对不会补错东西。
它做不到这种保证。
因为 Prompt 是工作指令，不是硬性数据锁
你告诉 Copilot：
「不要自行补。」
等于告诉一位助理：
「这份报告只能用桌上这些数据。」
正常情况下，
它会尽量照做。
但 AI 仍然需要：
阅读。
摘要。
分类。
推理。
重新组织。
决定：
哪些东西重要。
哪些东西相关。
哪些句子应该合并。
所以最后仍可能：
出现错误。
Microsoft 自己也没有说 Copilot 产出的东西一定正确
Microsoft 对 Word、Excel、PowerPoint Agents
的官方提醒非常直接：
产生文件以后，
分享以前要先检查准确性。
Microsoft 对一般 Copilot Output
甚至另外做了一套：
Validation。
因为一份内容：
看起来很完整。
文字很顺。
格式很漂亮。
并不代表：
它已经可以直接使用。
「没有乱编一个新数字」只是第一层
很多人想到 Hallucination，
会以为只有这种：
原始数据没有：
100 万元。
AI 却突然写：
100 万元。
当然这算问题。
但实际工作里，
更常见的错误：
没有这么明显。
第一种：原文有数据，但 AI 理解错
例如原始文档写：
「预算上限 50 万元。」
Copilot 最后整理成：
「项目预算为 50 万元。」
两句只差一点点。
但意思完全不同。
一个是：
最多不能超过。
另一个变成：
已经确定要花。
AI 没有凭空发明：
50 万。
但它仍然：
改变了事实。
第二种：把「可能」写成「确定」
例如会议纪录：
「客户可能把活动改到星期五。」
演示文稿最后变成：
「活动将于星期五举行。」
日期：
本来就出现在数据里。
所以你很难一眼发现：
它不是乱补。
但真正错的是：
确定程度被改掉。
这在工作文档里：
非常危险。
第三种：两份都是真的数据，被 AI 拼成一个错答案
例如：
旧版 Proposal：
活动时间 14:00。
新版 Email：
活动时间改成 15:00。
两个来源：
都是真的。
如果 Copilot：
没有判断出版本先后，
可能在演示文稿写：
14:00。
甚至：
不同页面出现两个时间。
这不是：
AI 自己编数据。
而是：
选错来源。
第四种：数据没有写清楚，AI 自己完成语意
原始数据：
「供应商尚未确认。」
AI 为了让 Project Summary
读起来更完整，
可能整理成：
「供应商预计明天确认。」
它可能认为这只是：
合理补充。
但对公司来说：
这已经是：
一个新的事实。
所以：
「不要补」
真正要防的不只是：
乱生数字。
还包括：
把推论写成事实。
第五种：它可能省略一个真正重要的限制
例如原始数据：
「方案 A 预估每月可省 10 小时，但只适用数据格式固定的客户。」
PowerPoint 为了缩短文字，
最后只留下：
「方案 A 每月可省 10 小时。」
它没有：
增加错误信息。
但它把：
限制条件删掉。
结果仍然会：
误导。
Microsoft 的 Validation Guidance
也特别提醒：
Copilot Output
可能：
遗漏会改变判断的重要 Context。
所以：
错误不一定来自：
多写。
有时来自：
少写。
第六种：Excel 看起来最像「一定对」，其实一样可能出错
Excel 特别容易让人放心。
因为：
有公式。
有 Chart。
有百分比。
有合计。
看起来不像：
AI 在写作文。
但 Microsoft 自己也提醒：
Copilot 在 Excel
可能：
误解信息。
产生不准确结果。
Formula。
Insight。
Table
都要：
检查。
例如：
AI 没有乱补原始收入。
但它可能：
公式抓错 Range。
漏掉一列。
把百分比：
分母用错。
最后 Chart：
仍然非常漂亮。
所以「数据没有就不要补」到底有没有用？
有。
而且值得继续用。
因为它把：
Evidence Boundary
说得比：
「帮我做完整一点」
清楚很多。
它是在告诉模型：
完整性不要优先于真实性。
这是一条很好的：
行为规则。
只是不能把：
比较不容易出错
理解成：
保证不会出错。
那要怎么补第二层？
最简单的方式：
AI 做完后，
不要再问：
「你确定吗？」
因为它很可能回答：
「确定。」
这没有增加多少验证价值。
改问：
「把文档中的日期、金额、数字、正式承诺与主要结论逐项列出，并指出每一项来自哪份原始数据；找不到来源的标成未确认。」
这才是在做：
Source Check。
Microsoft 现在也直接建议做 Source Check
Microsoft 的 Copilot Validation 指南
建议用户检查：
产出的 Claim
是不是：
真的反映原始数据。
重要叙述：
能不能追溯到：
可靠来源。
Copilot 是否：
混合不同信息。
夸大确定性。
或用：
Assumption
填补缺口。
这和我们今天的问题：
完全一样。
如果找不到来源，就先当成「未确认」
不要因为：
AI 写得很像真的
就替它找理由。
例如：
「这应该是它分析出来的吧。」
如果这份文档是：
内部脑力激荡，
可以保留，
但标成：
推论。
如果它是：
对外 Proposal。
正式报告。
报价。
财务表。
客户承诺。
那：
来源找不到
就不应该写成：
已确认事实。
可以把昨天四行再加上一个「第五步」
昨天是：
成品。
对象。
必留。
不能补。
今天补上：
来源核对。
流程就变成：
产生前
成品：
我要什么？
对象：
谁要看？
必留：
什么不能被删？
不能补：
哪些信息不能猜？
产生后
来源核对：
重要 Claim 到底从哪里来？
这样才形成：
完整循环。
不用整篇每一句都查来源
这也没有必要。
真正要查的是：
会造成后果的信息。
例如：
人名。
日期。
Deadline。
价格。
数量。
百分比。
公式。
正式结论。
法律要求。
客户要求。
外部承诺。
以及：
任何会影响：
决策
的句子。
一般语句：
「本项目希望提升效率。」
未必值得花时间逐字确认。
但：
「预计降低 30% 成本。」
就一定要问：
30% 从哪里来？
可以直接用「高风险信息」做 QA
例如 AI 做完 PowerPoint，
先只检查：
所有数字。
所有日期。
所有带：
一定。
已确认。
已决定。
将会。
保证。
预计节省
等语意的句子。
这些地方：
最容易把：
推测
变成：
事实。
Word 则要特别看结论是不是超出原文
例如原始访谈：
三个人说：
「导入流程有点复杂。」
Copilot 最后写：
「员工普遍反对新系统。」
这就超过：
原始 Evidence。
它可能没有：
编造任何一句访谈。
但：
结论太大。
所以 Word Report
一定要检查：
结论强度
有没有超过：
原始数据。
PowerPoint 特别要看「浓缩后有没有改意思」
演示文稿页面空间有限。
AI 很容易：
把一大段：
条件式叙述
压缩成：
一句很有力的标题。
这对 Presentation：
很好看。
但对事实：
可能很危险。
例如：
原文：
「如果 Q4 需求维持目前速度，且新设备如期交付，产能可能提升约 15%。」
标题变成：
「Q4 产能提升 15%」
所有字：
都来自原始 Context。
但结论：
已经被改写。
Excel 则看「数字来源＋公式」
如果 Copilot 创建：
一张 Summary。
你至少要确认：
原始 Rows：
有没有漏。
公式：
Range 对不对。
空白：
有没有被当 0。
百分比：
分母对不对。
Chart：
是不是选错 Series。
因为 Excel AI
最危险的地方就是：
错误也可能长得非常专业。
只让 Copilot 自己检查自己够不够？
也不够。
它可以：
帮忙找：
Mismatch。
Assumption。
Missing Context。
这非常有用。
但 Microsoft 自己也明确说：
Copilot 可以帮你：
Validate Output，
却不能替自己的正确性做最终认证。
真正重要的数据：
仍然要回：
Original Source。
这就是：
AI Review
和：
Human Verification
的差别。
AI 可以当第二个 Reviewer，但不能当自己的公证人
你可以要求：
「指出哪些叙述没有直接 Evidence。」
「列出所有 Assumption。」
「比对原始数据和演示文稿是否一致。」
「找出数字、日期与名字的差异。」
这些都值得做。
但如果它说：
「全部正确。」
不能因此：
自动结案。
高风险数据：
仍然要：
人确认。
那这样用 AI 不是很麻烦吗？
不一定。
真正要比较的是：
以前你从：
空白页
开始做整份文档。
现在：
AI 先做 80%。
你花：
10 分钟
查：
高风险 20%。
如果最后总时间：
还是下降，
就有价值。
问题不是：
AI 需要检查
就代表没有用。
而是：
不要把：
First Draft 很快
错认成：
Final Output 已经好了。
最容易犯的错，就是看到一份漂亮文件后降低警戒
纯文字 Chat：
写错一个数字，
你可能马上怀疑。
但一份：
排好版的 Word。
有 Chart 的 Excel。
漂亮的 PowerPoint。
会让人有一种：
「这已经做完了。」
的心理。
其实：
Format 完成
和：
Evidence 完成
是两件事。
所以今天答案可以浓缩成一句公式
「不要自行补」
＝
比较清楚的：
Prompt Boundary。
但：
不等于：
Accuracy Guarantee。
真正可靠的流程是：
先限制。
↓
再生成。
↓
查重要 Claim。
↓
回原始来源。
↓
人确认。
和 9 月 12 日的 Plaud 问题其实是同一个核心
当时我们问：
Plaud Agent
做出的 PPTX
已经 Grounded in Conversation，
是不是就能：
直接寄给客户？
答案也是：
不能直接推论。
有 Context
不代表：
AI 归纳零错误。
今天则再往前一步：
即使你已经明确告诉 Copilot：
「不要补。」
也只是：
增加一层限制。
不是：
消除所有错误。
8 月 9 日多文档问题也是一样
AI 可以把：
三份文档
整理得非常漂亮。
但如果：
三份来源本来就：
互相矛盾，
AI 整理完成
并不代表：
矛盾消失。
它甚至可能：
替你选了一个版本。
所以 AI 文档 Workflow
最后都会回到同一个问题：
你知不知道哪个来源才是真的？
最后记住这个判断
如果 Copilot 写了一句：
你原本没有印象的：
数字。
日期。
承诺。
结论。
不要先问：
「它是不是乱编？」
先问：
「我能不能回到来源找到它？」
找到：
再确认 Context 有没有被改变。
找不到：
先标：
未确认。
这比单纯相信：
「我 Prompt 已经写不要补了」
安全得多。
因为好的 AI Workflow
不是：
设计一个永远不会犯错的 Prompt。
而是：
就算 AI 犯错，你也有一个很快能把错误抓出来的方法。
今天，和 AI 一起进步一点。
每天学会一个 AI 技巧。
每天节省一点时间。
每天提升一点能力。
SasaDaily，陪你一起成长。
推荐阅读
AI 快问快答｜2026/09/12：Plaud Agent 做出的 PPTX 已经引用会议 Context，就可以直接寄给客户吗？
