凌晨两点十七分，一条抱怨出现在某平台的评论区，配图是一张产品破损的照片。四小时后，它被搬运到三个平台，上了同城热搜。等品牌方早上九点开会，讨论的已经不是「要不要回应」，而是「怎么收场」。舆情这件事的残酷之处在于，多数损失发生在决策之前的那几个小时里。AI 能压缩的正是这几个小时——把发现从「有人看到再说」变成「系统自动盯着」。但它压不掉的，是发现之后的那一步判断。
舆情的难点在时间窗，不在文笔
传统舆情工作的流程是：人工搜索、截图汇总、判断严重程度、上报、开会、出稿。这条链条上，最慢的一环通常是前两步。一个人一天能刷多少个平台、看多少条评论，是有上限的；而负面信息的传播是指数的，两者不在一个量级上。
把监测交给系统，改变的是这条链的起点。原来要等到有人转给你，现在系统在热度越过阈值时就推过来。早两小时知道，可选的动作多出好几倍：可以核实、可以准备口径、可以联系当事人、也可以选择不回应。晚两小时，很多选项就自动消失了。
五个环节，各自能替人到哪一步
把舆情工作拆成五段，边界就清楚了：
| 环节 | 能做 | 不能做 |
|---|---|---|
| 全网监测 | 按关键词、品牌名、产品型号抓取新闻、社交平台、论坛、评论区；按小时统计声量变化 | 覆盖私域群聊、封闭社区、线下传播；抓全谐音、缩写、变体写法 |
| 情绪与趋势识别 | 把海量文本分成正面、中性、负面；识别情绪强度的变化拐点；找出转发最多的几条 | 判断一条负面是否属实；区分真愤怒与玩梗；识别反讽和方言里的语气 |
| 预警与溯源 | 热度越过阈值时推送；找出信息最早的公开出处与传播路径 | 判断谁在推动、是否有组织；确认源头账号与事件当事人的关系 |
| 稿件生产 | 几分钟内出多版不同语气的声明、回应、问答口径、客服话术 | 确认事实、决定立场、承诺赔偿、代表公司对外发布 |
| 效果复盘 | 统计回应前后的声量、情绪占比、话题迁移方向 | 判断舆情是否真的平息；区分「没人说了」与「转到别处说了」 |
第一、三行的自动化程度最高，因为它们处理的是量；第二、四行只能做初稿，因为它们处理的是意思。第五行最容易被误读——声量下降不等于危机结束，有时只是讨论转移到了监测不到的地方。
情绪判断给出的是概率，不是结论
情绪分类模型输出的是一个分数，比如负面零点八二。这个数字的含义是「这段文本在统计上更像负面」，不是「这件事很严重」。两者经常被混为一谈，于是出现一种典型误用：系统标红了几百条，团队按分数排序去处理，结果排在前面的全是玩梗和引用。
反讽是这类模型的死穴。「这服务真是绝了」在字面上是褒义，实际是讽刺；「太好了，又坏了」同理。中文网络语境里，反讽、缩写、谐音、表情包替代词层出不穷，模型的词表更新永远慢半步。这类偏差在数据漂移里有更一般的解释：语言在变，训练数据的分布跟不上，判断就会系统性偏移。
务实的做法是把模型当筛子，不把它当法官。它负责把一万条压到一百条，人负责看这一百条。筛子的孔可以调，调宽了漏，调窄了累，这个平衡要根据业务的风险偏好定，没有通用参数。
稿子能快，定性不能快
声明、回应、通稿、问答口径这几类文本，AI 的效率提升是实打实的。同一件事，它能在十分钟内给出三个版本：一个道歉口吻、一个澄清口吻、一个不卑不亢的中性口吻。写手拿到之后改措辞、补事实、调语气，比从空白页开始快得多。
但稿子的速度会制造一种错觉，让人以为整件事都可以加速。危机应对里真正花时间的从来不是写，是想清楚：这件事是不是我们的错、错在哪一环、要不要承认、承认到什么程度、赔不赔、谁来签字。这些问题的答案决定稿子怎么写，反过来不成立。
还有一个更隐蔽的风险：AI 写得太顺。它会把没有证据的推测写得像事实，把「正在核实」写成「已确认」。这类文本一旦发出去，就是把内部的不确定变成了对外的承诺。相关机制在AI 幻觉里有详细说明——模型不知道自己在编，所以编得很流畅。对外发布的每一句话，都要有人能指出它的依据。
危机里必须留在人手里的四件事
第一件，要不要回应。沉默是一种策略，有时候比回应有效。事件真假未明、传播范围有限、回应会放大关注，这三种情况下不说是理性的。系统没有能力判断这种「不说的收益」。
第二件，怎么定性。道歉、澄清、反驳，三条路对应完全不同的责任承担。定性错了，后面所有动作都白做，甚至加重后果。这涉及事实核查与法律责任，必须有具体的人签字。
第三件，承诺什么。赔偿方案、整改措施、时间表，一旦对外说出就带有合同性质。模型可以帮你写得更得体，不能替你决定兜不兜得住。
第四件，什么时候发、由谁发。同一份声明，深夜发和工作时间发，效果不同；由官方账号发和由负责人个人账号发，意味不同。这些属于可解释性之外的另一类知识——它没有规则可循，只有案例可参考。
三种用错的方式，比不用更危险
最常见的一种是让 AI 直接对外说话。有的团队把客服自动回复接上大模型，遇到投诉也照常生成，结果给出「我们理解您的心情，会尽快处理」这类空话，把本来只是抱怨的用户激怒。自动回复的边界要划死：能答事实，不能答态度。
第二种是拿它造数据。刷好评、压负面、批量生成「真实用户评价」，这些操作短期看着有效，一旦被扒出来，二次危机的破坏力远大于原始事件。这类行为在平台规则和法律上都有明确红线。
第三种是把它当决策依据。「系统显示负面占六成，所以必须发声明」——这个推理跳过了最关键的一步：那六成里有多少是真问题，有多少是同一批人在刷。数据能提示方向，不能替代判断。把监测系统做成一个自动触发公关动作的智能体，是这类误用的极端形态。
一条能跑起来的工作流
可行的配置是三层。底层是监测，全自动，只做一件事：把异常推给人。中层是分级，按「涉及人身安全、涉及金额、涉及品牌声誉、一般抱怨」四档打标，前两档直接进人工，后两档进日报。顶层是决策，一个固定的小组，明确谁有权定性、谁有权签字、多久必须给出结论。
这套结构里，AI 的位置在底层和中层的一部分，越往上越少。判断一个团队用得对不对，看一个细节：出事后第一份对外文本，是系统生成的还是人写的。如果是系统生成直接发，那这套流程迟早出事。
速查：舆情里 AI 的位置
- 能替：盯全网、压数量、出初稿、算趋势
- 不能替：定性、定责、定承诺、定发布时机
- 情绪分数是概率，不是严重程度
- 自动回复只答事实，不答态度
- 声量下降不等于事情结束，可能只是转移了
回到开头那条凌晨的抱怨。理想状态下，系统在两点半把它推到值班人手机上，值班人在三点确认了照片里的产品批次，四点拿到了质检记录，七点准备好两版口径，九点的会只需要做一个决定。这套流程里 AI 承担了大部分的「看」和「写」，唯独那个决定，还得有人签字。危机应对涉及法律与事实判断，具体处置请以专业意见为准。
