Shopify CEO警告“AI垃圾手雷”：生成得快，不等于交付完成

AI 让生成邮件、文档和代码的成本变得很低，但 Shopify CEO 托拜厄斯·吕特克（Tobias Lütke）担心，它也让人们更容易把尚未完成的思考直接甩给同事。他把这类未经审核便转交的 AI 产出称为 “slop grenades”，可理解为“AI 垃圾手雷”：由 AI 生成，发送者却没有带来额外价值——包括确认内容是否正确、是否有用、是否适合当前任务。48

什么是“AI 垃圾手雷”

问题不在于 AI 参与写出初稿。初稿本身可以很有价值。真正的问题是，一份看起来很完整的文本、方案或代码，被当成了已经完成的工作，但没有人认真评估其准确性、相关性、隐含假设及可能后果。

按吕特克的说法，AI 可以迅速产出更多材料，却不会为材料是否有用、是否正确承担责任。发送邮件、文档或代码合并请求（pull request，简称 PR）的员工，仍必须承担这份责任。36

流畅的表达很容易掩盖上下文缺失、推理错误或事实不准。结果是，收件人不得不接手发送者跳过的关键工作：重新理解原问题、判断输出到底在说什么、找出错误和遗漏，再把它改造成真正可用的成果。

为什么会造成“解压—再压缩”的返工

这一说法描述的是一种倒置的工作流：

1. 发送者把问题压缩成提示词。 许多背景、约束和判断没有被明确写入。
2. AI 将提示词扩展成看似精致的产出。 它表面完整，却未必可靠。
3. 接收者不得不“解压”。 他们需要还原目标、检查错误、缺口与缺乏依据的表述。
4. 接收者再将其“压缩”为可用结论或决策。 实际上往往意味着重写、测试、修订，甚至从头开始。

因此，内容传递可能更快，工作却未必更快。未经审查的 AI 初稿没有消除劳动，只是把劳动转移给了更有能力发现问题的人——通常是主管或领域专家。

责任问题也是一样。AI 不能为商业决策、对客户的承诺或上线到生产环境的代码改动负责。把生成内容伪装成“已完成工作”，会模糊本应清晰的责任归属。

这不是 Shopify 放缓 AI 推进

吕特克此前曾表示，熟练使用 AI 已是 Shopify 的基本要求；团队在申请新增人手或资源之前，应先说明为何无法借助 AI 完成目标。46

Shopify 还大力投入内部 AI 代理 River。它运行在 Slack 中，可读取代码、运行测试、编写代码、创建 PR、查询数据，并检查生产环境追踪记录。44 有报道称，River 参与的 PR 最多可能占 Shopify 生产代码 PR 的一半。36

这与“AI 垃圾手雷”的批评并不矛盾。核心在于：生成不等于完成。强大的代理可以加速探索和实现，但审查、品味、验证、优先级判断，以及对结果的接受与负责，仍是人的工作。

研究中的对应概念：workslop

BetterUp Labs 与斯坦福大学社交媒体实验室将这种现象称为 workslop，即“看似精致，但缺乏实质内容、无法真正推动任务进展的 AI 生成工作”。24

两家机构在 2025 年 9 月对 1,150 名美国全职办公室工作者开展的调查显示：

• 40% 的受访者称，过去一个月收到过 workslop；
• 收件人估计，自己收到的工作中有 15.4% 属于 workslop；
• 处理一次这类问题平均约需 两小时；
• 研究者估算，其成本约为每名员工每月 186 美元；对于 1 万人规模的组织，年成本超过 900 万美元。29

这些是基于调查的估算，并非普遍适用的生产力指标。不过它清楚指出了组织风险：AI 增加流入团队的内容量，可能快过团队核验内容的能力。

损失不仅是时间，也包括信任

workslop 不只是多占用编辑和修改时间，也会改变同事对彼此投入程度与专业能力的判断。

Yahoo Finance 报道的另一项调查中，52.7% 的受访者称曾发送过 workslop，38% 称曾收到过。收到者平均每月要花 3.4 小时修改；调查还发现，收件人会认为发送这类内容的同事能力较弱、也不那么友善。3

对依赖协作信任的团队而言，这尤其有害。收到的并不只是一个粗糙草稿，而是一项未经明确协商、却被转嫁过来的质量控制任务；接收者既未主动承担，也未必被预留了处理时间。

多邻国的质量控制教训

多邻国 CEO 路易斯·冯·安（Luis von Ahn）谈到大规模生成 AI 内容时，也表达了类似担忧：约有 20% 的内容可能是“纯垃圾”，公司必须避免这些内容流入学习者端。11

这不代表 AI 生成内容没有价值。多邻国曾借助生成式 AI 推出 148 门新语言课程，展现出这项技术的扩张速度。12 但产出越快、规模越大，审核流程就越重要：系统生成的内容越多，越需要有意识地拦截不合格或不适合面向用户的材料。

管理难题已从“是否采用”转向“谁来负责”

对于已经拥抱 AI 的企业，越来越关键的问题已不再是员工是否使用工具，而是工作流能否确保人类仍对最终结果负责。

可执行的团队规范并不复杂：

• 用 AI 生成选项、草稿和测试方案，而不是借此逃避责任；
• 转交前检查事实、逻辑、语气与任务匹配度；
• 仍需审核的内容，应明确标注为“草稿”；
• 面向客户、法律、财务及影响生产环境的工作，必须明确最终负责人；
• 衡量实际结果与质量，而非只看 AI 使用率或产出数量。

吕特克的“AI 垃圾手雷”说法抓住了 AI 工作方式中的一个基本原则：多生成几段文字或多提交几段代码，不等于多创造了价值。AI 可以加速第一稿，但仍需要人把它变得可靠、可用，并且有人负责。