当内容可以随时生成，信息产品会变成什么？

我最近越来越少直接搜索“有没有一篇文章讲清楚这件事”。

看财报时，我会让 AI 先告诉我哪些指标值得注意；研究一个陌生行业时，我会让它从基础概念讲起，再根据我的追问逐渐加深；同一份材料，有时我想看三分钟摘要，有时又希望它展开成完整报告。

一开始，我把这当成搜索和阅读效率的提升。后来再从产品角度看，变化可能没有这么简单。

过去，我们做信息产品，默认交付物是一篇文章、一段视频、一份报告或者一个网页。内容先被生产出来，用户再来消费。现在，内容可以等到用户提出问题之后才生成，而且会随着用户的目标、知识背景和后续反馈不断变化。

当“内容”不再需要提前做好，信息产品到底应该做什么？

我们过去交付的，其实一直是“成品”

门户时代，编辑决定哪些内容出现在首页；到了博客、论坛和视频网站，普通人也能参与创作；再往后，推荐算法开始替用户挑选下一条内容。

这几次变化分别改造了生产门槛和分发效率，但一直有一个共同前提：平台分发的，是已经做好的内容。

不管用户是主动搜索，还是被算法推荐，文章和视频通常已经存在于内容池里。平台要解决的问题，是如何从这个池子里找出更合适的一条。

生成式 AI 改变的是顺序。现在可以先有需求，再有内容：

用户先说清楚自己要解决什么问题，系统再去找资料、调用工具、组织证据，并生成当下需要的表达。用户觉得太浅，可以继续追问；发现遗漏，可以要求补充；目标变了，内容也可以跟着重组。

从编辑挑选、算法推荐到按需生成，真正变化的是内容出现的时机。

从产品体验上看，这不只是把搜索框换成对话框。过去的平台在成品中做选择，现在的系统开始在运行时组装结果。

用户不只是读者，但也没有突然变成作者

有一种说法是，AI 让生产者和消费者合二为一：用户提出需求，AI 写给用户看，像是在“自产自销”。

这个说法很形象，但并不完整。

如果我让 AI 分析一家公司的财报，真正的事实来自公司的经营活动，原始资料来自财报、公告和交易所记录，AI 负责检索、比较、计算和表达，而我负责提出问题、选择角度、质疑结果并作出判断。

所以用户更像是内容的委托人和编辑，而不是所有信息的生产者。我们决定要研究什么、采用什么标准、看到多深；AI 帮我们完成大量搜集和组织工作；但事实从哪里来、结论是否可靠，仍然不能被跳过。

这对产品设计很重要。如果把 AI 当成无所不知的内容作者，产品很容易只追求“回答得像不像”。如果把它看成用户与事实之间的研究助手，来源、证据、更新时间和不确定性就会成为体验的一部分。

内容池正在变成一个运行中的系统

传统内容平台的核心资产，是文章、视频、帖子和节目。它们已经完成，平台负责存储和分发。

AI 产品背后的“内容池”更像一组运行条件：模型能做什么，系统接入了哪些资料和实时数据，记得多少用户背景，能调用哪些工具，又遵循什么生成规则。

同一个问题，只要来源、时间、用户目标或已有认知不同，系统就可能给出不同结果。文章、图表、音频甚至界面，都只是这一组条件运行后的输出。

这让我觉得，下一代信息产品的核心可能不再是“拥有多少内容”，而是：

• 能不能持续找到可信的新事实；
• 能不能记住一个主题已经研究到哪里；
• 能不能理解用户此刻真正要完成的任务；
• 能不能在合适的时候，生成合适深度和形式的内容；
• 新事实出现后，能不能知道哪些旧判断需要被修正。

如果一定要给这种形态起一个名字，我会叫它“活的信息产品”。不是因为文章会自动改写，而是因为产品围绕一个主题长期存在，持续维护资料、问题和判断。

文章、视频和图表没有消失。它们更像是这个系统在某个时刻生成的一张截图。

用“长期跟踪一家公司”来理解它

假设我想长期研究一家公司。

现在的常见做法，是收藏研报、订阅新闻、保存财报，再隔一段时间让 AI 做一次总结。问题是，每次总结通常都从头开始。资料越来越多，但我的判断是散落的：当初为什么看好它、最担心什么、哪些假设已经被证伪，很难被持续维护。

如果把它做成一个真正的信息产品，第一次使用时，系统需要和我一起建立研究对象：我关注长期投资还是短期交易，当前的核心判断是什么，哪些指标最重要，什么变化会推翻原来的结论。

之后有新财报发布，系统不应该只是再写一篇摘要。它更应该做这些事：

1. 对照上一次的预测，告诉我哪些判断对了、哪些偏了；
2. 区分真实经营变化和一次性因素；
3. 更新支持与反对当前判断的证据；
4. 主动找出与我原有立场相反的材料；
5. 标记暂时没有答案的问题；
6. 只有在变化确实重要时，才来占用我的注意力。

同一份更新，在通勤时可以变成两分钟语音，在电脑前可以展开成财务表格和证据清单，需要讨论时又可以生成多空双方的观点。

这里真正有价值的，不是 AI 又写了一篇文章，而是它帮我维护了一个长期研究过程。

做这种产品，真正难的不是生成

内容生成已经越来越便宜。难的是让系统有记忆、有依据，也知道什么时候不该自作主张。

首先，它要记住“研究对象”，而不只是保存聊天记录。
聊天记录只能告诉系统我们说过什么，一个长期主题还需要保留当前结论、未解决问题、关键假设、反方证据和历次变化。否则对话再长，也只是更大的上下文窗口。

其次，它要有一套看得见的证据账本。
系统不能只丢给用户几个链接。哪些是原始资料，哪些是媒体转述，来源之间有没有冲突，某个结论具体依赖了哪些证据，都应该能被追溯。产品越靠近决策，这件事越重要。

它还需要理解用户，但这种理解要由用户控制。
知道用户已经掌握什么、关心什么，确实能减少重复解释。不过，一旦系统开始根据历史阅读、工作资料和决策记录建立用户模型，就必须允许用户查看、修正、删除和关闭它。否则“更懂你”很容易滑向“更会影响你”。

最后，自动更新和自动行动要分开。
让 Agent 定期获取资料、整理变化没有问题，但创建任务、发送邮件、调整策略这类动作，需要单独的权限和确认机制。信息产品可以主动，不能替用户承担决定。

可以个性化的是解释，不是事实

AI 带来的一个错觉是，信息似乎变得无限了。

同一组材料的确可以生成无数版本：给初学者的解释、给专家的证据矩阵、三分钟播客、万字报告、图表、辩论或者交互界面。从表达组合来看，它几乎没有上限。

但现实中的事实没有因此变多。换一百种方式解释同一份财报，也不会凭空产生新的订单、实验结果或采访记录。

我更愿意把信息简单分成几层：现实中发生的事情、对事情的原始记录、基于记录的分析、表达形式，以及面向个人的组织方式。今天的生成式 AI 最擅长的是后面三层。只有当它接入传感器、实验设备、业务系统或实时数据库时，才可能进一步参与一手信息的产生。

因此，未来的信息体验可以高度个性化，但最好守住一条清楚的边界：

共同的事实，个性化的解释。

法律原文、公司公告、科学数据和原始采访不应该因为用户偏好而变化。可以变化的是解释的深度、顺序、形式，以及它和用户当前任务的关系。

我更期待的，不是更多内容

沿着这个方向，很多产品都会重新长一遍。

学习产品不再只是提供统一课程，而是持续维护每个人的知识缺口；行业研究不再只交付定期报告，而是跟踪判断何时发生变化；会议助手不只是生成纪要，还能把决定、依据和后续结果连起来；个人知识库也不只是收藏资料，而是帮助用户维护长期问题。

这些产品的共同点，不是“接入了一个大模型”，而是把服务对象从一篇内容，换成了一个持续存在的主题、目标或判断。

当然，它也会带来新的麻烦。系统越了解用户，越可能迎合用户已有的偏见；内容越容易生成，可信的一手事实越稀缺；主动提醒越方便，产品越可能争夺注意力。来源是否透明、反方证据是否被呈现、用户模型能否被控制，最终会决定这类产品值不值得长期信任。

内容可能只是产品的一次输出

回头看，门户解决的是“哪些内容值得被看见”，推荐平台解决的是“哪条内容更可能让你感兴趣”，而生成式 AI 开始解决“针对你现在的问题，应该怎样组织信息”。

再往前一步，产品不只回答一次问题，而会持续记住背景、跟踪变化、维护判断，并在需要的时候生成新的视图。

从一个普通产品人的角度，我觉得这比“AI 会不会取代内容创作者”更值得关注。创作者、专业机构和一手资料不会消失，用户也不会凭空成为全能作者。真正发生变化的是，大家之间的连接方式开始被重新设计。

未来的信息产品未必长得像一篇文章、一个 App 或一个聊天机器人。它可能更像一个长期陪伴某个主题运行的系统。内容只是它与用户见面时，临时选择的一种形式。