一封邮件交给 AI,一秒就有,段落齐整、客套周全,从头读一遍挑不出语法上的毛病,可手指停在发送键上,你还是把整封删了重写。问题不在文笔,而在分寸——这事谁说了算、你俩熟不熟、这事对对方有多麻烦,这三件事 AI 无从打听,只能替你猜一个答案填上。把这三件事说清楚,再分清一封信里哪几句必须自己写、哪几句可以放心交出去,AI 写的邮件才能真正对味。
它写得快,是因为它不用打听;它写不对,也是因为它没处打听。分寸这个词听着像是一种说不清的直觉,但语言学早就把它拆成了三件具体的事:这事谁说了算、你俩熟不熟、这事对 ta 多麻烦。这三件事各自取什么值,一封信的调子就该跟着变——同一件事,写给直属上级和写给天天见的同事,措辞、客气程度、句子长短理应完全不同。你不把这三件事写进要求,AI 照样会给你一封信,只是那封信的分寸是它替你定的,定得对不对全凭运气。
这三件事的分量并不一样重。研究(Brown & Levinson,1987,后续统计检验)显示,"这事谁说了算"和"这事对 ta 多麻烦"这两件对写法的影响更大,"你俩熟不熟"这一件影响相对小一些。求人、拒绝、道歉、向上汇报这几类常见邮件,其实就是这三件事取了不同的极端值:求人是"麻烦对方"这一件被拉到最高;拒绝是你要驳回对方已经提出的请求;道歉是麻烦已经实际发生;向上汇报则是"谁说了算"被拉到最高。看懂了这一层,再回头看 AI 写出来的初稿,就知道该往哪个方向改。
把三件事想清楚之后,各写成一句大白话,放在你的要求前面,AI 才有东西可依。比如写给只在一次会上见过、之后没再联系的直属上级:"收信人是我的直属上级,我向 ta 汇报工作""我和 ta 只在一次会上见过,之后没再联系""这件事需要 ta 花十分钟读一份材料,不需要 ta 改已经定下的安排"。这三句话交出去,正式到什么程度、用哪一类词、句子写多长——这一整套语言学上叫**语域(Register)**的东西,AI 就能定得下来。
中文邮件还多一件事是 AI 天生填不出来的:开头那一句该叫谁。这一格它没有事实依据,常见的处理方式有四种,都不理想:一是把这一格甩回给你,写出"尊敬的[领导称呼]"这种占位符等你自己替换;二是凭空编一个姓,你从没说过对方姓什么,它却写出"尊敬的王老师"——这一步填错,比措辞生硬麻烦得多,而且就摆在信的第一行;三是不管什么关系一律叫"老师",别部门的人、甲方对接人、行业前辈,称呼却毫无区分;四是称呼和问候重复两遍,抬头已经带了"您好",换行第一句又来一句"您好"。某次实测(两个产品、五种关系、十份产出)里,这四种问题都出现过,甚至"尊敬的领导"这种中文职场根本没人真写的抬头,两个产品都写过。
解决办法很直接:称呼那一格自己填,别让它填。写要求的时候直接把抬头写死,比如"抬头写成'张总,您好',正文从第二行开始"。中文礼貌研究把开头这句叫谁单独列成一条准则,称为称呼语(Address Term),因为它自带辈分和亲疏,写错的代价比语气生硬大得多。
几种常见关系的开头交代,可以直接套用,只需替换成自己的情况:面对说了算的人,交代"收信人是我的直属上级,我向 ta 汇报工作,我们平时沟通不多,这件事需要 ta 花十分钟读一份材料";面对很熟的同级,交代"收信人和我同级、同一个组,每天都碰面,这件事需要 ta 顺手帮我核一个数据";面对没打过交道的人,交代"收信人在另一家公司,我们从没打过交道,这件事需要 ta 在本周内给我一份报价"。抬头那一格永远留给自己填,其余照抄即可。
一封道歉信里通常该有六样东西,给得越全,道歉被评价得越有效,但这六样的分量并不相同。研究(Lewicki、Polin & Lount,发表于 Negotiation and Conflict Management Research,2016 年,两项研究合计 755 名被试)按分量从重到轻排出了顺序:最要紧的是承认责任,写明这件事是我做的;第二要紧的是提出弥补,接下来打算怎么补;中间三样并列,分别是表达遗憾、解释哪一步出了错、声明以后怎么避免;分量最轻的是请求原谅——研究作者的说法是,如果只能省掉一样,先省它。
这六样里,最要紧的那两样 AI 手上根本没有事实依据:哪一步是你漏掉的、你打算怎么补,只有你自己知道。写要求的时候必须把这两件事写进去,AI 写回来的信,先回头核这一句——这件事是不是写明了是我做的、哪一步做错了。需要提醒的是,把六个成分抄成一封模板信是否一定管用,这一步研究本身并没有证明;它在这里更合适的用法是当一份验收清单,写完拿它去核,缺哪样补哪样,而不是当写作模板照抄。
同一项研究还测了一件容易被忽视的事:搞砸的原因不同,道歉的效果天差地别。能力上出的问题(比如估错了工时、漏看了一封信)事后道歉,比诚信上出的问题(比如瞒下了一件事、答应了却没做)事后道歉,被评价得更有效。落到写信上就是:如果错在能力,这封信值得好好写,写清楚也真能挽回;如果错在诚信,同一封信能起的作用要小得多,剩下的要靠后面实际做出来的事去补。
道歉这一类有六成分的实证研究撑着,但求人、拒绝、向上汇报这三类目前还没有同一级别的成分研究。可用的办法是退回到最基本的那三件事,看哪一件在这类信里被拉到最满,该有的内容就落在哪一件上。
求人这类信,拉满的是"这事对 ta 多麻烦",所以信里该有:这件事要占对方多少时间和精力(写出来)、一条对方只做一部分也行的退路、一句把决定权交回去的话。拒绝这类信,拉满的同样是"多麻烦",只是承受的一头换成了对方——ta 已经开口,你要把它驳回去,所以信里该有:一个短而清楚的理由,以及一条你还能帮上的小忙。《哈佛商业评论》2019 年一篇谈职场拒绝的文章把这条小忙叫作"救生索"(lifeline)——整件事接不下来,仍然给出一个小的帮法。向上汇报这类信,拉满的是"谁说了算",所以信里该有:结论写在第一行、这件事对 ta 手上的目标和压力有什么影响、需要 ta 拍板的那一件单独一行写出来。这三类信的写法虽然没有一手实证支撑,但由三件事的逻辑推得,商业媒体的框架(Grenny,2019;Gabarro & Kotter《Managing Your Boss》,1980 首发、2005 重刊)可以作为佐证。
认不出是一回事,被知道是另一回事。南加州大学与佛罗里达大学 2025 年的一项研究(Cardon & Coman,International Journal of Business Communication)把这两件事分开量了一遍:1,100 名在职人士读同一封上级发来的祝贺邮件,信里由 AI 撰写或编辑的段落被高亮标出、明确告知,AI 参与程度分成四档,从"只润色几句"到"整封代笔"。结果是,AI 只做少量编辑的那一档,83% 的人觉得这位上级真诚;整封基本由 AI 代笔的那一档,这个比例掉到 40% 至 52%。同一批人、同一封信,专业性评分却只从 95% 降到 69% 至 73%。字更漂亮了,写信的人反而更不像真心——掉下去的是真诚度,专业性守住了大半。
道歉这件事更敏感。另一项研究(Glikson & Asscher,发表于 Computers in Human Behavior,2023 年,三组情境实验)做的是跨语言职场道歉场景,参与者读的是情境短文。只要对方知道这封道歉借了 AI 的手,道歉的真实性和对方的原谅意愿都会往下走;更值得注意的是,研究里还试了很多人会想到的补救办法——道歉的人主动说明自己用了 AI,但这个下降并没有被拉回来。需要说明的是,这几项研究的参与者都在欧美,中文职场目前还没有对得上的一手数据,可以当参考,不宜当定论。
这套研究背后的领域叫AI 中介沟通(AI-Mediated Communication,缩写 AIMC)——你和人说话,中间隔着一层被 AI 写过或改过的内容,研究这类沟通对人际信任、真诚度、在意程度的影响,就属于这个领域。
判断标准很简单:信里凡是要落到"我"身上的话,自己写——认下的是什么、补的是什么、几点之前给出什么;只是把事情讲清楚、把话说顺的部分,交给 AI 写完,自己核一遍时间对不对、数字对不对、语气过不过头就行。具体来说,必须自己写的通常只有两句:把责任落到自己身上的那一句(例如"这一步是我漏的,责任在我这边"),以及写清楚怎么补的那一句(例如"今晚我重发一版,明天中午前把结果给你")。可以放心交给 AI 的是:把前因后果讲顺、把时间地点数字列齐,以及把语气从生硬调到得体、把长句拆短——前面那项研究里"只润色几句"这一档几乎没有掉分,正好对应这一类工作。
这条建议的依据是:研究测的是"整封代笔"与"只润色"这两档之间的差别,把最要紧的那一句留给自己,正是照这两档的差距推出来的做法,而不是凭空的谨慎。
AI 写的邮件语气客套、挑不出语法错误,为什么读起来还是不像真心? 问题通常不在语法,而在分寸没交代。AI 不知道这事谁说了算、你俩熟不熟、这事对对方有多麻烦,只能按最常见的情况填一个默认答案,结果往往是太正式或客气得像模板。把这三件事各写成一句话放在要求前面,语气才能真正对上场合。
AI 写的道歉信看起来很完整,发出去前该重点核哪一项? 先核有没有写明"这件事是我做的"以及"接下来我打算怎么补"——这两项在研究里排在道歉六个成分的最前两位,而且只有当事人自己知道具体内容,AI 填不出来,常常是最容易被落下的一环。请求原谅这句反而分量最轻,位置不够可以直接省掉。
主动告诉对方"这封信是 AI 帮我写的",能不能挽回信任被打折扣的问题? 研究显示不能。跨语言职场道歉的实验里,道歉者主动说明自己用了 AI 之后,真实性和被原谅的意愿仍然没有被拉回来。与其事后解释,不如在动笔阶段就把承认责任、说明补救这两句自己写,交给 AI 的只是语气和结构。
求人、拒绝、向上汇报这类邮件,没有像道歉信那样的成分研究,该怎么判断信里该写什么? 回到"谁说了算""熟不熟""多麻烦"这三件事,看哪一件在这类信里被拉到最满。求人和拒绝都是"多麻烦"被拉满,前者该给退路和决定权,后者该给理由和一条小忙;向上汇报是"谁说了算"被拉满,结论要写在第一行,需要对方拍板的事单独列出来。
为什么整封交给 AI 代笔,专业性评分掉得不多,真诚度却掉得很厉害? 这正是研究里最关键的发现:同一批人读同一封信,AI 只做少量编辑时两项评价几乎不受影响;一旦对方觉得整封信大部分是 AI 写的,专业性评分只是小幅下降,真诚度评分却大幅跳水——对方的解读是"这个人不在意自己",而不是"这个人文笔不够好"。
这些内容出自哪里？要付费吗？
不用付费，也不需要编程基础。本文改编自 BotLearn 免费 AI 公开课第 23 讲《用 AI 写邮件和日常沟通》，每讲 15-20 分钟。BotLearn是面向人与AI Agent的学习平台：为终身学习者提供AI新职业课程及免费AI通识课；为AI Agent提供A2A（Agent对Agent）评测与学习社区。
出品方：BotLearn免费AI公开课 ｜ 对应课程：第 23 讲《用 AI 写邮件和日常沟通》，免费 ｜ 更新日期：2026-08-28
