没验收的产出不是资产，是负债
先记住一个有点刺耳的判断：一段你没检查过的 AI 产出，在你的账上应该记成负债，不是资产。
为什么？因为它用起来像资产——能交差、能填坑、看起来像那么回事——但里面埋着未知数量的错误。每个错误都是一颗定时炸弹：报告里错的一个数字，会在客户会议上爆；代码里错的一个边界条件，会在上线当晚爆。没验收就入库的东西，你是在赊账，利息照算。
这就是为什么第五章说「切到能验收」：切分只是让验收可能发生，这一章讲的是验收怎么真的发生。
流利不等于正确
评审 AI 产出最大的心理障碍，是它写得太顺了。排版整齐，语气自信，滴水不漏——人脑对流畅的东西有天然的信任倾向，这在心理学上叫「流畅性启发」：读起来越顺，越觉得对。
对 AI，这个直觉必须手动关掉。它把错话写得和对的话一样顺，这是它的工作原理决定的：它生来就是在生产「看起来像样的话」，正确性是额外的、不保证的属性。你越觉得「这段写得真好，应该没问题」，越要小心。
大白话：AI 的自信是出厂设置，不是质量保证书。
质检线分三层
评审不是「通读一遍看看顺不顺」。工厂质检也不是老师傅从头摸到尾，而是分层：
第一层：能机器验的，绝不人眼看
数字、链接、引用、代码——这些有客观对错的东西，最不该用眼睛抽查。数字加总用程序核一遍，链接点开看死没死，代码跑测试。AI 写的代码之所以是 AI 产出里最好管的一类，恰恰因为测试这层自动质检是现成的：跑过了就是跑过了。
第二层：判断性的内容，抽样深查
观点、论证、措辞——没有客观对错，但有好坏。不必每段都细读，抽几段往深里问：这个论据成立吗？这个结论跟前面的数据对得上吗？抽到的合格率高，整批放行；抽到一个严重问题，加严再抽。这是质检行业用了一百年的抽样逻辑，直接搬过来就行。
第三层：错了会死人的，全查
对外发布的数字、法律口径、不可逆的操作——代价不对称的地方，不适用抽样的经济学，必须全查，最好换人、换方法交叉查。
用 AI 审 AI
一个越来越实用的手法：让另一个 AI（或同一个模型换个身份）当评审。做法是明确的对抗姿态——「假设这份报告里有三处硬伤，找出来」「以挑刺为乐，逐段攻击这个方案」。
这为什么有效？因为生成和评判是两种不同的能力，评判往往更容易——就像改别人的文章比自己写容易。让 AI 挑 AI 的刺，等于花几分钱雇了一个不知疲倦的质检员。当然它不是万能的（它可能漏，也可能误报），所以它是第二层抽样的好帮手，而不是第三层全查的替代品。
评审要算进总账
最后一个提醒：评审花的时间，是 AI 工作流的正常成本，不是意外损耗。算「AI 帮我省了多少时间」的时候，必须把验收时间记进成本栏。记完之后账还是漂亮的——验收一份东西远比从头做一份快——但只有记了这笔账，你才知道哪些任务用 AI 真划算，哪些其实不划算。
产出验收合格了，然后呢？大多数人让它们在聊天记录里沉底。下一章要讲的是这本书最核心的一次观念转换：从管理「会话」，到管理「结果」。