两个演示文稿落在同一个桌子上。数据相同、同一季度、同一个请求。一个是由花费四小时将数据转化为故事的人制作的。另一个则由AI工具在90秒内从电子表格中生成。哪一个能让观众说“同意”呢？

诚实的答案是：这取决于你指的是“论证”的哪个部分。而这种区别——在结构信息与实际论证之间——正是大多数关于AI与人类制作演示文稿的比较中出错的地方。

一个论证是主张，不是布局

在比较谁做得更好之前，明确一个演示文稿的论证究竟是什么非常重要。它不是项目清单，也不是过渡。一个真正的论证是一个链条：一个主张、支持它的证据，以及每一张幻灯片回答前一张幻灯片提出的问题的顺序。

这正是麦肯锡构建幻灯片论证的结构背后的逻辑——标题陈述结论而不是标记主题，在任何人触及布局之前先经过逻辑顺序的测试。这在这里是一个有用的衡量标准，因为它将两种非常不同的技能区分开来：组织你已经知道的内容，以及决定什么实际上值得被主张。

AI在这第一点上表现出色，但在第二点上比大多数人想象的更不稳固。

AI真正领先的地方

将一个混乱的电子表格和一个粗略的目标交给AI工具，它会比大多数人打开空白演示文稿更快地生成一个可信的幻灯片序列。它擅长匹配结构模式：问题-解决方案-证明、情况-复杂性-解决方案、按时间顺序构建。它不会在第十四张幻灯片中间疲惫不堪，然后将四个图表塞进一张幻灯片里，因为“我们有这些数据”。

大规模的采用也支持这一点。德勤2025年Z世代和千禧一代调查发现，多数——57%的Z世代受访者和56%的千禧一代——已经在工作任务中使用生成式AI，其中包括内容创作、演示文稿设计和布局。这已经不是边缘行为，而是更接近默认的首选方案了。

我毫不犹豫地承认这一点：AI作为第一稿的组织者比大多数人给予它的信任更好。它很少会生成像匆忙的人类演示文稿那样混乱、每张幻灯片包含三个主题的混乱局面。

它悄然停止成为论证的地方

这里的部分内容不会出现在仅关注速度的“AI对人类”比较中。一个组织良好的主张序列并不等同于一个*真实*的主张序列——而AI没有可靠的方法区分数据实际支持的结论和仅仅听起来像是合理的结论。

让AI工具从电子表格中构建一个增长故事，它会自信地写下“第三季度强劲动力”，即使底层数字是一个四舍五入的误差或一次性合同续签。无论证据是否扎实，它都会用同样的确定语气写作，因为语气不是它真正在推理的内容——它只是一种风格上的默认设置。一个技巧熟练的人类制作相同的演示文稿时（至少应该）会停下来问，这个主张是否真的值得被主张。

这是在投资人演示文稿中出现的相同错误模式，其中动态增长幻灯片是创业者演示文稿中不诚实的地方——虚假指标被包装成看起来像是商业动力。AI起草这张幻灯片时不会自行发现不诚实的地方。它只是将手头的任何数字组织成一个自信的主张模式，因为这是它被训练去生成的模式。

图表比文字更快暴露差距

这里最明显的地方实际上不是在文字中，而是AI工具生成的用于“支持”论证的图表中。一个标签不明确的流程图、一个依赖连接的盒子对而含义不同的箭头、一个试图同时编码预算大小的流程图（通过盒子宽度）。每一个这些都是一种悄然破坏观众理解的图表错误，而不是明显破损的视觉——这正是为什么容易在不注意的情况下发布。

我不会说这完全是AI的缺陷。匆忙的人类在截止日期下也会犯同样的错误。但AI以高速度和数量生成这些错误，使得审查——有人实际应用每个图表的八秒测试——变得更加必要，而不是不必要。

那么谁真正获胜呢？

两者都没有绝对的胜利。更诚实的框架更接近：AI在结构竞赛中获胜，但在证据判断竞赛中失利，而一个有效的演示文稿论证需要两者才能真正说服观众。

经过观察两边各自以不同方式失败后，我得出的结论是：让AI进行首次组织——它确实比大多数人更快地将电子表格转化为主张序列。然后进行人类审查，其唯一任务是对抗性的：对于每一个主张标题，问“这个幻灯片上的证据是否真正支持这个主张，还是仅仅听起来像是支持的？”这一个问题能抓住AI构建的论证中大多数错误，而AI目前无法自问这个问题。

下次你被交付一个AI生成的演示文稿进行审查时，先跳过字体和布局。只按照顺序阅读幻灯片标题，就像测试麦肯锡的演示文稿一样，然后问自己：你会真正愿意大声为其中哪一个主张辩护呢？