一个客户上个月发来了一份幻灯片，并附言：“AI 写了大部分内容，你能帮我修改一下那些听起来像是 AI 写的部分吗。” 仔细思考后，这个请求确实有些奇怪——她无法指明具体哪句话有问题，只是有一种模糊的感觉，每张幻灯片都像是出自同一个略显过于自信的叙述者之手。但实际上并非如此。这份幻灯片的一半是由 ChatGPT 写的，另一半是 Claude 写的，这些内容被随意拼凑在一起，没有人决定哪个工具负责哪个任务。

通常，“AI 写了我的幻灯片”抱怨的根源并非在于输出质量差，而是在于没有明确的分工。

浪费两种模型的“写幻灯片”提示

大多数人会打开聊天窗口，粘贴一个主题，然后要求“关于 X 的 10 张幻灯片”。ChatGPT 和 Claude 都会乐意遵命，并且两者都会提供结构合理且语调一致的内容，与另一个模型生成的内容几乎无异。这并非对这两种模型的贬低——当你要求一个通用撰稿人同时承担编辑决策（如节奏、层次和决定哪些内容应出现在幻灯片上，哪些应在演讲时口述）时，就会出现这种情况。

幻灯片文字并非带换行符的文章。一个在句子中读起来通顺的标题，在幻灯片上往往读起来很糟糕——它过于完整，而一张幻灯片上的完整句子会让观众提前阅读，而不是专注于你的演讲。这种区别正是在一次性请求“10 张幻灯片”时会丢失的：模型会优化生成一段好的段落，然后事后将其分解为项目符号。

将任务分解后，每种模型的真正优势

在我的经验中，将相同的幻灯片文字任务同时通过这两种工具处理，差异主要体现在“质量”上并不明显，而是每种模型默认的思维方式不同。Claude 更倾向于保持一份长篇文章的论证结构——在需要将三段推理压缩成两行文字时，但不失逻辑的情况下，这种特性非常有用。ChatGPT 则更擅长快速生成选项——五种标题变体、三种表述数据点的方式——这在迭代语气时尤为重要，而不是构建论证。

这并非个人印象。PowerPoint 的新 Copilot 工具现在允许用户选择哪种模型处理特定任务，将 Claude 更多地引导到视觉、设计密集型工作，而将 OpenAI 的模型引导到研究密集型内容——这在某种程度上直接反映了 Microsoft 内部产品对每种模型强项的认知。

人们经常忽略的一点是：这并非永久的等级制度。无论是让其中一种模型优化一条标题，还是让其起草整个部分，差异几乎消失——差异实际上在于任务规模，而非原始写作能力。

将文字视为五个独立步骤，而非一次性处理

真正有效的方法是拒绝让任何一种模型一次性完成整个任务。相反，可以这样操作：

  • 大纲阶段：仅请求论证结构——暂时不生成幻灯片文字，只需明确每张幻灯片需要证明的内容及其顺序。
  • 标题阶段：将大纲反馈回去，并明确要求在硬性字数限制下生成标题。模糊的指示如“保持简短”经常被忽视；数字不会。
  • 项目符号阶段：明确要求平行的语法结构——“每个项目符号以动词开头”或“保持每行不超过 8 个字”。没有这种限制，你会得到一系列片段和完整句子的混合，即使每行单独看起来都很合理，整体阅读起来也会不均衡。
  • 演讲者备注阶段：单独的提示，因为刚刚撰写紧凑幻灯片文字的模型会继续保持紧凑——而演讲者备注需要相反的直觉，更多的空间呼吸。
  • 压缩阶段：将整个幻灯片集粘贴回去，并询问哪些内容可以被删除。这一步可以捕捉到逐张幻灯片看起来不重复，但整体阅读起来却明显重复的问题。

五个步骤看起来比一次性提示慢，但实际上并非如此——一次性提示的版本通常需要三到四轮“缩短、减少通用性”的修改，只是每一轮修改的目标不明确。

两种模型都无法解决的字数限制问题

这里有一个让仅使用这些工具撰写完整段落的人感到惊讶的部分：ChatGPT 或 Claude 都没有可靠的内在感知，即一行文字在幻灯片文本框中实际会如何排列。一个技术上只有 40 个字符的标题，仍可能因模板的字体大小和列宽而不适当换行。请求“一个简短的标题”，你会得到一个在模型判断下简短的标题，而不是相对于你具体布局的简短标题。

解决方案并不华丽：给模型提供来自模板的实际限制——“这个标题框在一行内大约可以容纳 45 个字符，之后会换行”——而不是主观的形容词。一旦这样做，两种模型都会严格遵循这个数字。在这样做之前，你是在与猜测进行谈判。

两种模型共同陷入的失败模式

如果推动任何一种工具生成“战略性”的语言，你会得到相同的几个词汇回应——《协同》（synergy）、《路线图》（roadmap）、《生态系统》（ecosystem）、《利用》（leverage）。这并非真正的 AI 问题；而是紧张的人类作家在一个平淡的句子“听起来太薄”时的本能反应。这些词是否真正值得出现在幻灯片上，或者只是在尚未做出决定时起到填充作用，需要逐例判断——删除模型提供的所有实例并非自动改进，保留所有实例也并非自动改进。

另一个共同的失败模式是过度自信而缺乏校准。如果请求任何一种模型提供支持性统计数据，它通常会给出一个——有时是真实的，有时是听起来合理但无法追溯来源的数字。将幻灯片上任何 AI 生成的数字视为占位符，直到你验证过能够指向的来源，而不是视为最终事实。

Zebracat 在 2026 年的使用数据回顾显示，商业专业人士在 2025 年使用 ChatGPT 用于幻灯片和报告的比例为 68%，而学生群体为 39%——这表明这种做法已经相当普及，但并不意味着输出已经可靠。这是两个不同的声明，混淆它们会导致未经验证的数字出现在真正的投资者或客户面前的幻灯片上。

写作阶段比整体生成阶段更重要

直接跳过“生成整个幻灯片集”的工具，并将文字视为布局的副产品，这是有诱惑力的。但这样会颠倒优先级。观众对幻灯片的注意力前期会集中在前几张幻灯片，这意味着你花费最多编辑时间的几行文字通常应该是模型最先、最快起草的内容——而不是在视觉模板锁定后的附带考虑。在任何工具触及设计之前，先将开头的论证写好，用纯文本表达。

回到那个客户的幻灯片：一旦我们将工作分解——Claude 负责论证结构和密集的比较幻灯片，ChatGPT 负责标题变体和快速重新表述——“听起来像 AI 写的”评论就不再出现。这并非因为任何一种模型 overnight 变得更聪明，而是因为不再要求同一种模型同时扮演战略家和撰稿人的角色。这通常才是真正的解决方案，而非任何提示技巧：在打开聊天窗口之前，先明确你雇用模型来做什么工作。