警惕公益资助变成AI竞赛

本文首发于「愚人益语」公众号，经授权再发布于 insigoo 门户。原文链接：https://mp.weixin.qq.com/s/meZ0YkfujrWerU15BHFHbQ 在昨天，看到了tech4good引用方德瑞信的一篇文章—— 《现象背后（上）：当 AI 同时进入项目申请与评审》，这篇文章勾起了我共鸣。

去年夏天，帮基金会做大学生暑期实践活动的资助评审。30 个团队名额，100 多份项目申请书，100多支团队分别答辩，评审团进行评审。在这次评审中，大家有一个共同的感受：有一些项目计划看起来太”完美”了——问题分析完整，目标符合 SMART 原则，活动安排清晰，指标层级分明，风险预案周全，语言克制、专业、动人。

但答辩环节露了馅。

问团队负责人”你们这个社区对接计划怎么落地”，答不上来。问”团队成员分工是怎么讨论出来的”，说不上来。越问越发现，很多负责人自己都没搞懂项目书写了什么。一份看起来滴水不漏的方案，团队内部几乎没有讨论过，成员之间没有共识，连负责人都没完全理解自己要做什么。

这不是我一个人发现的问题，整个评审组都感觉到了。我当场提了一个预警：AI 正在改变项目管理的基本盘，为资助方的项目监管带来了新的风险，我们需要有应对方案。

三重脱节：AI 造了一个”看起来很对”的项目

事后复盘，我把那批项目书的问题归结为三层脱节：

第一层：人与文本脱节。 写的人不是做事的人。AI 生成速度快、语言好，但负责人可能只是把资助方的需求输进去、把结果交上来，自己都没认真读一遍。

第二层：文本与团队脱节。 方案没有经过团队讨论。成员不知道自己要做什么、为什么做、怎么做。拿到资助后大概率是散架的——因为没有共识。

第三层：方案与资源脱节。 AI 默认了很多隐含条件。“与街道办对接开展XXXX活动”，对大机构是一句话的事，但对一个人生地不熟的大学生团队，可能连街道办的门朝哪开都不知道。AI 生成的”最优方案”，默认了团队根本不具备的社会资源和执行能力。

我当时还对一个团队说了一句特别狠的话：“你们这个方案看起来全面地像是市政府写的政府工作计划，不像是大学生团队的暑期实践计划！”

三重脱节叠加的结果很反直觉： 一个越”完美”的方案，离真实的执行力可能越远。

今年情况更隐蔽了。

从”文本空心”到”Demo 空心”

今年又到了资助季，我们又看到了更”高级”的项目材料——有些团队直接用 AI Agent 做出了数字化系统的Demo。

在以前，一个团队要做一个数字化系统出来，需要考虑很多事情，需要事先对工作流、使用场景有严谨的思考才能做出来。但是在 Agent 时代，出一个 简单功能的Demo 几乎不需要动脑子。一句话提示词，Agent 就能生成一个可点击、可操作的原型，有时甚至都不需要提示词，有些智能体在帮团队写方案的同时，顺手就能把 Demo 做了。

这带来一个更大的迷惑性问题：Demo 能跑，看起来”东西都做出来了”，但运营逻辑、数据反馈闭环、内容供给机制、用户运营策略、应急处理流程——这些决定一个工具到底能不能用的东西，提出需求的人可能完全没有想过。

文本空心还能通过追问戳穿——问细节答不上来，就知道没理解。但 Demo 的迷惑性在于，它本身就在传递”这事成了”的假信号。一个能跑的原型和一支能持续运营的团队之间，差着十万八千里。

一个荒诞的对比

还有一个特别反直觉的现象。

有些团队花了几周时间认真讨论、盘点团队资源、梳理自身能力、了解社区真实需求，然后也用 AI 辅助写方案。但因为真实条件的约束——社区关系有限、团队成员时间不足、预算紧张——他们的方案里有真实的取舍、真实的不完美、真实的有限的社会影响力。

而另一类团队，把需求往 AI 里一丢，几分钟出一份方案，甚至顺手做个 Demo。因为没有现实条件的约束，反而产出了一份看起来”无限完美”的项目书。

你猜在传统的评审体系里，哪一份更容易通过？更别提现在有很多基金会已经开始用AI在对项目方案进行初筛了，很多看起来“价值有限、影响力有限”的项目，甚至根本到不了人力审核的那一关。

认真做事的人产出的材料，在 AI 时代的评审系统里反而可能处于劣势。 如果资助方还是按”文本越完美，项目越好”的老标准来筛选，这场游戏就不再是比谁的项目好，而是比谁会调 AI。

以前我们做资助，看的是团队的思考能力、洞察能力、资源整合能力、执行能力。但如果不做任何预防，资助会逐渐演变成一场 AI 竞赛——参赛的不是团队，而是他们用了哪个模型、写了什么样的提示词。

这不是我一个人的感受

回到方德瑞信的这篇文章《现象背后（上）：当 AI 同时进入项目申请与评审》。读完才意识到，我去年在评审现场感受到的那种不安，不是孤例——它正在被越来越多的人看见，也开始被严肃讨论。

那篇文章里提到一个概念让我觉得特别精准： 古德哈特定律——“当一个指标成为目标，它就不再是一个好指标。”

放到资助场景里就是：我们真正想判断的是项目价值、组织能力和社区关系；但 AI 和评分系统更容易判断文本结构、材料完整性和叙事是否顺滑。如果不加治理，项目申请就会从”呈现真实工作”转向”生产可审核文本”。

更值得警惕的是，这件事在国际资助领域已经不只是讨论了，已经进入政策层面。美国国立卫生研究院（NIH）发现，有项目负责人在一个申请轮次提交超过 40 份不同的申请，其中一些明显由 AI 生成——他们认为这正在挤压评审系统。斯宾塞基金会（Spencer Foundation）走得更远：允许申请人把 AI 作为辅助工具，但要求披露使用情况；同时 明确禁止评审员在评估项目申请书和撰写反馈时使用生成式 AI。

这些都不是”要不要用 AI”的讨论了，而是”AI 已经进入资助流程，我们怎么守住判断力的底线”。

但 AI 不是敌人

说到这里，我必须把话说平衡。

目前很多资助方也在用 AI 做评审辅助。我们自己的工作室，也在为基金会自研公益项目社会影响力评估的 Skill——用 AI 来辅助项目影响力评价。AI 在初审筛查、材料完整性校验、风险提示等环节，确实能大幅提高效率，让评审团队把精力集中在更有价值的判断上。

更重要的是， AI 完全可以用在好的地方。

现在已经有大量专家型 Skill 和 Agent，能帮助项目团队快速理清自己的项目框架和执行逻辑。团队可以用 AI 做项目诊断，让工具帮自己发现盲区，把方案设计得更扎实。一个团队如果先认真讨论、盘点资源、梳理能力，再用 AI 来辅助表达和查漏补缺，产出的方案会比纯手工更完整、比纯 AI 更真实。

好的用法是： AI 帮你整理你的真实经验，而不是替你编造你没有的东西。

问题从来不在于”能不能用 AI”，而在于区分两种用法：

• AI 作为整理工具： 团队有自己的洞见和共识，AI 帮助把想法表达得更清楚、逻辑更完整
• AI 作为代写捷径： 团队完全依赖 AI，没有任何自主思考和团队共识

我们要警惕的是后者，不是前者。

我的应对：不看文本，看能力

面对这个问题，作为评审方，能做的核心动作其实很简单—— 不再把项目方案的文本质量作为主要判断依据。

方案写得再好，也要追问：

• “这个社区对接计划，你们跟对方联系过吗？对方什么态度？”
• “你能进一步描述一下项目书中提到的XXX概念吗？为什么要提这个概念？”
• “这个分工表是你们团队一起讨论的还是你一个人定的？”
• “这个系统上线后谁负责每天维护，运营团队谁来管理？外部资源谁去对接？用户数据多久看一次？看了之后谁做决策？”

本质上，评审的焦点需要从”看产出”转向”看能力”——不再判断方案好不好，而是判断团队有没有能力、有没有资源、甚至有没有意愿和动机执行他们写下的方案。

AI 初筛不是问题，问题是标准和温度

上面说的都是评审环节的应对。但还有一个更根本的问题，出在筛选流程的前端。

现在不少资助方已经开始用 AI 对项目材料做预审——在人工介入之前，先筛一轮。这本身是有价值的：AI 可以快速识别内容填写不规范、材料缺失、格式不达标的申请，帮评审团队省下大量基础筛查的时间。

但问题在于，AI 预审如果只看方案文本，就会天然偏袒”写得好”的申请——逻辑顺、表达专业、影响力叙事打动人。而留下来的，恰恰是那些文本最”完美”的方案。一个社区关系扎实、执行力靠谱但表达粗糙的团队，可能在第一轮就被筛掉了。

所以 AI 初筛不是不能用，而是 工作流里必须加一环：置信度评估。

置信度评估的逻辑是：在 AI 对项目方案做筛选之前，先对申请团队做一次基础审核——团队背景、成员构成、过往经验、社区关系、可用资源。这些信息相对客观，不容易被 AI “优化”，却能反映一个团队的真实底子。然后把这个审核结果转化为对项目方案的置信度评价：底子扎实的团队，方案可信度自然更高；底子薄弱、背景模糊的团队，即使方案写得再漂亮，也要打个问号。

这个置信度评估可以嵌入 AI 筛选的工作流中，作为方案评审的权重因子——不是替代 AI 初筛，而是让 AI 在真实能力的基线上做判断，而不是只看文本”好不好看”。

另外还有一点： 对资助方来说，针对申请者的前期尽职调查，在 AI 时代的重要性可能比以往更大。 以前方案文本本身就是一种”验”——写得不行的，大概率也做不好。现在这条经验不再成立了。文本可以被 AI 优化，但团队的底子没法编。背调和验资，才是资助方手里最不容易被 AI 稀释的判断工具。

最后还想说一句： 资助方也不能完全依赖 AI。 在必要的环节保留人工介入和人工引导，不是效率低下的表现，而是必要的、负责任的、有温度的表现。一个团队在答辩时被追问后坦诚说出”这块我们还没想清楚”，资助方在接收到信息后表示“我们一起来想”——这个瞬间，AI 看不到，只有人能感受到其中的真实和诚意。资助从来不只是筛选方案，也是人和人之间建立信任的过程。这个温度，不该被省掉。

写在最后

AI 会减少低价值文书劳动，这是好事。但它也会削弱项目方案作为真实能力信号的可靠性，这是我们需要正视的风险。

最让我担心的是那个荒诞的对比：认真准备的团队，因为真实条件的约束，产出的方案反而不如一句提示词生成的方案”完美”。如果我们不调整资助逻辑，我们就在奖励”AI 用得溜”，而不是”项目做得实”。

资助的初心从来没有变过——把钱和陪伴给到那些真正理解问题、有能力执行、值得长期支持的团队。只是 AI 时代，判断这件事的难度变高了。

我们需要建立新的评审标准，不是阻止 AI 进入资助流程——那既不现实也没必要。而是确保 AI 辅助的是”真实”，而不是掩盖”真实”。

---

本文基于作者参与基金会资助评审的实战洞察，经个人梳理观点后由AI辅助完成撰写

[1] 方德瑞信《现象背后（上）：当 AI 同时进入项目申请与评审》

[2] NIH, NIH Guidance on the Use of Artificial Intelligence for Grant Applications, 2025

[3] Spencer Foundation, Generative AI Policy for Applicants and Grantees

insigoo · 公益 × AI

预览时标签不可点

Scan to Follow

Got It

Scan with Weixin to

use this Mini Program

CancelAllow

CancelAllow

CancelAllow

×分析

微信扫一扫可打开此内容，

使用完整服务

: ，，，，，，，，，，，，.VideoMini ProgramLike，轻点两下取消赞Wow，轻点两下取消在看ShareCommentFavorite听过