如何用 AI 在 10 分钟内生成可审核的危机公关回复草案（品牌部门突然遇到负面舆情）

⚡ 阅读摘要

• 在 tola.work 的实操经验中，10 分钟内产出可审稿不是“神话”，而是方法与清单的结果。
• 本文给出一套可复制的 tola 实操法 流程：快速收集、AI 生成、人工校验。
• 包含可直接复制的生产级 Prompt、准备清单与 3–5 步执行流程，能节省约 2–3 小时。

今天上午 09:12，社媒突然出现一条关于公司产品安全的质疑帖。 客服截图在群里沸腾。市场同事发来截图，领导在 09:20 要一份“对外声明草案”交付审批。 团队里有人紧张到手抖，不确定先声明还是沉默，怕措辞不当引发法律或舆论放大。 你有两个选项：继续手工反复打磨，顶着时间炸弹；或者按步骤用 AI 在 10 分钟内先产出 1–2 个可审稿，再快速交给法务与高层确认。 现在，你需要一个能把风险可控地交到决策层的草案，而不是未经校验的“回应”。

为什么传统方法不再高效？

• 时间成本：传统内部讨论与审批链条长。手工起草、层级反馈、法律反复修改，常常耗费 2–6 小时甚至更久。
• 认知负荷：团队在情绪高涨时容易放大措辞风险，无法冷静判断优先级和边界。这会让每一次措辞都被反复拆解。
• 出错率 / 不确定性：缺乏统一模板与复核逻辑，容易出现法律风险词汇、未核实的事实陈述或过激语气，导致二次扩散。
  这是我们在 tola.work 中最常见的一类问题。快速可审的输出需要既速度又可控的“人机分工”。

【tola 方法论】人机协作解决模型

在 tola 实操法中，这一步的关键是清晰划分“判断”与“执行”边界。具体分工如下：

• 人负责：事实核验、法律/合规判断、对外口径决策、最终签字。人的任务是“判断”与“决策”，不能外包给模型。
• AI负责：舆情摘要、几版不同语气的回复草案生成、替换版式模板、给出风险提示词列表。AI做“执行”与“批量化输出”，快速把选择项摆在桌面上。

tola 实操法采用三步闭环：1) 快速收集（2 分钟内）事实并锁定约束；2) AI 生成 2–3 个语气/口径候选（6–7 分钟）；3) 人工核验并形成可审稿（1 分钟）。这套方法把“判断”留给人，把“重复性文本生成”交给 AI，从而在保证合规的前提下把时间从数小时压缩到 10 分钟级别。

实操指南

准备清单（表格）

执行步骤（约 10 分钟）

1. 快速收集（2 分钟）
   • 具体动作：汇总事件时间线、截取原帖关键信息、标注可公开事实与待核查项。
   • 示例输入/操作方式：在群里贴出表格；向客服索要原截图与 UID。
   • 模拟反馈或预期效果：得到一页一目了然的事实清单，节省后续来回沟通约 30–60 分钟。
2. AI 生成候选草案（6–7 分钟）
   • 具体动作：把事实清单和禁用词、目标受众输入模型，要求输出 2 个版本（安抚版与正式声明）并给出 3 条风险提示。
   • 示例 Prompt（简述）：“你是品牌公关专家，基于以下事实，生成两版声明并标注风险点。”
   • 模拟反馈或预期效果：获得 2 个可直接交给法务的初稿，节省约 1.5–2 小时写作时间。
3. 人工快速校验与决策（1–2 分钟）
   • 具体动作：法务检查禁用词、核对事实边界；品牌负责人确认口径与签发人。
   • 示例操作：对比 AI 的风险提示，确认是否需要撤回某一句。
   • 模拟反馈或预期效果：形成“合规+品牌一致”的可审稿，减少二次修改概率。
4. 备选：若需紧急发布，选择“最保守版”并加上“我们正在调查”的标准句，减少法律暴露。

参考 Prompt 模板

你是品牌公关与危机应对专家（角色设定）。
任务：基于下方事实，迅速生成两版对外回复草案（版本 A：安抚/客服话术，版本 B：正式声明用于媒体），并列出3条法律/合规风险提示与3条可替换语句（口径替换）。请严格遵守禁用词列表和公开范围。

背景事实：
- 事件时间：{填入时间线}
- 关键信息：{简要原帖内容}
- 可公开事实：{列出}
- 待核查事实：{列出}
- 目标受众：{公众/媒体/客户}
- 禁用词：{列出禁用词}

约束条件：
- 每个版本字数不超过 150 字；
- 不得陈述未核实的事实；
- 使用中性、冷静语气（除客服版允许温和安抚）；
- 标注所有“陈述事实”的来源（若无来源，标注为【待核查】）。

输出格式（JSON）：
{
  "version_A": "文本",
  "version_B": "文本",
  "risk_tips": ["...","...","..."],
  "replace_phrases": ["原句 -> 替换句", "..."]
}

• 适合使用 tola 实操法的场景：社媒突发投诉、产品安全质疑、服务中断等需要快速对外口径的情况。
• 修改建议：如需法律严审，可把“风险提示”项改为“按条给出引用法律条文和可能后果”；如需更正式稿件，增加“审批人签名字段”。

效果对比：使用前 vs 使用后

• 工作流程变化
  • 使用前：收集 → 多人反复修改 → 法务长时间审阅 → 发布（耗时 2–6 小时）。
  • 使用后：收集 → AI 生成 2 版可审稿 → 法务 1 次快速审核 → 发布（耗时 ≈10 分钟）。
• 时间投入变化
  • 使用前：平均 3 小时（中型事件）。
  • 使用后：约 10 分钟（人工核验 1–2 分钟），节省约 2–3 小时。
• 结果稳定性变化
  • 使用前：高变数，措辞易走样。
  • 使用后：一致性提高（统一模板与禁用词），二次风险显著下降。

进阶技巧 & 避坑指南

• ❌ 错误做法：把“是否公开”的判断完全交给 AI。
  ✅ 正确做法：AI 提供建议，人来判定公开范围与法律后果。

• ❌ 错误做法：要求 AI 生成长篇口水文以“显得诚恳”。
  ✅ 正确做法：用简短、明确的句子和标准句库，做到可复制与可审计。

• ❌ 错误做法：在未核实事实前发布“初步结论”。
  ✅ 正确做法：发布“我们已注意到并正在调查”的保守口径，保留沟通时间窗口。

• ❌ 错误做法：一次性把所有审批人拉入群里实时改稿导致混乱。
  ✅ 正确做法：明确审批链路（谁先审、谁最终签字），用 AI 产出的版本供“一次性”审批。

强调：人必须保留判断权。AI 提供选项，但不能替代法律和价值判断。

延伸与下一步

本文展示的是 tola 实操法中的基础模型。 下一步可以把常见事件类型（退款纠纷、质量投诉、数据泄露）模板化，接入自动监测脚本，实现“触发 → 自动收集 → AI 生成草案 → 人审”的半自动链路。 更多行业模版与审批流程规范，可在 tola.work 的相关专题中继续深入学习与落地。