那個用 AI 寫食記的美食部落客，被店家抗議
第二點是「錯誤的推薦理由」。有些描述雖然「存在」，但理由完全錯置。例如把連鎖供應商的冷凍麵條寫成「手工現擀」，把中央廚房的調理包寫成「老闆每天清晨現熬」。這種錯誤比第一點更麻煩，因為它不會立刻被讀者發現，卻會長期侵蝕店家的定位。
第三點是「未經同意的代言」。店家表示，該篇文章把他們形容成「文青小店」、「適合約會」，導致大量帶著錯誤期待的客人上門，有人一進門就問「你們的招牌甜點呢」，但他們是賣麵的，沒有甜點。老闆說了一句很實在的話：「我們不怕被批評，怕的是被寫成另一家店。」
至於部落客的回應，則大致落在「AI 只是輔助」、「靈感來自多次造訪的綜合印象」、「沒有收取任何費用」這幾個方向上。這些說法在技術上未必說謊，但在倫理上很難過關——因為讀者要的不是「你有沒有說謊」，而是「我能不能相信你寫的東西」。
二、AI 食記的生成邏輯：為什麼它讀起來那麼順、卻那麼空
2-1 大型語言模型的「美食語料」是怎麼煉成的
要理解這類爭議，得先理解 AI 是怎麼寫出一篇「看起來很專業」的食記的。
大型語言模型的本質，是從海量文本中學習「詞語與詞語之間的共現機率」。它並不是真的吃過那碗麵，而是知道「麵」這個字附近，經常會出現「彈牙」、「Q 彈」、「帶著麥香」、「吸附湯汁」這些詞；它也知道「湯」的旁邊，通常會接「清甜」、「濃郁」、「回甘」、「不死鹹」。
換句話說，模型學到的不是「食物的味道」，而是「談論食物時人類的語言習慣」。這件事讓它能寫出高度符合閱讀期待的句子，卻也決定了它的天花板：它只能寫出「平均而言最像食記的食記」，而沒有辦法寫出「這家店獨有的、不平均的那一點」。
更關鍵的是，模型有一種強烈的「討好傾向」。在訓練過程中，人類評分者偏好正向、具體、有畫面的描述，於是模型也學會了往那個方向靠。結果就是：AI 寫出來的食記，幾乎不會難吃。它會說「口味見仁見智」、「偏清淡的路線，喜歡重口味的朋友可能要斟酌」，但很少會直白地說「這道菜不行」。
這就產生了第一個結構性問題：食記最有價值的部分，恰恰是「負評」與「取捨」。告訴讀者什麼好吃很重要，但告訴讀者「哪一道可以跳過」、「哪個時段不建議去」、「這個價位你該期待什麼」，才是真正降低讀者決策成本的地方。而 AI 天生不擅長這件事。
2-2 五個辨識 AI 食記的細節線索
那讀者要怎麼判斷一篇食記是不是「AI 味」很重？以下是社群上最常被提到的幾個線索，整理出來給大家參考。
線索一：形容詞的密度過高，但具體名詞很少。「濃郁」、「層次豐富」、「香氣撲鼻」、「口感絕佳」這類詞出現頻率異常高，但整篇看不到「幾塊肉」、「幾顆蛋」、「幾點去排隊」、「多少錢」。真正吃過的人，記得的往往是數字與細節，而不是形容詞。
線索二：段落結構高度對稱。每段幾乎都是「環境描述 → 主餐描述 → 小菜描述 → 服務描述 → 結論」，段落長度也差不多。人類寫作通常會有明顯的偏重——特別好吃的會寫三行，普通的一行帶過。AI 則傾向平均分配。
線索三：沒有意外、沒有插曲、沒有情緒轉折。真實的用餐經驗一定會有雜訊：隔壁桌很吵、等了三十分鐘、餐具沒洗乾淨、老闆多送一盤小菜。AI 生成的文章太乾淨了，乾淨到不像真的去過。
線索四：時間與地點線索模糊。「位於巷弄內」、「交通便利」、「附近有停車場」——這些話永遠不會錯，也永遠沒什麼用。真正去過的人會寫「從捷運站走過來大概七分鐘，中間會經過一個菜市場」。
線索五：推薦清單的邏輯很「通用」。「必點：招牌主餐、人氣小菜、季節限定飲品」——這種清單放到任何一家店都成立。這是 AI 最典型的產出，因為它給的是「最大公約數」，而不是「這家店的答案」。
把這五點放在一起看，就會發現一件事：AI 食記的問題不在於「寫得不好」，而在於「寫得太像好文章」。它通過了文法檢查、通過了可讀性檢查，卻唯獨沒有通過「你有沒有真的坐在那裡」這一關。
三、店家為什麼生氣？不只是「不實」而已
3-1 商譽、SEO 與「被代言」的焦慮
很多人第一時間的反應是：「寫錯菜名有這麼嚴重嗎？改掉就好了。」但如果站在店家的角度，就會發現傷害是多層的。
首先是商譽層面。一家店的定位是靠長期累積出來的，而一篇高流量的文章可以在短時間內改寫外界對它的認知。當文章把一家小吃店寫成「文青咖啡廳風格」，接下來上門的客人就會帶著錯誤期待，然後失望、然後給負評、然後形成新的錯誤認知。這是一個自我強化的循環，而店家完全沒有參與的機會。
其次是SEO 層面。這一點是最容易被忽略、卻最難清除的。當那篇 AI 生成的食記佔據了店名的搜尋結果前幾名，它就會變成事實上的「官方介紹」。店家即使自己有網站、有社群，也不見得能把它壓下去。更麻煩的是，現在 AI 搜尋引擎（如生成式搜尋、AI 摘要功能）會抓取這些內容作為答案來源。也就是說，一篇錯的食記，可能透過 AI 被再生產成無數篇更錯的答案。
第三是「被代言」的無力感。店家沒有委託、沒有審稿、沒有同意，卻被寫成某種樣子，還要承受隨之而來的客流結構改變。有店家就提到，被寫成「排隊名店」之後，熟客因為排不到而流失，新客則因為期待過高而留下負評，最後兩邊都不討好。
3-2 小店的生存現實：一篇錯評可能抵掉半年努力
連鎖品牌有公關部門，遇到這類問題可以發新聞稿、可以要求平台下架。但台灣多數的餐廳是小店，老闆一個人顧外場、一個人顧廚房，晚上收攤還要去市場採買。他們沒有能力監測網路聲量，也沒有資源處理爭議。
對這樣的店來說，網路評價的影響力卻格外巨大。因為小店沒有品牌光環，客人上門前唯一的判斷依據就是「網路上怎麼說」。一篇寫錯的食記，對連鎖店可能只是「小困擾」，對小店卻可能是「直接影響營收」。
更何況，這類爭議通常發生在店家最沒有防備的時候——不是被批評，而是被「過度讚美」。老闆說得很直白：「他寫我們很好，我要怎麼抗議？我一抗議就好像我不識好歹。」這種「被讚美卻無法拒絕」的處境，正是 AI 時代小店最弱勢的地方。
四、讀者、平台與演算法：一場三方共謀的信任危機
4-1 讀者要的是「資訊」還是「感覺」
如果只把責任推給部落客，那這篇討論就會變得太簡單。因為這個生態之所以能運作，讀者也扮演了角色。
捫心自問：我們點開一篇食記，真正想看的東西是什麼？多數時候，我們想看的其實不是「這道菜的實際味道」，而是「我如果去這家店，會是什麼感覺」。我們想要一種體驗的預演——燈光、氛圍、滿足感。而 AI 恰好非常擅長製造這種「感覺」。
這就是為什麼 AI 食記能快速累積流量：它精準命中了讀者的心理需求，甚至比真實食記更「好讀」。因為它去掉了所有讓人分心的雜訊：沒有等待、沒有失望、沒有老闆的碎念。它給了一個乾淨、美好、無摩擦的版本。
問題在於，這種「感覺」一旦脫離事實，就會變成一種集體的誤導。讀者以為自己在做消費決策，實際上是在讀虛構小說。
4-2 平台推薦機制如何獎勵「量大管飽」
再看平台這一端。無論是社群平台或搜尋引擎，推薦演算法獎勵的幾乎都是同一件事：能讓使用者停留更久、互動更多的內容。
這套邏輯對內容生產者釋放了一個非常明確的訊號：產量比品質更有效。因為十篇文章裡只要有一篇爆紅，整體流量就會被拉起來。而在這個「以量取勝」的賽局裡，AI 簡直是開外掛——它讓一個人可以產出過去需要一個團隊才能做到的內容量。
於是形成一個很不健康的循環：平台獎勵產量 → 創作者使用 AI 增產 → 大量同質內容稀釋了優質內容的可見度 → 讀者更難找到真實資訊 → 優質創作者因為流量下滑而退出。
這不是單一創作者的問題，而是整個注意力市場的結構性問題。那位被抗議的部落客，某種程度上也是這套機制的產物——他不是第一個，也不會是最後一個。
五、法律與倫理：台灣現行規範下的灰色地帶
5-1 公平交易法、民法與相關責任的可能邊界
那這件事在法律上到底站不站得住腳？這裡要先說明：以下只是一般性的討論，不構成法律意見，實際個案仍須由專業人士判斷。
第一個可能的方向是民法上的名譽與信用侵害。一般直覺會認為「名譽侵害」只發生在負評，但其實不然。如果內容陳述與事實不符，導致外界對店家的經營內容產生錯誤認知，進而影響其營業信用，仍有可能構成爭議。尤其是「明明沒賣的菜色」、「不存在的服務」，這類純粹的事實錯誤，舉證相對容易。
第二個方向是公平交易法上關於虛偽不實或引人錯誤表示的規範。如果文章實際上具有商業導流性質（例如附有導購連結、業配合作），而內容陳述不實，就可能落入相關規範的討論範圍。當然，若屬純粹個人分享、無商業對價，適用上就會有爭議。
第三個方向是著作權與平台的內容責任。如果文章中有使用店家官方文案、菜單圖片、他人攝影作品，且未經授權，也可能產生另外的法律問題。至於平台是否須負連帶責任，則涉及通知取下機制等實務運作。
實務上，這類爭議真正走到訴訟的極少，因為對小店來說，訴訟成本太高、時間太長。多數情況是在社群壓力下，由創作者修改或下架文章收場。但這也意味著：目前真正約束內容品質的，不是法律，而是社群舆论。而輿論，恰恰是最不穩定的機制。
5-2 標示義務：AI 生成內容該不該揭露
接下來這個問題，會是未來幾年最關鍵的爭論：用了 AI，需不需要說？
目前國際上的趨勢，大致朝著「分層揭露」的方向走：如果是完全由 AI 生成、且涉及事實陳述的內容，通常要求揭露；如果是人類主導、AI 僅協助推修，揭露義務就比較寬鬆。但不論法規怎麼訂，有一件事是確定的——揭露與否，不能成為掩蓋事實錯誤的擋箭牌。
換句話說，「我有標示 AI 參與」不能正當化「我寫了不存在的菜色」。標示解決的是「知情權」，查證解決的是「真實性」，這是兩件事，不能互相抵銷。
至於倫理層面，我個人傾向一個簡單的原則：只要內容會影響他人的消費決策或商業利益，就應該對「事實」負全責，不論這段文字是誰寫的。AI 可以是工具，但責任不能外包給模型。
六、內容創作者的求生指南：AI 可以怎麼用、不該怎麼用
6-1 把 AI 當編輯，不要當舌頭
講了這麼多問題，並不代表 AI 在內容創作裡沒有位置。恰恰相反，用得好，它可以大幅提升品質。關鍵在於一個比喻：把 AI 當編輯，不要當舌頭。
「舌頭」負責感受，這件事只有人能做的。你當下喝到的那口湯是偏鹹還是偏淡、老闆講話的語氣是熱情還是疲倦、店裡放的音樂是什麼——這些是 AI 永遠不會知道的，也正是一篇食記真正的價值所在。
「編輯」負責整理，這件事 AI 做得比多數人好。把口語筆記整理成通順段落、把散亂的照片描述組織成結構、檢查錯字與標點、生成三個版本的開頭讓你挑、把過長的段落拆開、把重複的形容詞換掉——這些都是很實際的幫助。
差別在哪裡？當 AI 處理的是「你已經觀察到的事實」，它是在幫你；當 AI 處理的是「它自己編出來的事實」，它就是在害你。而很多使用者分不清這條線，因為模型講得太有信心了。
6-2 一套可操作的「人機協作」食記流程
如果你也是內容創作者，這裡提供一套實務上可行、也能降低爭議風險的流程，供參考。
第一步：現場只做紀錄，不做評論。坐下來先拍照、記下菜名與價格、記下等待時間、記下你注意到的三個細節。這時候不要急著下評價，因為評價會受到當下情緒影響。用最樸素的語言寫，越醜越好，最好是只有自己看得懂的關鍵字。
第二步：把筆記丟給 AI，但明確限制它的任務。提示詞要寫清楚：「以下是我的現場筆記，請幫我整理成通順的段落，不得新增我沒有提供的任何事實，包括菜色名稱、價格、裝潢細節、服務人員描述。如果資訊不足，請直接留白。」加上最後那一句，可以大幅降低模型自行補完的傾向。
第三步：逐句核對事實。把 AI 產出的內容，一句一句對照你的照片與筆記。任何一個你無法用筆記佐證的句子，就刪掉或改寫。這一步最花時間，但也是唯一能真正防錯的步驟。
第四步：把「人的部分」補回去。加入一段 AI 寫不出來的東西：一個意外、一個對話、一個只有你注意到的細節。這一段通常會是整篇文章最有記憶點的地方，也是讀者判斷「這是不是真的」的關鍵。
第五步：誠實揭露。在文末用一句話說明 AI 參與的程度，例如「本文以現場筆記為基礎，部分段落經 AI 協助理順語句，所有事實陳述均經作者查證」。這句話不會扣分，反而會加分，因為它展示了你的專業態度。
這套流程的核心邏輯很簡單：讓 AI 處理語言，讓人處理事實。只要守住這條界線，AI 就是助力，而不是風險。
七、結語：餐桌上的真實，終究得由人來買單
回到那位被抗議的部落客。這起事件最後大概會以文章下架、公開道歉收場，然後在幾週後被新的話題淹沒。但它留下的問題不會那麼快消失。
我們正在進入一個「內容生產成本趨近於零」的時代。這意味著，未來你在網路上看到的食記、遊記、開箱文，會有愈來愈高的比例不是來自親身體驗，而是來自機率分布。它們會寫得很順、很有禮貌、很正面，並且幾乎不會錯得太離譜——但它們也不會告訴你，那家店的湯其實有點鹹，或者老闆那天心情不好。
而這些「有點鹹」、「心情不好」，恰恰就是我們為什麼要讀食記的原因。我們想知道的不只是「這家店好不好」，而是「一個跟我類似的人，坐在那裡的時候，感受到了什麼」。
這件事，AI 學得會語言，學不會身體。
所以，對創作者來說，真正該焦慮的不是「我會不會被 AI 取代」，而是「我寫的東西有沒有比 AI 多一點什麼」。那個「多一點什麼」，就是你親自走進去、坐下來、吃下那一口之後，只有你知道的事。
對讀者來說，或許也該練習一件事：在看到一篇「完美」的食記時，多問一句「這是誰寫的？他怎麼知道？」。這個小小的懷疑，是整個內容生態最後的防線。
對店家來說，則是一個現實提醒：在這個時代，你的店在網路上長什麼樣子，可能跟你在店裡做什麼一樣重要。多留意、多回應、必要時勇於發聲，不是為了對抗誰，而是為了讓真實的版本有機會被看見。
最後，用那位老麵店老闆的話作結。他在聲明的最後寫道：「我們店很小，沒什麼好寫的。但如果有人要寫，我希望他至少真的來吃過一碗。」
這句話很樸素，卻把整件事講完了。AI 可以生成一千篇食記，但沒有任何一篇，能替誰吃下那一碗麵。
餐桌上的真實，終究得由人來買單。
本文為「雅寶社區 · 頂客論壇」AI 趨勢分類專題內容，文中人物與店家均以事件性質討論為主，不針對特定個人進行評價。歡迎在討論區分享你遇過的「AI 味」內容，或你是店家、曾被錯誤內容困擾的經驗。
```
💬 想說點什麼？
歡迎到留言板分享你的想法、心得或疑問。
💬 前往留言板 →