一份寫錯的法案草稿：當 AI 湧入立法流程的細節地帶

2026 年 8 月 18 日，Politico 報導了一個正在美國國會內部發酵的現象：越來越多國會辦公室用 ChatGPT 和 Claude 撰寫法案草稿，這些文字大量湧入眾議院立法顧問辦公室，而律師們花在清理錯誤上的時間，比從頭自己寫還多。一件原本承諾提速的工具，在實際工作現場變成了減速的來源。

這件事值得從設計的角度看，因為它觸及一個老問題：一套對精度要求極高的書寫系統，遇上了一套對「大概正確」很寬容的生成系統。兩者介面上的摩擦，全部落在細節裡。

稅收抵免、減免、豁免：四個詞的距離

報導裡最有畫面感的細節，是 AI 草稿對稅務術語的混淆。稅收抵免（tax credit）、稅收減免（tax deduction）、稅收豁免（tax exclusion）與普通撥款（grant），這四個詞在一般語境裡幾乎可以互換，都是「政府給你錢或讓你少繳錢」的意思。但在法律文本裡，它們指向完全不同的計稅位置、適用資格與行政程序。一個字之差，執行時就是另一套制度。

另一個錯誤更隱晦。AI 對「州」這個詞的使用不夠精確，結果把華盛頓特區和部落國家排除在適用範圍之外。這不是語感問題，是美國聯邦法體系裡一組被反覆訴訟確認過的定義邊界。法律文本的設計原則恰好與行銷文案相反：它的每一個名詞都背著判例，不能靠上下文的氛圍兜攏。

律師兼科技人士阿裏・赫肖維茨指出，這類草稿還可能錯誤引用既有法規，向法律體系引入「數千個漏洞」。美國治理研究所執行董事丹尼爾・舒曼的判斷更直接：商業 AI 工具缺乏起草法案所需的細節關注能力與細緻的法律理解。

「看起來像法案」與「是法案」之間

這裡的癥結，和介面設計裡常見的問題同構。生成式 AI 最擅長的，是產出形似目標文體的東西：分節編號、條款語氣、「本條所稱」的句式，全都到位。視覺上它是一份法案。但法律文本的價值從來不在格式層，而在每一個術語是否對得上它引用的那部法。

這有點像把自然語言指令直接當成資料庫查詢語句來執行。查詢結果看起來有模有樣，但 join 條件錯了，資料就是錯的。差別在於一般軟體的錯誤會在測試階段爆出來，而法案草稿的錯誤被包裝在流暢的 prose 裡，需要一個受過訓練的律師逐句比對才能發現。審查成本沒有消失，只是從「寫」移到了「讀」，而讀一份隱藏錯誤的文本，往往比寫一份正確的更貴。

回頭看，這個現象也呼應了我們先前在電競隊內語言作為溝通介面的討論裡提過的觀點：一套沒有被設計過的溝通系統，效率問題往往出現在詞彙精度這一層，而不是工具本身的好壞。

立法顧問辦公室的回答：做一個視覺化工具

面對湧入的草稿，美國立法顧問辦公室的回應值得注意。他們沒有禁用 AI，而是在開發一款專用軟體，可以直觀展示新提案會如何改變現行法律。

這個選擇背後有一個設計判斷：問題的根源之一，在於「現行法」對起草者來說是不可見的。人類助理寫草案時，至少要翻法條；AI 生成時，現行法只是訓練資料裡的模糊背景。把「這一條改了什麼、動到哪一部法」變成一個可視覺化比對的畫面，等於把審查工作從逐句閱讀，轉成差異檢視。這是把審查介面重新設計，來匹配新的生態。

從工具設計的脈絡看，這與我們在閃念膠囊在 iPhone 鎖屏上的復刻一文裡看到的路數類似：當新工具造成新的摩擦，解法常常不是退回舊工具，而是圍繞新摩擦長出一層新的中介設計。

明確的好，比快速的多更值錢

回到細節。一份法案草稿被退回，通常只因為一個詞放錯了位置：抵免寫成減免，「州」少涵蓋了兩類主體。這些錯誤沒有任何一個是戲劇性的，但每一個都需要專業人力去發現。

AI 寫作工具進入立法流程這件事，短期內不會逆轉，辦公室的人力配置也不會因此變寬鬆。真正會留下來的，或許是立法顧問辦公室那款視覺化軟體所代表的方向：承認生成文本會繼續存在，然後為「驗證」這個動作，設計出比從前更好的介面。在任何對精度負責的領域，驗證的設計，遲早會變得和生成的設計一樣重要。