一位行政同事把一份放假安排丢进对话框，几秒后拿回一段措辞齐整的通知。她读了一遍，觉得比自己写得好，只改了两个日期就发了出去。问题出在第三段：那句“请各部门提前做好衔接”被自动补成了“请各部门提前完成交接”——一字之差，意思从协调变成了责任转移。没人追问这句话是谁写的，因为它没有作者。
这类场景正在大量发生。生成式人工智能进入组织沟通的方式，往往不是接管核心决策，而是从通知、纪要、邮件、说明文档这些边缘文本开始。它们不显眼，却构成企业运行的日常肌理。也正因为不显眼，使用它的人常常跳过审核这一步。
它擅长的是“看起来已经想清楚”
语言模型的强项在于连贯。它能把零散要点组织成通顺段落，把口语改成书面语，把语气调得得体。这种能力对写作者有强烈吸引力，因为组织内部的文本需求，很多时候卡住的不是内容，而是“怎么说得像那么回事”。
问题也在这里。通顺不等于准确，得体不等于恰当。上面那句“提前完成交接”，单看语法无懈可击，放进具体部门关系里就可能制造压力。生成式人工智能不掌握你们上周开会时那句没说出口的默契，也不清楚哪个团队正在赶节点。它只能根据常见表达习惯去补全空白，而空白处恰恰是组织沟通最需要人的地方。
我倾向于把这类工具看成一位写得很顺但不了解内情的代笔。它可以帮你起稿，不能替你判断哪句话该说、哪句话该留白。
责任不会因为工具而消失
内部通知发出后，收件人默认它代表组织意志。如果措辞造成误解，追责链条依然落在签发者身上，而不是某个模型。这一点常被忽略：工具越顺手，审核越容易被省略，而省略的代价并不会消失，只是被推迟到问题发生之后。
比较务实的做法是把使用流程拆开。让生成式人工智能承担第一稿，让人承担定稿。定稿环节至少要做三件事：核对事实与时间，检查措辞是否改变了责任归属，确认语气是否符合当下情境。这三步听起来繁琐，但比起事后解释一句被误读的通知，成本低得多。
还有一个容易被忽视的细节：留痕。哪些内容由工具生成、由谁修改、改了什么，如果能简单记录下来，事后复盘会轻松很多。这不需要复杂系统，一段版本说明就够。
边界不在能力，而在场合
有人问，既然它写得不错，为什么不索性多用一些。我的判断是，场合比能力更值得先想清楚。
- 适合交给它的：格式整理、语气转换、要点扩写成段、多版措辞备选。
- 需要人盯住的：涉及责任划分、时间承诺、对外口径、涉及具体人员评价的表述。
- 不建议直接用的：未经核实的事实陈述、需要承担法律或制度后果的正式文本。
这个划分不是技术判断，而是组织判断。生成式人工智能的能力边界在快速移动，今天做不好的事明天可能就顺手了，但组织对一句话的信任机制不会同步移动。谁签字、谁负责、谁被这句话影响，这些问题不会因为工具变强而自动有答案。
把它当作草稿台，而不是发言人
回到开头那份通知。如果那位行政同事在发送前多问一句“这句话是谁的意思”，事情就不会发生。她并不需要懂模型原理，只需要保留一个习惯：工具给出的是候选，不是结论。
生成式人工智能在企业内部真正有价值的用法，也许不是替人写完，而是替人起头。它把空白页变成初稿，把卡住的表达变成可修改的文本，剩下的判断留给人。这个分工不惊艳，却稳定。它的前提是使用者愿意在顺滑的句子面前停一下，问清楚这句话到底在替谁说话。