周五下午，一位同事把周报丢进群里，三秒钟后补了一句：这是人工智能帮我整理的。群里安静了一会儿，没人接话。不是内容不好，恰恰相反，格式工整、要点齐全，连下周计划都分了先后。问题在于，大家都知道这份周报是怎么来的，读它的意愿反而降低了。
这可能是人工智能进入办公场景后，一个被低估的变化：生成的成本降下来了，接收的成本却没有。过去写一份周报要半小时，读的人知道这半小时的存在，会认真看几眼。现在生成只要几秒，写的人省事了，读的人却多了一层疑问——哪些是真正发生的事，哪些是模型顺手补上的过渡句。
省下来的时间，去了哪里
不少宣传里，它被描述成时间的搬运工：把写材料的时间省下来，去做其他事。逻辑上没错，但实际落地时，省下来的时间往往没有被重新分配，而是被更多轮修改吃掉了。写的人要检查事实，读的人要分辨语气，中间还多了一道“这像不像人写的”的微妙判断。
我见过一种务实的用法：让模型先出一版粗稿，只保留事实骨架，语气和细节全部手动重写。这样做的效率提升不算惊人，但省掉的是枯燥的排列组合，留下的是需要人负责的部分。换句话说，人工智能适合处理“从有到有”的整理，不太适合替人决定“从无到有”的判断。
接收端的问题，才是真问题
企业里有一种默认假设：只要内容产出得足够快，信息流动就会顺畅。但信息流动不只是产出，还包括被阅读、被理解、被回应。当一份材料明显由模型生成，接收方会下意识降低它的权重，就像收到一封群发邮件。这不是技术问题，是信任问题。
所以真正需要设计的，不是怎么让模型写得更像人，而是怎么让接收方愿意读。比如在周报里明确标出哪些部分是自动整理、哪些是本人补充；比如把篇幅压短，只留需要别人做决定的事项。这些做法听起来很土，处理的却是接收意愿。
边界感为什么难
人工智能的能力还在往前走，这一点没什么疑问。但在具体场景里，知道什么时候不用它，是另一层能力。写周报这件小事提醒我们：工具越方便，越需要有人为“发出去之后会发生什么”负责。
下次看到一份过于顺滑的材料，不妨先问一句：这里面哪些是事实，哪些是过渡。这个问题不针对某一种工具，针对的是所有省略了过程的内容。