文档工具里最微妙的一刻，是光标停在一段刚生成的文字后面。句子完整，语气得体，连标点都像校对过。可你仍要问一句：这句话的依据在哪里？生成式人工智能把“写出来”这件事变得轻，却把“敢不敢用”推到了更前面。
流畅不等于可信
生成式人工智能的工作方式，在相当程度上决定了它擅长接续语言，而不是天然掌握事实。它根据上下文预测接下来更可能出现的词，因此段落可以很顺，逻辑却未必经得起追问。一段通顺但来源模糊的表述，放进对外文档里，往往比一句笨拙但准确的话更麻烦。前者看起来已经完成，后者至少提醒你还需要核实。
这也是企业使用这类工具时常被忽略的成本：验证。生成一段话可能只要几秒，查清其中每个判断却要更久。若流程里没人负责这一步，效率提升只是把工作量从写作挪到了返工。
它擅长改写，不擅长替你负责
把生成式人工智能放在合适的位置，它更像一个耐心的草稿协作者：把会议记录整理成提纲，把长段落压短，把同一段说明改成不同语气，或者给出几种开头供人挑选。这些任务的好处是边界清楚，结果也容易被检查。
但涉及承诺、数据口径、对外口径和敏感信息时，模型不该成为最后一道关。不是因为它一定出错，而是因为责任无法随文本一起生成。人能签字，模型不能。企业内容里那些看似普通的句子，常常连着交付范围、服务条件和品牌信用，不能只靠“读起来像”来判断。
一个可操作的区分方法是：让模型处理“表达”，人来处理“事实”和“立场”。表达可以多样，事实需要来源，立场需要有人承担。三者混在一起，审核就会变成猜谜。
把它放进流程，而不是放在终点
可行的做法，不是禁止使用，也不是把生成结果直接贴进发布后台，而是在流程中留出几个清楚的卡口。比如，输入材料是否足够；生成部分是否被标记；关键事实是否回到原始来源核对；谁对最终版本负责。这些动作不复杂，却能避免“看起来完成”的文档直接流出去。
- 先给材料，再给指令：让模型基于可追溯的文本改写，而不是凭空生成。
- 保留草稿痕迹：哪些句子由模型生成，哪些由人改写，团队内部应能分辨。
- 把审核放在发布前：对外内容至少经过一次人工确认，尤其是承诺和条件。
这些做法听起来不够“智能”，却是生成式人工智能进入日常工作的前提。工具越顺手，越需要流程提醒人：顺畅的输出不是结论，只是待处理的材料。
回到那个光标停留的瞬间。真正需要决定的，不是这段话写得像不像，而是它能不能被解释、被追溯、被负责。它可以替人写完开头，但第二段之后的判断，仍然要有人来收口。