下午四点，一段产品说明要改第三版。原文是几个人分头写的，语气不统一，前后还有重复。有人打开对话框，把需求压缩成五行字，贴上原文，回车。半分钟，新的一版回来了。
读第一遍，觉得挺顺。读第二遍，会发现一些共同点：句子长度接近，段落末尾总要把话收圆，转折用得很勤，“不仅……而且”“既……又”反复出现。它没有错，只是太均匀了。这种均匀不是缺陷，也不是优点，它只是一个可以被认出来的痕迹，像复印件边缘的一点点色差。
它替你完成的部分，常常不是最难的那部分
很多人对AI写作的期待是“帮我写完”，实际用下来更像是“帮我把空填上”。给一个明确的结构、清楚的读者、大致的篇幅，它填得又快又稳。要它自己想清楚这段文字到底要解决什么问题，就容易绕圈：说得很全面，读完却不知道重点落在哪里。
原因不难理解。它擅长的是从大量已有表达里找出最稳妥的那一种说法，而一段真正有用的文字，往往需要有人做一个不那么稳妥的选择——这句话要不要说，这个功能要不要强调，这个承诺敢不敢写。选择意味着承担，模型不承担任何东西。
所以常见的失误是把顺序弄反了：先让它生成，再在里面挑能用的句子。看起来省事，实际是在一堆平均的表述里做减法，比从空白开始写还累。反过来，先自己想清楚要说什么、给谁看、哪一句是关键，再让它扩写、改写、换语气，负担就轻得多。
署名这件事没有变
文档末尾挂了谁的名字，出了问题就找谁。这句话在AI写作普及之后依然成立，甚至更成立了一些。读者不会因为一段话是机器生成的而降低要求，他们只会因为读起来空洞而放弃。
有个容易被忽略的细节：写作者对内容的熟悉程度，会体现在那些不起眼的地方——某个参数为什么这么定，某个说法为什么不能用在某类客户身上，某句话为什么去年写过今年不能再用。这些判断很难写进提示词，也很难被模型猜到，它们来自具体做过的事。工具越顺手，这部分反而越是分界线。
一种可以试的分工
把AI写作当成一个刚来的实习生，可能是目前比较贴近实际的比喻。实习生不了解背景，但手脚快、不嫌烦、愿意按你说的改十遍。你不会让他直接定方向，也不会让他替你签字。
- 骨架自己搭：先列出这段文字要回答的几个问题，写在提示词之前，而不是让它替你列。
- 事实自己核：涉及数字、时间、承诺的表述，逐条对照原始来源，不因为它写得顺就放过。
- 语气最后调：生成之后统一改一遍人称、称呼和句式长短，让它读起来像一个人写的，而不是像一份模板。
至于那些必须由具体经验支撑的段落——为什么这么做、当时卡在哪里、下次会怎么改——还是自己写更快。这些内容往往不长，却是整篇里唯一无法被替换的部分。
工具会继续变好，这个判断大概不会变：它能替你写得像，替不了你知道。先把想要说什么想清楚，剩下的才好交出去。