周一早上翻文档，看到一份周报：进度符合预期，风险整体可控，下周聚焦协同。句子都对，读完却记不住任何一件具体的事。问了一圈才知道，是让生成式人工智能代写的。
这类文本正在变多。它们不难读，问题在于读完像没读。
顺滑的文字，为什么落不了地
语言模型学的是词与词之间的搭配规律，它把大量文本压缩成概率，再按概率往外吐。这套机制擅长产出“像样的表达”，而工作里真正有用的信息，往往是不像样的：某个人手抖改错了一个参数，某个环节被上游拖了两天，某件事推不动是因为两个部门对同一个词的理解不同。这些内容零碎、带情绪、不体面，也很难被概括成一句通顺的话。
于是代写的周报会本能地把它们抹平。抹平之后剩下的，就是那种谁都能填的句式。被省略掉的不是文字能力，是判断依据。
该放在流程的哪一段
把生成式人工智能当成从零到一的写手，多半会失望；把它当成流程中间的一道工序，反而顺手。差别大致在这里：
- 把散乱的会议记录整理成有条理的段落，它比人快；
- 把一段话换成另一种语气，对客户、对同事、对上级，它切换得干净；
- 给出几个自己没想到的切入角度，当作提醒，有用；
- 替你判断哪件事更要紧、替你承诺时间节点，不行。
最后一条常被忽略。模型没有你的上下文，也没有承担后果的位置。它可以生成一份看起来很负责的说明，但“负责”这件事本身，它做不到。
省下来的时间去了哪里
很多人算过一笔账：原来写两小时，现在十分钟出稿。这个账往往算得不完整。稿子出来之后要核对，要删掉那些看似确定、实则含糊的表述，要把被抹平的细节补回去。核查的功夫常常比写作更磨人，因为错误藏得比空白深——空白一眼能看见，通顺的错句要读到第三遍才会起疑。
如果核查成本高于原本的写作成本，这笔账就是负的。真正划得来的场景，通常是输出容易验证的地方：格式转换、要点压缩、语气改写。反过来，涉及事实陈述、对外承诺、责任归属的内容，省下的时间大概率会以另一种方式还回去。
有意思的是，用得好不好，跟会不会写提示词关系不大，跟能不能判断输出好坏关系很大。熟悉业务的人看一眼就知道哪句话是空的；不熟悉的人，只会觉得读起来挺顺。
所以那份周报的问题不在模型，在交出去之前没有人替它把关。工具把门槛降得很低，判断力反而成了稀缺的那一环。下次再看到一段工整得不像话的文字，值得多问一句：这里面有多少是只有作者本人才知道的事。