一份由模型生成的稿子摆在屏幕上，句子通顺，段落齐整，连小标题都像模像样。编辑往下读两屏，停住了：它没有说错什么，却也没有真正回答“这篇稿子要给谁看”。这类场景正在变多。生成式人工智能进入日常写作，常常先被感知到的不是技术参数，而是这种轻微的错位感：文字来得很快，判断却来得慢。
从“写出来”到“敢交出去”
把生成式人工智能当成一支会打字的笔，容易低估它；把它当成一个能独立交稿的作者，又容易高估它。它擅长在已有语境里铺开语言，把零散要点连成可读段落，也能按指定语气改写。但一篇可交付的稿子，通常还要经过事实核对、口径确认、上下文补齐和责任归属。模型可以生成一段看似完整的解释，却未必知道这句话该不该由这个账号说、在这个时间说、对这群读者说。
所以，真正改变工作流的，不是“能不能写”，而是“写完之后谁来接”。如果团队没有为接稿的人留出核验时间，生成速度就会变成返工速度。初稿越顺滑，阅读者越容易跳过疑问；这时反而需要有人把可疑处标出来，哪怕只是一句“这里缺依据”。
上下文常常比提示词难准备
很多人把注意力放在提示词上，仿佛找到一句神奇指令，输出就会稳定。实际使用中，决定结果可用度的，常常是提示词之外的资料：产品当前版本、活动规则、历史口径、读者已经知道什么。生成式人工智能不会自动拥有这些背景，它只能从你给的材料和公开语料里推断。材料含糊，输出就会用漂亮句子填补空白。
这也是为什么，同一个问题换个时间问、换份背景材料问，得到的文字可能差别很大。与其反复调试措辞，不如先把输入材料整理成可复用的清单：哪些是确定事实，哪些是内部口径，哪些是不能越过的边界。提示词当然重要，但它替代不了资料准备。
把模型放进流程，而不是放进神龛
我倾向于把模型放在流程中间，而不是把它供在流程开头或结尾。开头它负责展开思路，中间它负责改写成稿，结尾它不负责签字。发布前至少有三件事值得检查：
- 输入材料是否足够，是否包含最新口径；
- 输出里哪些句子有依据，哪些只是语言衔接；
- 发布前由谁确认，出错后如何回溯。
这份清单不必每次都很长，但它要能回答一个问题：当文字看起来没问题时，团队凭什么判断它真的可以发。没有这个判断，生成越快，组织越容易把核验压力推到看不见的地方。
留一点不被生成的空白
个人判断是，生成式人工智能适合承担“展开”和“变换”，不适合替人决定“说什么”和“为什么说”。它可以帮你把一段粗糙笔记整理成文，也可以把同一段话改成不同语气；但选题的分量、事实的边界、对读者的承诺，仍然要由人来定。写作里那些停顿和取舍，恰恰是稿子与稿子之间的差别所在。
所以，当一份初稿来得太快，先别急着夸它顺。停下来看看：它替我省掉了哪一步，又把哪一步推回给我。编辑要改的，可能不只是句子，而是句子背后那套还没有被说清楚的判断。