设想一个常见工位场景：AI在几分钟内生成一份会议纪要，语气平稳，结构完整。人扫一眼，改两处措辞，按下发送。动作很顺，问题也常从这一刻开始——纪要里漏掉了一个前提，或者把一句犹豫写成了决定。机器没有“心虚”，人却可能因为稿子看起来顺，而少看了一眼。
这大概是人机协作容易被低估的部分。我们总把注意力放在“AI能做什么”，却很少问“它做到哪里该停”。让AI动手并不难，难的是给它划出停手的位置，再由人把上下文、意图和责任接回来。
交接点不在按钮上
很多工具把协作设计成“生成—复制—修改”的三步。界面很轻，真正的工作却发生在看不见的地方：人要判断这段输出是否贴合场景，哪些信息只是语言上成立，哪些结论其实需要补充背景。人机协作的交接点，不在那个生成按钮上，而在人开始读、开始怀疑、开始补一句说明的时候。
如果这一步被省略，协作就会变成把机器输出直接推给下一位同事。看起来效率提高了，实际只是把判断成本挪到了向后一些的位置。发现得晚，返工就重。
先给它一个可撤回的节奏
我倾向于把日常协作分成几段：让AI先做草稿，人只标注“哪里不对劲”，不急着润色；第二轮再补上下文，让它重写局部；收口的一段由人完成，统一语气、事实和边界。这个节奏未必适合所有任务，但它有一个好处：每一步都能撤回，人不会在一条长输出里失去判断锚点。
实际的做法，是给AI的交付物留出“未完成”的标记。比如让它列出不确定处，或者把需要人确认的句子单独放在末尾。这种协作不是把任务推过去再等结果，而是保留几次短促的来回。来回清楚，后面省力。
责任不能一起交给模型
有些工作可以大胆交给AI打底，比如格式整理、语气转换、把零散笔记归并成段落。有些环节则不适合完全外包：涉及对外承诺、内部决策依据、对他人工作的评价，收尾都需要一个具体的人来确认。这不是对模型能力的怀疑，而是协作本身需要可追溯的责任落点。
所以，讨论这类协作时，我不太关心“它能不能一次做对”。值得关心的是：它做错时，人能不能在可承受的范围内发现；它做对时，人是否还知道为什么对。前者决定返工成本，后者决定人有没有在协作中保持判断力。
回到开头那份会议纪要。稳妥的收尾，不是让人从头重写，而是让AI标出“不确定的结论”，人只核对这些地方。机器仍然动手，人也仍然收手。人机协作的成熟，可能就藏在这个不算漂亮的停顿里。