设想一个普通场景：会议已经开始，投影上还停着一行没写完的需求。有人把问题丢给生成式人工智能，它很快给出三段方案，语气完整，格式也漂亮；可当有人追问“这句话在我们客户那里会不会被理解成推诿”，回答忽然变得空泛。不是它不会写字，而是它没有坐到那张桌子旁。
这个停顿很能说明问题。生成式人工智能擅长沿着已有上下文往下接，把零散句子整理成可读文本，把模糊需求扩成清单，把一段生硬表达改得平顺。它的产出像一份已经装订好的草稿，翻起来顺手，但装订线里藏着的判断，未必来自当前业务。
它补的是语言，不是现场
企业场景里，难处常常不在“写一段话”，而在“这段话由谁负责、依据哪份资料、出了偏差怎么撤回”。模型可以把“客户投诉”改写成“服务反馈”，却未必知道两个词在内部流程里对应不同工单，也可能不知道某类表述需要法务或客服先看一眼。语言被补全了，现场信息仍然缺口很大。
所以，提示词越写越长，并不自动等于问题被说清楚。把背景、约束、可接受的失败方式写进去，只是第一步；还要决定哪些资料能喂给它，哪些结论必须回到系统里核对，哪些输出需要留痕。否则，一段看起来通顺的回答，可能把真正的分歧盖住。
把生成式人工智能放进流程的哪一段
我倾向于把它放在“起草”和“检查”之间，而不是直接放在“决定”前面。起草时，它可以帮忙列提纲、找遗漏、换说法；检查时，它可以提示语气不一致、术语混用、前后矛盾。到了对外发布、客户承诺、权限变更这些环节，仍然需要人来确认。这样做不神秘，也不轻松，但边界清楚。
评估方式也得跟着变。只看回答像不像，容易把流畅误当成可靠。可以看返工次数、引用能否追溯、遇到不知道时会不会停住、同一问题换种问法是否还稳定。这些指标不华丽，却更接近日常使用的感受。
先给它一个可退出的工位
更实际的做法是：别急着让生成式人工智能替人坐班，先给它一个可退出的工位。它可以在旁边整理材料、提出草稿、提醒风险；人保留确认权，也保留说“这段不能用”的权利。会议室门口那十分钟，未必是技术不够，可能只是流程还没有告诉它，哪句话该停。