周三下午，一位同事把会议录音丢进工具里，两分钟后拿到一份结构化摘要。他扫了一眼，改了两个名字，转发出去。整个过程不到五分钟。这份摘要写得通顺、条理清楚，甚至比他自己动手整理的要“好看”。
问题从这里开始：好看的东西，往往没人再回头核。
生成的东西，多数落在“半成品”区间
把生成式人工智能当成一个即问即答的百科，多半会失望；把它当成一个从不疲倦的初稿写手，落差会小很多。它能在几秒内给出一份结构完整的方案框架、一段读得过去的文案、一份看起来像模像样的对比表。这些产出通常不是错的，但也常常不是对的——它们停在“说得过去”的位置。
而“说得过去”恰恰是最难被发现问题的状态。明显的错误会被立刻打回，模糊的正确却容易顺流而下，一直流到决策桌前。
它做的是重组，不是知道
从原理上说，这类模型大致在做的事情，是根据已有的大量文本学习语言的分布规律，再据此逐字续写出概率上合理的后续。这个描述不精确，但足以解释一个常见现象：它对“大家通常怎么说”很敏感，对“这件事到底是什么情况”并不掌握。
所以它写出的东西，往往带着一种平均值的气质——语气得体、结构规整、缺少毛刺。毛刺有时是缺点，有时正是判断的痕迹。一份真正的分析里，那些“这里我拿不准”“这条来源存疑”的句子，恰恰是人在场的证明。生成式人工智能不会主动提供这种标记，除非你要求它提供。
省下的时间，转移到了别处
“效率提升”是个容易被说顺口的词。实际发生的情况更像是一次位移，工作量从“写”挪到了别的地方：
- 校验。产出越快，需要核对的东西越多，而核对往往比撰写更枯燥。
- 对齐。同一件事，不同人用不同提示词问出的结论可能相互矛盾，统一口径成了新工序。
- 担责。稿子是谁写的、错了算谁的，这条链条在流程里必须有人接住。
这三件事都不产生可见的成果，因此在汇报里很少被提及。但它们真实地吃掉了一部分被“省下”的时间。如果不把它们算进去，效率账就是虚的。
提示词正在贬值，判断力没有
过去一段时间，“会写提示词”被当作一种新技能。随着模型对自然语言的容忍度变高，这件事的门槛在下降。真正拉开差距的，反而是两件老事：能不能把问题拆清楚，以及能不能看出答案哪里不对。
前者决定你问出什么，后者决定你敢不敢用。两者都不在工具里。
有些环节，交出去要谨慎
流程中需要有人为结果负责的位置、需要一手信息的判断、需要明确署名的产出，这几类场合把工作整体外包出去，风险并不体现在生成质量上，而体现在事后追溯的困难上。一旦出问题，你很难向他人解释这份东西是怎么来的。
更实际的做法是分层：让它做扩写、改写、结构化整理这类可回退的工作；把需要定调、需要担责的部分留在人手里。这条界线不必划得很细，但要有。
回到开头那份会议摘要。它没什么错，转发也没什么问题。只是如果这样的动作重复上百次，人对自己判断力的信任会一点点被替换成对输出的信任。生成式人工智能最不容易被察觉的影响，可能不是它写错了什么，而是让人渐渐不再想核。