会议室里，有人把一段提示词贴进对话框，几秒后，一份看起来完整的周报出现在屏幕上。大家点头，讨论转向下一件事。真正的问题往往发生在后面：这段内容要发给谁，引用来自哪里，谁能保存，出错时找谁。生成式人工智能进入日常流程，先改变的常常是这些不起眼的边角。
演示时，人们看它写得顺不顺；进入流程后，人们看它能不能被交代。这两件事并不相同。模型可以快速组织语言，却不一定知道组织的上下文、权限和口径。它给出的内容，适合被当作一份草稿，而不是最终答案。
从“能写”到“敢用”
要让工具留下来，先得把几个动作固定下来：输入资料从哪里来，输出中的不确定处如何标记，哪些内容必须人工复核，发布前由谁确认。听上去像给流程加负担，实际是把原本藏在个人经验里的判断摆到桌面上。没有这些动作，使用会停留在个人试玩，很难变成团队可重复的做法。
提示词之外的三个接口
- 来源：哪些资料可以进入提示词，哪些只能做摘要，哪些不应当进入。需要一个简短清单，而不是靠记忆。
- 权限：输出可能包含内部信息，保存、转发、公开的范围要与原有权限一致。工具不应当成为绕过权限的侧门。
- 复核：谁来看，看到什么程度，发现错误如何回退。流程里要有人，不能把确认责任交给模型。
这些接口不显眼，却决定生成式人工智能能否长期留在工作流里。它们也提醒使用者：提示词只是入口，后面的管理动作才是成本所在。
别把流畅当成正确
语言模型擅长把句子写顺，不擅长保证事实。引用、数字、结论，仍要回到原始材料。一个可行的习惯是，让输出区分“已知”“推测”“待确认”，关键段落保留出处；无法核验的内容，不进入对外文本。这样做不会让输出看起来完美，却能让它变得可用。
我倾向于把生成式人工智能放在辅助位置：起草、改写、归纳、提示遗漏。涉及承诺、合规和对外发布，仍要由人判断。这不是保守，而是承认它的能力边界。
边界也是设计的一部分
使用范围写得越清楚，团队越容易放松地使用。哪些任务可以直接用，哪些只做辅助，哪些不接入，这些边界应当在开始时就说明。否则，人们要么过度依赖，要么完全回避，两种状态都不利于形成稳定的工作习惯。
最终，这类工具带来的变化，可能不在某个惊艳的输出，而在日常流程里多出几道检查。麻烦并不浪漫，却让使用变得可交代。生成式人工智能要走进真实工作，大概就得经过这些细碎的环节。