把一份产品说明丢给模型，几秒钟就能拿回结构完整、措辞得体的一版。真正的麻烦从这一刻开始：它读起来太顺了，顺到让人不想逐句核对。
过去写东西，难点在“写出来”；现在难点挪到了“确认它写的是对的”。生成的成本在下降，判断的成本没有。这个错位，是不少团队用上工具之后最先撞上的墙。
省下来的时间去了哪里
有人以为省下的是写作时间，实际省下的只是打字时间。草稿来得快，审校却更费神——面对人写的稿子，你会顺着逻辑读；面对机器写的稿子，你得带着怀疑读，每一句都要问一句“依据在哪”。这两种阅读状态消耗的精力完全不同。
更隐蔽的一层是口径。同一份材料里，前面说支持某协议，后面又暗示不兼容，单看每一句都通顺，放在一起才露馅。这类问题靠通读发现不了，得拿着原始资料对照。
还有一种情况：稿子本身没错，但语气不对。对外公告写成内部备忘，产品页写成技术白皮书，语法和事实都过关，读者却觉得别扭。这种偏差很难写进检查清单，只能靠熟悉场景的人扫一眼。
哪些部分能交给机器自查
把可检查与不可检查分开，事情会清楚一些。
- 格式、编号、术语是否统一，可以交给规则或工具跑一遍；
- 结构是否完整、有没有漏掉章节，也能自动比对；
- 事实是否成立、数据出自哪里、对谁说话、能不能公开，仍然得有人负责。
第三类恰恰是最贵的部分。人工智能可以帮你把候选说法列出来，但它不知道你们内部那条没写进文档的约定，也不知道这句话发出去会得罪谁。
位置比能力更重要
同样一个工具，放在流程开头和放在流程末端，风险完全不同。放在开头做初稿、做改写、做几个版本的对照，人是最后一道关；放在末端直接对外，等于把判断也一并交了出去。
所以我不太关心模型这次又长了多少本事，更关心它在流程里被摆在哪儿、出了问题谁认账。工具越顺手，越需要在它后面留一个人，并且这个人手里有权说“不对，重来”。
判断这件事，暂时还省不掉。