下班前一小时，往往是杂活最集中的时候。一份要发给合作方的说明、一段产品更新的文案、一封需要措辞谨慎的邮件，过去要磨上半小时，现在把要点丢进去，十几秒就有初稿。省下来的时间是真的。但另一件事也在同时发生：稿子读起来太顺了，顺到让人不想再逐句核对。
这大概是最先浮现的变化。生成式人工智能真正压低的，是“从零写出一段通顺文字”的成本，而不是“把一件事办对”的成本。前者原本占去大量时间，后者则分散在写作过程里：一边写一边想，一边改一边查。当写作被压缩成一次生成，核对与判断并不会消失，它们只是被推到后面，堆在一起，通常还压在时间更紧的节点上。
把要求讲清楚，本身就是件难事
很多人抱怨结果不对，追下去会发现，问题出在输入。要它写一份说明，读者是谁、要解决什么疑问、哪些话不能说，这些在脑子里往往是模糊的，落到文字上才现形。写提示词的过程，其实是一次被迫的需求澄清。这件事的价值常被低估，它让原本藏在“我觉得你懂”里的分歧提前暴露出来。
但也得承认，这份澄清工作不轻。给一个不了解背景的对象交代上下文，有时比自己动手写更费口舌。所以真正省时间的场景，多半是背景已经清楚、只差组织成文字的任务；而那些一开始就没想明白的事，工具只是把混乱更快地变成一份整齐的混乱。
通顺会带来一种错觉
这类工具输出的一大特征是平稳：句式完整、语气得体、很少有错别字。平稳有好处，也有副作用。人阅读时容易把流畅度当成可靠性的替代信号，读着顺，就默认内容站得住。审阅的注意力因此容易滑过去，尤其是那些必须对照原始材料才能发现的问题：数字对不上、条件被漏掉、承诺超出了授权范围。
所以我更愿意把复核环节往前挪。与其等稿子成型后再通读一遍，不如在开头就把不可退让的约束列清楚：哪些信息必须来自何处，哪些表述需要谁确认，哪些结论不许自行补全。
- 把事实性内容与措辞性内容分开处理，前者逐条对照来源；
- 涉及对外承诺、责任归属的部分，不交给模型自行推断；
- 保留修改痕迹，让改动有据可查。
它擅长的和它不擅长的，边界并不隐蔽
生成式人工智能在表达层面表现得稳，是因为它见过大量类似写法：通知、纪要、简介、常见问答。这类文本有先例、有惯例，本来就不需要太多独创。反过来，需要现场信息、需要拍板、需要有人签字负责的部分，它给不出真正的答案，只能给一个听起来合理的版本。
把这两类任务分开，用起来会踏实很多。前者可以放手让它起草，人只做收尾；后者更适合让它当提问者，把方案里没说清的地方一条条列出来，再由人去填。这个用法不新鲜，却常被忽略，因为多数人更愿意看到一份成品，而不是一串问题。
还有一层影响落在组织内部。文档变多、变快了，中间层的材料比如周报、方案、复盘，产量明显上升，但读它们的人并没有变多。当供给超过注意力，筛选成本就转移到接收方身上。这时候，写得快未必是优势，能判断哪些根本不必写，反而更值钱。
回到开头那个下班前的场景。工具确实让人少熬了一些时间，但它没有替任何人承担判断。生成式人工智能更像一面镜子，照出的是使用者对任务的理解程度：想清楚了，它加速；没想清楚，它只是把含糊的地方写得更漂亮。