上周三下午的项目评审会，我把录音丢给一个会议助手，十分钟后拿到一份结构清楚的纪要：议题、结论、待办，分门别类，措辞也比我自己整理得整齐。然后我戴上耳机，对着录音逐条核对，花了一小时。
不是我多疑。是那份纪要里有一句“下周三之前给出方案”，而原话是“如果这周能把接口对完，下周三之前可以给个初步方案”。条件被削掉了，剩下一个干脆的承诺。
流畅是一种很会骗人的质感
生成式人工智能的输出有个共同特征：句子通顺、段落齐整、语气笃定。这种质感很容易被当成可靠性的替代指标——读起来顺，就默认它说得对。但它反映的是模型的训练方式：预测下一个词该是什么，而不是核实这句话是否成立。语言能力很强，事实基础未必跟得上。
更要紧的是，它几乎从不示弱。语料里本来就少有人写“这一点我不确定”，模型也就很少这么表达。不确定和确定，在输出里长得一模一样。
错误通常不长成错误的样子
我后来把那次核对中改掉的地方归了归类，大致是三类：
- 数字被顺手抹平，“大概三十几个”变成了“35 个”；
- 两位负责人的意见被合并成一条，分歧消失了；
- 语气被统一，商量变成了决定。
这些都不是乱码。乱码会被立刻发现，通顺的偏差不会——它混在正确的句子里，读起来毫无障碍，只有对着原始材料才能揪出来。
核对的成本，记在了谁头上
采购时看的是生成速度，用起来感受到的是核对时间。这部分工作往往落在写纪要、写初稿的人身上，而且很难被计量：它不产生新东西，只是把错的挑出来，做完之后文档看起来和刚生成时差不多。
如果没人核算这块时间，就容易形成“工具很省事”的印象。省下的其实不是总时间，而是写作的启动阻力——从零开始写很痛苦，改一份现成的没那么痛苦。这是真实的收益，但它不等于总成本下降。
哪些环节可以交出去
我的做法比较土，把任务分两类。需要发散、需要把粗糙的想法整理成可读的段落、需要换个说法讲同一件事——交给它，效率确实高。需要唯一答案、需要对外承诺、需要有人为这句话负责——自己写，或者至少自己重写一遍。
顺序上也有讲究。先让它列提纲、我再往里填内容，通常比让它写完整篇我再删改要省力。改一份通顺的错稿是件很消耗人的事，因为每一句都像是对的。
提示词解决不了的部分
常听到的说法是“提示词写清楚就好了”。提示词确实有影响，但它约束的主要是输出的形状：篇幅、语气、结构、角度。它约束不了输出的事实基础，因为模型手里没有你那个会议室里的录音。
所以把资料喂进去是有用的，但仍然需要有人对最后那份文档负责。生成式人工智能擅长的是把已有的信息重排成合适的表达，而不是替你确认信息本身对不对。
现在我拿到输出的习惯是：先不看正文，先扫一遍里面出现的具体信息——时间、数字、人名、承诺。这几处对得上，再谈措辞和结构。这个动作花不了太久，但能挡住大部分麻烦。