周一早上，我把上周的会议记录粘进对话框，敲了一句“帮我整理成周报”。二十秒后出来一版：结构齐整，措辞稳当，连“下周重点”都替我想好了。我盯着看了半分钟，删掉了其中三段——不是因为写错，而是因为它把我没想清楚的地方，用漂亮的句子糊了过去。
这大概是生成式人工智能进入日常工作后，最容易被忽略的一层摩擦：它交付的从来不是“正确答案”，而是一份看起来已经想明白的文本。
它擅长的是“够用的平均”
语言模型的训练方式决定了它的性格——在海量文本里学会下一个词最可能是什么。好处是通顺、得体、不出格；代价是它天然往中间靠。你让它写一段产品说明，它给出的常常是行业里已经写过很多遍的那一种说明。
所以真正费劲的环节不是“让它写”，而是判断它写出的这一版，跟我们想说的那件事差在哪里。这个判断没法外包。
提示词卡住的地方，多半是自己没想清楚
不少人把提示词当成咒语，以为换个说法就能解锁更好的结果。用上一段时间会发现，提示词写得别扭，通常不是表达问题，是脑子里那件事还含糊。要求它“专业一点”，说明你没界定什么叫专业；要求它“简短”，说明你还没决定删掉哪部分。
把要求一条条写下来的过程，本身就是一次梳理。写完之后，有时连对话框都不用打开。
省下来的时间去了哪
- 核对事实：文本越顺，越容易让人跳过检查。
- 调整语气：腔调不对的地方，往往要整段重写。
- 对齐标准：多人协作时，先得说清按谁的判断算数。
这几件事加起来，未必比原来省时间。真正省下的是“从零开始”的那段心理成本——面对空白页面时的那点拖延。
有些位置，不该让它先开口
需要有人负责的场合，比如对外承诺、内部决策的说明、涉及具体数字与事实的表述，让它起草可以，但第一版不该由它定调。原因不在于它会不会出错，而在于文本一旦先成型，人的思路会被它牵着走，后面所有讨论都在这份草稿的框架里打转。
更稳妥的顺序是：人先写下三行结论，再让它扩写或改写。它擅长把粗糙的东西磨平，不擅长替你决定要不要磨。
回到那份周报。我最后保留了它的骨架，把每一条换成了自己这周真正卡住的地方。生成式人工智能在这里更像个反应很快的同事：递过来一版能用的稿子，也顺手暴露了你哪些地方还没想明白。改稿这个动作，还是得自己来。