周三下午的周会刚结束，投影还没关，有人已经把录音丢进一个对话框，两分钟后，一份分好条目、标了负责人和时间的会议记录出现在群里。没有人惊呼，也没人追问这是怎么做到的。真正让会议室安静了几秒的，是后面那句问话：这份记录，谁确认过？
这类场景正在变得平常。生成式人工智能这几年从「能写诗」变成「能干活」，落地最深的地方往往不是创意部门，而是那些文字密集、流程明确、又长期缺人手的环节——会议纪要、客服回复、条款初筛、产品说明的改写。这些工作的共同点是：产出的是文字，验收的也是文字，看起来门槛不高，做起来耗人。
它擅长的，是把已有的东西换个形状
要理解它的能力边界，得先看它怎么工作。这类模型的基本动作是预测下一个词，读过的文本越多，预测出来的句子越像人写的。这意味着它非常擅长归纳、改写、扩写、压缩、换语气、换格式——凡是「输入已经有料，输出只需重排」的任务，它都做得顺手。会议记录就是典型：信息全在录音里，模型做的是提取和结构化。
反过来，当输入本身缺失，或者需要有人对事实负责时，它就开始靠猜。它会用流畅的句子填上不存在的细节，语气还特别笃定。这不只是偶尔犯的错，更是机制带来的倾向：它的目标是生成看起来合理的文本，而不是核实过的文本。
省下来的时间，常常又花在核对上
很多团队第一次试用时的体验是惊喜，第二次就变成谨慎。原因不难理解：出一份草稿可能只要几十秒，但要确认里面每句话都能对外，需要逐条回到原始材料。如果草稿的错误藏得很深——数字对、逻辑顺，只是某个限定条件被悄悄删掉了——核对成本甚至可能超过自己动笔。
所以真正决定这类工具能不能留下来的，往往不是模型多聪明，而是配套的动作有没有跟上。哪些内容允许直接用，哪些必须人工过一遍，谁签字，出错时找谁——这些看起来是管理问题，实际上决定了技术的实际效果。
- 把工具用在有原始材料可回溯的环节，核对才有依据；
- 让输出附上出处或原文位置，比让它再检查一遍更有效；
- 提前划清可直接使用和必须复核的范围，别让每个人自己判断。
它改变的不是写作，而是写作里的责任分配
有一种说法是，生成式人工智能会取代文字工作者。我的观察偏保守：它接手的是重复度高、创造性低的表达劳动，取代的是「从零开始敲第一版」的那段煎熬。而判断什么该说、什么不该说、说到什么程度，依然需要有个人站在那里。机器可以给出五个版本的措辞，但选哪一个、承担什么后果，是人的事。
这也是为什么，很多用得很顺的团队并不把它当作者，而是当成一个速度快、不知疲倦、但需要被检查的初级助手。他们会保留原始素材，会要求标注不确定的地方，会在对外发布前留一道人工关口。听起来麻烦，但正是这些麻烦，让效率的提升没有变成风险的后移。
回到那场周会。最后那份记录还是发了出去，只是末尾多了一行小字：内容由工具整理，已由某某复核。这行字不显眼，但它划出了一条线——工具负责快，人负责对。