周五下午，团队群里有人问周报模板。另一位同事把散落的会议记录、待办清单和几句口头说明丢给AI大模型，几秒钟后得到一份结构完整的草稿。读起来顺，细看却有问题：某个项目的负责人被写错，时间节点也前后颠倒。不是模型不会写，而是它不知道哪些信息更关键。
它擅长把话说顺，不等于把事说对
生成式模型的工作方式，决定了它更擅长预测下一段文字，而不是替人确认事实。周报里的数字、节点、责任人，往往藏在几句零散记录里。模型可以把这些内容组织成通顺段落，却可能把“下周跟进”写成“已经完成”，也可能把两个项目的背景混在一起。对写作者来说，真正费时的不是敲字，而是核对。把草稿交给AI之后，校对和判断并没有消失，只是换了位置。
上下文给得越清楚，草稿越接近可用
很多人把提示词当成咒语，反复修改一句话，希望模型自动理解全部背景。更实际的做法，是先准备材料。使用AI大模型前，至少明确四件事：这份内容给谁看、要解决什么问题、哪些事实不能改、哪些表达不要出现。比如周报，可以列出本周完成事项、待确认事项和下周计划，再说明“不要补写未提供的数据”。材料越具体，模型越少自由发挥。它不擅长读心，但擅长在给定材料里做语言整理。
- 先给事实清单，再给写作要求，顺序不要反。
- 把“不要编造”写成具体约束，而不只是一句提醒。
- 保留原始记录，方便逐句回查。
- 让模型先列提纲，再扩写，减少跑偏。
省下来的时间，常常转移到了校对
表面看，生成草稿只要几秒，写作时间被大幅压缩。但流程并没有因此变短。原来花在组织语言上的时间，现在有一部分转移到材料准备、结果核对和反复修改。如果团队把生成结果直接复制进正式文档，风险反而更高。更稳妥的做法，是把AI放在草稿和改写环节，把事实确认、口径统一和责任归属留在人这一侧。工具可以加快初稿，却不能替组织决定哪些信息可以公开、哪些判断需要保留。
回到周报这个场景，AI大模型带来的变化也许没那么戏剧化。它更像一个随时可用的文字助手，能帮忙整理句式、补全结构、换一种说法，但前提是有人把材料准备好，把边界说清楚。真正决定内容质量的，仍是组织内部的信息流动：记录是否完整，责任人是否明确，判断是否经过确认。把这些基础工作做好，模型才有用武之地；基础不牢，生成越快，返工越多。