会议室里有人把一段文字投到屏幕上，措辞工整，层次清楚。讨论很快就进入了“这几句怎么改”，没有人问这些句子是从哪来的、依据什么写成的。这个细节很小，却常常决定了一次工具引入最后是停在心里，还是真的落进流程。
流畅是一种伪装，也是一种成本
生成式人工智能的输出有个很显眼的特征：它几乎不会停顿。人写东西卡住时会留白，会写“此处待查”，会给同事发消息问一句；模型不太会。它更倾向于给出一个形状完整的答案，哪怕其中某一段其实建立在模糊的推断上。
于是“完成度”成了一种很容易获得的错觉。麻烦的地方在于，这种错觉不发生在机器那一侧，而发生在阅读者这一侧。句子顺，人就会放松警惕，觉得改几个词就能用。核查被推迟到更晚，而更晚通常意味着更贵——要么是发布之后返工，要么是有人替你承担了那句没被核对的话。
它擅长的是“像”，不是“是”
从机制上说，这类系统学的是语言里常见的搭配、结构与行文习惯。它给出的是一种概率上合理的延续，而不是一次核实。这个区别讲出来谁都明白，可落到具体工作里就经常被忘掉，因为“合理”和“正确”在阅读体验上太像了。
所以更实际的做法，不是追问它“对不对”，而是先问一句：这个环节如果出错，代价由谁承担。写草稿、缩摘要、换措辞，错了改一下就好；涉及对外承诺、具体数字、责任归属的部分，仍然需要有人签字，而签字的人不能只是模型的转述者。
用得住的人，往往先削掉它的野心
观察那些把工具用顺了的团队，做法常常朴素得有点扫兴：
- 把任务切小，一次只让它做一件能当场判断的事，而不是“帮我把方案写了”；
- 喂给它可核对的材料，让它在你给的范围里改写，而不是从空白处自由发挥；
- 要求它把不确定的地方单独列出来，哪怕这份清单不完整，也比没有强；
- 保留一个明确的“不通过”出口，让人可以干脆地说这段不能用。
这几条看着像使用技巧，其实是一种分工：生成交给机器，判断留在人这边。有人担心边界划得太清会削弱工具的价值，实际情况往往相反——边界清楚之后，人才敢把它放到更靠前的位置，也才敢在时间紧的时候依赖它。
沉默的失败更值得留意
一眼能看出在胡说的输出，反而不危险，用户会立刻警觉。麻烦的是那种大半正确、局部含糊的文本：读的人得读完、比对、再判断，花的工夫未必比自己做少多少。这也是不少团队试用一段时间后热情回落的原因，不是模型变差了，而是省下来的时间又被核查吃了回去。
想让这件事持续，就得让核查本身变轻：来源可追，改动可见，责任可落。比如在流程里保留一句“这段由模型起草，数字部分已核”，比任何一次培训都管用。
回到那块屏幕。如果投出来的文字旁边能多一行小字，说明哪部分是生成的、哪部分经人确认，讨论大概会更早进入正题。生成式人工智能能不能被信任，很大程度不取决于它多会写，而取决于用它的人愿不愿意在流畅之外，留一道能停下来的缝。