周一上午的例会刚结束，聊天窗口里已经躺着一份会议纪要草稿。它来自生成式人工智能：语气平稳，条理清楚，连待办事项都列好了。发草稿的同事补了一句，“大家看看有没有漏”。这句提醒很轻，却把问题放到了桌面上——初稿已经出现，剩下的事情仍要人接手。
这类场景正在变多。写邮件、整理访谈、改说明、列提纲，生成式人工智能常被放在离文字最近的位置。它擅长把零散信息压成可读段落，也擅长把一种说法换成另一种说法。用起来顺手的时刻，往往不是它替你做了决定，而是它先把空白填上，让讨论有个起点。
省下来的时间去了哪里
省下来的时间并没有凭空消失。一段总结看起来通顺，里面的时间、主体和前后因果仍要回去核对；一封对外回复读起来礼貌，语气是否合适、承诺是否越界，仍要由人判断；一份内部说明写得完整，某些被省略的背景却可能让读者误解。工具把初稿往前推了一步，核验和补上下文的工作被留在了后面。
所以，问题不只是“能不能写”，还包括“写完之后谁来看”。生成式人工智能可以给出像样的文本，却不知道这句话在某个团队里意味着什么。它没有参加上一次争论，也不清楚某项承诺的来龙去脉。把这些背景补回去，是使用者难以绕开的劳动。
提示词之外，还有上下文
很多人把注意力放在提示词上，反复调整措辞，希望一次得到可用结果。实际决定输出的，常常是提示词之外的上下文：读者是谁，这段文字要解决什么分歧，哪些信息不能写进去，哪些话需要留有余地。提示词可以改，上下文若缺失，改几轮仍会空转。把需求说清楚，比堆叠形容词有效。
一个实用的做法，是在发出指令前先写三行：给谁看，用来做什么，哪些内容不能碰。写完之后再检查输出，不妨看几件事：
- 哪些句子是事实，哪些只是语言上的顺滑；
- 读者看完需要做什么，文本有没有给出可执行的下一步；
- 哪些背景被省略后，可能造成误解。
边界不是拒绝，而是分工
这类工具进入工作流，带来的不只是写得快一点，也是一种分工变化。人把重复的整理交出去，把判断留在自己手里。若团队把“生成”当成“完成”，返工往往在更晚的时候出现；若把它当成草稿，讨论反而更容易开始。
使用习惯也需要边界。对外发布的文字、涉及承诺和权益的内容、需要承担责任的说明，不能只看语句是否通顺。可以把工具放在前面，但核验和确认要放在后面，并且明确由谁做。这不是对工具的否定，而是承认它擅长和不擅长的部分并不相同。
回到那份会议纪要。它可能改了三处措辞，补了两条遗漏，也可能被推翻重写。真正值得留意的不是草稿来得快，而是团队因此更早看见分歧。工具把空白填上，人把空白里的含义补全。这个过程不轻松，却比把工具当成答案更接近日常工作。