星期一下午，一位产品经理把上周的零散记录粘进对话框，几秒钟后得到一份结构完整的周报：进展、问题、下步计划，语气平稳，术语准确。他读了一遍，改了两个字，发了出去。整个过程不到五分钟。
这件事的便利是真实的，但一个更值得琢磨的问题也跟着出现：这份周报里，有多少内容是他真正想让别人知道的？
它擅长的是“看起来完整”
生成式人工智能在文字类工作上的第一层能力，是把零散信息整理成符合格式的成品。邮件、会议纪要、项目说明、复盘文档，这些文本往往有稳定的骨架，而模型见过大量类似样本，模仿骨架并不困难。对写作者来说，最耗神的常常不是想法本身，而是开头怎么起、段落怎么排、语气怎么拿捏。工具把这部分成本压得很低。
代价藏在另一面。格式完整容易让人误以为内容也完整。当一份文档读起来顺畅、用词得体，读者会下意识降低追问的意愿——它看起来已经想清楚了。可实际上，周报里那句“进展顺利”，可能只是模型对模糊输入的礼貌处理。它不会替你确认风险，也不会替你说出那句不太好听的真话。
输入端决定了输出的上限
很多人抱怨工具写出来的东西“正确但没意思”，这通常不是模型的问题，而是输入的问题。如果交给它的是“本周推进项目”这样一句话，它只能还给你一段放之四海皆准的表述。如果交给它的是具体卡在哪一步、谁提出了什么顾虑、哪个环节反复返工，输出会立刻不一样。
这带来一个有点反直觉的结论：使用生成式人工智能的过程，其实是在训练自己把话说清楚。你得先判断哪些信息是关键，哪些是噪音，还要决定哪些内容不适合交给外部工具处理。这套判断无法外包，也恰恰是文字工作里最值钱的部分。
它不解决的问题
有几类事情，工具帮不上忙，或者帮了反而更麻烦。
- 需要承担责任时。文档里写错了判断，署名的是人，不是模型。
- 需要在场时。团队真正需要的往往不是一份漂亮的复盘，而是有人明确指出问题所在。
- 需要克制时。写得更多不等于说得更清楚，而工具天然倾向于多写一点。
还有一层容易被忽略：当越来越多的人用相似的提示、相似的模型来写相似的东西，读的人会慢慢对这类文本失去敏感。语气统一、结构工整、用词安全，看多了就跳过去。这不完全是坏事，它逼着写作者去想：哪些话是只有我能说的？
把它当成初稿机器，而不是代笔
比较稳妥的用法，是让生成式人工智能承担第一稿。让它先把结构搭起来，把零散记录归拢，把明显啰嗦的句子压短，然后人再回来动刀：删掉不准确的地方，补上只有当事人知道的细节，把回避的表达改成明确的判断。这个过程未必比直接写快很多，但成稿的质量更稳定。
另一个实用的做法是反向使用。写完自己的版本后，让它指出哪些句子含义模糊、哪些结论缺少支撑。它未必每次都说对，但被追问一遍，往往能发现几处自己没注意的地方。
至于周报这件事，那位产品经理后来改了一个习惯：先自己写下三句最想让人知道的话，再让工具围绕这三句扩写。多花的几分钟，换来的是文档里还留着一点他自己的判断。工具没有变，变的只是他愿意在输入端多投入多少。
这大概是现阶段比较诚实的态度：承认它把许多文字工作的门槛降了下来，也承认门槛降低之后，真正区分内容的，仍然是那些无法被提示词概括的东西。