周五下午，朋友把一份周报发给我看。三段，语气平稳，动词准确，连「本周推进受阻」都写得体面。他说自己只敲进去五条零散记录。问题在于，签上名字的人是他。
这类场景正在变多。生成式人工智能进入日常工作的路径，常常不是先替掉某个岗位，而是先接管那些「必须写点什么」的时刻：周报、纪要、邮件回复、方案提纲、初稿。它交付得快，快到人容易跳过核对那一步。
它给的是像样，不是准确
语言模型做的是预测下一个词。这个机制决定了它擅长维持语气的连贯、结构的完整、措辞的分寸，却并不对事实负责。一段文字读起来通顺，和这段文字成立，是两件事。前者可以批量生产，后者需要有人回到原始材料里对一遍。
所以真正该问的不是「它写得好不好」，而是「这段文字里，哪些句子必须能追溯到来源」。会议纪要里的时间、金额、责任人，属于需要追溯的部分；周报开头那句过渡，属于可以放手的地方。把这条线划清楚，工具才用得踏实。
核对的工作，被挪到了谁身上
有一种隐性成本很少被提起。当生成式人工智能把写作时间从一小时压到五分钟，省下来的时间并不会消失，它多半变成了核对时间——而且常常落在另一个环节、另一个人身上。写的人轻松了，读的人开始怀疑每一句；汇报的人提速了，审批的人要逐条回问。
效率确实提高了，但提高的部分需要重新分配。如果组织只看到产出变快，没给核对留出位置，压力就会顺着流程往下传，最后停在某个没有决策权的人那里。
语料留下的回声
还有一层容易被忽略：模型见得多的是已经写出来的东西。公开文本里，成功的叙述多，失败的过程少；结论多，推导少。长期用它起草，文本会慢慢向那种「已经成型」的腔调靠拢——四平八稳，面面俱到，缺具体的摩擦感。审稿的人如果也只扫一眼顺不顺畅，这类腔调就会沉淀下来，变成默认风格。
应对的办法并不复杂，只是费事：在初稿里塞进只有当事人才知道的细节，具体到某个时间点、某句原话、某个卡住的环节。细节是模型编不出来的那一部分，也是人能留下的指纹。
一份可以签名的稿子
回到那份周报。我的建议很朴素：可以交给它起草，但交付前做三件事——涉及数字和承诺的句子逐条核对，通用表达换成自己的话，没有把握的判断删掉或标注出来。做完这三步，签名这件事才算成立。
工具的价值不在于替人做决定，而在于把人从重复的措辞劳动里挪出来，腾出时间去做机器做不了的事：判断哪句话该说、该怎么说、说到什么程度。这条线守住了，用起来就不心虚。