上周旁听一场内部讨论,有人把一份例行周报投到屏幕上,说这是模型写的,他只改了两行。会议室安静了几秒,话题很快滑向“那这块以后还要不要人盯”。这个问题问得实在,也很容易问偏:实在在于它迟早要面对,容易偏在于它把一个复杂的重新分工,压缩成了一个岗位去留的是非题。
被接手的往往不是岗位,而是任务里的一段
把任何一项工作摊开看,大致能分成几层:收集输入、做出判断、组织表达、承担后果。人工智能目前稳稳站住的,是第三层——把零散材料整理成一段读得下去的话。它做得快,措辞也常常像样。但如果输入本身缺了一块,它不会停下来问“这个数字为什么对不上”,而是顺着已有的上下文往下写,写得很顺。
所以真正被替换掉的,常常是“把想法写成文”这一段,而不是“想清楚”那一段。把这两件事混为一谈,是很多讨论卡住的地方。
交接之前,先问三个不涉及技术的问题
- 出错之后,谁在什么环节能发现?如果答案是“没人专门看”,那这段工作其实还没准备好交出去。
- 这项产出里,价值究竟来自写出来的形式,还是来自写之前的那次判断?前者容易交,后者交出去,等于把判断也一起交了。
- 责任落在谁头上?工具不会签字,签字的人得能说清自己凭什么认可这份内容。
这三个问题不需要懂模型结构就能回答,却比大多数关于能力边界的争论更有用。
边界不在能力,在可验证性
讨论这类工具时,常听到的一句话是“它还不够准”。但准不准不是关键变量,能不能被验证才是。一段代码跑一遍就知道对不对;一份会议纪要却很难说对错,只能由在场的人点头。前者可以放心交出去,后者交出去之后,人反而要多花时间核对,省下的时间又还回去了。
这也是为什么同一套工具在不同团队里的落地效果差别很大:不是模型变了,而是任务的验证成本不一样。判断一项工作适不适合交给人工智能,我倾向于先看它的结果能不能在几分钟内被一个熟悉业务的人推翻——能被推翻的,交出去风险小;推翻成本高到没人愿意做的,交出去只是把风险往后推。
它进入工作流的方式,通常很不起眼
很少有团队会宣布“我们开始用人工智能了”,更常见的是某个人先拿它写邮件草稿、整理会议记录、把一份长文档压成要点,几周后这些动作变成默认。这种自下而上的渗透不容易被管理看见,却决定了工具最终以什么方式留在流程里:是作为一个需要被检查的助手,还是作为一个没人检查的黑箱。
我个人更在意后者的风险。不是因为它会犯错——人会犯的错也不少——而是因为它的错误往往形态完整、语气笃定,读起来不像错误。人对这种文本的警惕心,往往比对明显荒唐的内容更低。
回到那场讨论。最后没人给出结论,只定了一条:周报照旧由模型起草,但发出前必须有一个人逐条核对事实。这算不上什么答案,只是一个把验证成本明确写下来的动作。很多时候,能做的也就是这个。