采风全网
达观天下

当人工智能开始写周报,我们先丢了什么

周一上午,一位在电商公司做运营的朋友把上周的会议记录丢给模型,两分钟不到,一份格式齐整、措辞得体的周报就出来了。他说起这事时语气轻松,说以后周一不用早起了。我问了一句:那你上周到底做了什么,现在还记得吗?他愣了一下。

效率的提升是真实的,不必否认。但周报这件事本身带着一道筛选工序——你得先回想哪件事真正往前推了一步,哪件事只是看起来很忙。这个过程很烦,烦的地方恰恰是判断发生的地方。整套流程外包出去,省下的不只是时间。

它擅长的是“像”,不是“对”

语言模型的工作方式是预测接下来最可能出现的词,这个机制让它极擅长产出读起来合理的文本。合理和正确之间,隔着一层它跨不过去的东西:它不知道某条会议结论第二天就被推翻了,也不知道某个需求其实已经悄悄取消。这些信息既不在提示词里,也不在它的参数里。

于是常见的情况是,交上来的东西语法通顺、逻辑自洽、结构完整,却在事实层面悄悄偏移。这种偏移不容易被发现,因为文本太顺了,读的人会自动跳过核对。这大概是使用中最需要警惕的一点——不是它写得差,而是它写得让人不想再看第二遍。

哪些环节可以放手

我的做法是把任务切两半,让人工智能接手前一半。可以交出去的部分是:

  • 把散乱的记录整理成有结构的段落
  • 把口语化的表达改写成书面语
  • 从长文档里检索特定线索、做初步归类
  • 为一份已有的材料生成几个开头,供人挑一个再改

这些环节的共同点是,输入和输出的对应关系清楚,错了也容易被看出来。需要自己留着的则是另外几类:要承担后果的判断、只有当事人掌握的上下文,以及那种“说不上来但觉得不对劲”的直觉——直觉往往是经验在后台运算的结果,暂时还没法写成提示词。

被挪动的是“费劲”的位置

用久了我发现,人工智能挪动的不是工作量,而是工作里费劲那部分的分布。以前费劲在写,现在费劲在想清楚到底要写什么。很多人在第一次认真写提示词时被迫承认:我其实没想明白这件事的目标是什么。

这未必是坏事。工具把人从誊抄式的劳动里拽出来,同时也把模糊地带暴露出来。麻烦在于,暴露出来的部分没人替你处理,只能自己坐那儿想。而这恰好是过去被格式和措辞掩盖掉的部分。

所以每次把一件任务交给人工智能之前,值得停一下问自己:这件事的价值在最后的产出,还是在产出之前的那段过程?答案不同,做法就该不同。有些活儿交出去是省事,有些交出去,是把长本事的机会一起交掉了。

免责声明:市场有风险,选择需谨慎!此文仅供参考,不作买卖依据。如有侵权请联系删除。
文章名称:当人工智能开始写周报,我们先丢了什么
文章链接:https://tech.cfdanews.com/ai/1794.html