周五下午四点半,文档打开,光标在闪。这周做了什么,心里大致有数,但要落成一段能让上级看懂、又不显得啰嗦的文字,往往要磨掉二十分钟。现在我把零散的几句话放进对话框,几秒钟,一段语气平稳、结构齐整的周报就出来了。
便利是真的。但我想问的是另一件事:这几秒钟里,被省掉的到底是哪一部分劳动。
省下的不是思考,是组织语言的力气
写周报的难处很少在于“想不出做了什么”,而在于把碎片化的过程整理成有因果的叙述。人工智能接手的是后者。它擅长把散落的句子缝成通顺段落,把口语改成书面语,把“这周挺忙”翻译成“本周重点推进了三项工作”。
这意味着它替代的是表达的体力活,并不是判断本身。你依然要决定哪件事值得写进去、哪件事该略过。这部分它替不了,因为它不在你的处境里。
然后是一笔没被记账的成本
生成之后要校对。听起来很轻,其实不轻。你得逐句读,判断哪句是夸大,哪句把两件事混成了一件事,哪句读着顺但事实偏了。校对的前提是你能判断;如果你对这项工作本身的把握不够,校对就变成了走过场。
一个常见的错位在这里:越是需要写清楚的事越复杂,越复杂的事越难校对。工具在最需要它可靠的地方,恰恰最需要人来保证不出错。
被抹平的那种粗糙记录
还有一层不太被提起。周报、会议纪要这类文本,本来是很粗糙的东西:语句不通,重点不明,但里面常留着真实的痕迹——某句话是谁在什么语气下说的,某件事被反复提起,说明它卡住了。
经过一遍润色,这些痕迹淡了。文本变得好看,也变得相似。同样一段模板腔调,写的是这件事还是那件事,读起来差别不大。组织里那些靠语气和细节传递的信息,就在这一步悄悄丢了。
它给的是“像”,不是“是”
从技术上说,语言模型做的是概率上的续写:根据上文,猜下一个词最可能是什么。它训练的目标是“像人写的”,不是“符合事实”。所以它写出的句子通顺、得体、比例协调,但通顺和正确之间没有必然联系。
理解这一点,很多困惑就通了。它不会因为不知道而停顿;它会补上一个听起来合理的东西。这也是为什么把它放在草稿位置,比放在定稿位置更合适。
责任没有跟着一起生成
最实际的一条边界是责任。文件发出去了,出了问题,没有人会说“这是模型写的,所以不算”。签字的人还是人,承担后果的也还是人。
所以合理的分工大致如此:让它做第一稿,做那些重复的、格式固定的、你本来就要花时间打字的活;把判断、取舍和对外承诺留给自己。这样安排,并非低估它的能力,只是明确责任由谁承担。
我不打算劝人少用或不用。工具就是工具,能省时间就是能省时间。只是每次光标闪的时候,值得多问一句:这次我省下的是打字,还是别的什么。人工智能把前者做得越来越好,后者仍然得自己扛。