周五下午,一位同事把周报丢进对话框,让工具帮忙“润色一下”。几秒后,文字变得整齐、礼貌、句式均衡,连原本漏掉的进度都补上了。他看了两眼就点了发送。问题出在第二天:主管问起其中一项“已同步给合作方”的进展,他才发现那件事还停在邮件草稿里。
这类小事正在变多。生成式人工智能的强项是把零散信息组织成看起来成立的文本,但它不负责确认这些信息是否真的成立。于是,使用它的团队很快会遇到一个不太起眼却绕不开的成本:核对。
它补上的往往是语气,不是事实
从技术上说,生成式人工智能根据上下文预测接下来的词,擅长模仿结构、语气和常见表达。这让它在会议纪要、产品说明、邮件草稿等场景里显得顺手。但预测的合理性不等于事实的准确性。它可能把“预计下周完成”改写成“下周完成”,把“部分客户反馈”扩写成“客户普遍反馈”。这些改动读起来更顺,却改变了信息的强度。
因此,判断一份由它参与的文字能不能直接用,关键不在于文笔,而在于其中哪些句子是可验证的。时间、对象、数量、承诺,这些部分需要人回到原始记录里对一遍。语气可以交给工具,事实不能。
效率提升之后,工作并没有消失
很多团队引入生成式人工智能的初衷是省时间。起草确实变快了,但省下来的时间未必变成空闲,常常转成了另一种工作:检查。有人要确认引用是否对应原文,有人要判断一段总结有没有丢掉前提,有人要决定哪些内容不适合放进公开文档。
这不是说工具没有价值,而是它的价值需要被放在合适的环节。比较稳妥的做法,是把它用在“从无到有”的草稿阶段,或者“从多到少”的压缩阶段,而不是直接用在对外发布的最后一步。前者容错空间大,后者一旦出错,修复成本远高于省下的时间。
- 让它先整理结构,再由人补充事实与判断。
- 涉及数字、时间、承诺的句子,逐条回到来源确认。
- 对外文档保留修改痕迹,便于区分哪些表述由人最终确认。
责任不会因为工具参与而转移
还有一个容易被绕过的边界:当一段文字由生成式人工智能起草,署名的人仍然要对它负责。工具没有动机,也没有判断力,它不会因为一句话可能引发误解而犹豫。犹豫这件事,仍然需要人来完成。
所以更实际的问题不是“能不能用”,而是“用到哪一步、由谁收尾”。把这句话说清楚,团队对它的期待会稳定很多。它适合做那个把空白页填满的角色,不适合做最后签字的角色。核对那句话的人,依然是使用它的人。