把一段需求丢给AI大模型,几秒钟后拿回一份结构齐整的文字,这已经不算新鲜事。新鲜的是后面的动作:有人直接复制粘贴,有人盯着屏幕逐句改,改到一半索性删掉重写。同一个工具,两种反应,差别不在模型,而在人对「顺」这个字的信任程度。
它擅长的是像不像,不是对不对
语言模型的工作方式,是预测接下来最可能出现的那串词。训练过程奖励的是「这句话读起来是否自然、是否符合常见表达」,而不是「这件事是否真的发生过」。流畅和准确因此成了两个可以分开的指标:一段文字可以语法无懈可击、衔接顺滑,同时在某个具体事实上站不住。
这种错位不容易被肉眼发现。人判断一段话可不可信,很大程度上依赖语气和结构——措辞笃定、分点清晰、有小标题有过渡,读起来就像已经推敲过。模型的输出恰好长这样。它不会在没把握的地方停顿,也不会用一句犹豫的话提醒你这里它不太确定。
当实习生用,还是当搜索引擎用
两种用法对应的检查成本完全不同。当搜索引擎用,你期待它给出可直接采信的事实,那么每一条都要回溯来源,工作量并不比自己去查小。当实习生用,你交付的是任务背景和判断标准,拿回来的是初稿,再按自己的标准过一遍——这时候它的价值才落得下来。
几条常见的边界,值得先划清:
- 它不知道你团队内部发生过什么,除非你把背景写进对话;
- 对时效敏感的信息,它容易停留在旧版本,而且不会主动提示;
- 语气上的确定感,和实际的把握程度并不成正比。
省下来的时间去了哪里
不少团队引入AI大模型之后,发现总耗时没怎么降,只是把时间从「写」挪到了「看」。这不奇怪:起草被压缩了,校对没有。而校对恰恰是更难交给模型的一环,因为它依赖的是对业务语境、对读者、对后果的了解——这些东西不在训练数据里。
所以真正需要设计的不是提示词模板,而是流程里的那个卡口:谁对最终版本负责,哪些内容必须人工复核,哪些场合干脆不让模型碰。工具越顺手,这个卡口越容易被跳过,而跳过它的代价,往往要等到事情出了才被看见。
我的看法是,AI大模型改变的是起草和校对之间的时间配比,没有改变责任落在谁头上。它把「从零到一」变便宜了,把「判断这句话能不能发出去」变贵了。承认这一点,用起来会踏实一些。