一段客服回复的草稿,人写到一半卡住,交给模型补完,再回到人手里改两个词。这一来一回,就是今天多数人机协作的真实样子。它并不像演示视频里那样干净——按下按钮,任务完成。更多时候,它是一连串细碎的交接,每一次交接都带着一点没说清楚的东西。
交接的地方最容易出问题。人知道自己在做什么,却未必说得清为什么这么做;模型能生成看起来合理的答案,却不知道自己漏了什么。两边的模糊叠在一起,责任就悬在半空,谁也没接住。
没有写下来的那些前提
人在长期工作里会积累大量没进文档的默认前提:这个客户不能开玩笑,那句话在这个语境里其实是反讽,这个数字保留一位小数就够了。这些前提很少被明说,因为同事之间靠默契就够用。但机器不读默契。
于是第一道成本往往不是算力,也不是接口,而是把这些默认前提一条条讲出来。这件事枯燥,而且常常比自己做一遍更慢。很多尝试就卡在这里——第一次交接的摩擦太大,人索性退回去自己干了,工具从此闲置。
校对比生成更费神
另一件被低估的事是检验。生成一段文字只要几秒,判断它能不能用却要读完、比对、查证。当产出速度明显快于审查速度,人就从“做事的人”变成了“卡在流程中间的闸门”。这时候效率提升可能被抵消,甚至反转:活是多了,但真正被采用的没多多少。
一个朴素的经验是,任务越容易被一句话说清,交接越顺;越依赖情境和判断,交接越难。这不太取决于模型本身有多强,更多是任务结构的属性。同一个模型,用来整理会议记录和用来写对外声明,难度完全是两回事。
把边界画在能验证的地方
比较务实的做法,是把人机协作的边界画在可验证的位置上。让机器承担那些结果一眼能判断对错的部分——格式转换、初稿、检索、归纳;把需要权衡、需要有人承担后果的判断留给人。中间地带则设明确的检查点,而不是等人事后自己发现哪里不对。
- 交接时写清“完成的标准是什么”,而不只是“做什么”。
- 保留可回溯的中间产物,方便人判断问题出在哪一步。
- 事先说好谁对最终结果负责,别让“机器给的”成为默认解释。
人机协作听起来是个技术命题,落到日常,更多是流程和表达的问题。决定它好不好用的,往往不是模型有多聪明,而是人有没有把“交接”这件事当回事——愿不愿意多花十分钟,把那些原本靠默契传递的东西,写下来。