一场周会刚结束,录音还在转写,纪要草稿已经出现在屏幕上。句子通顺,要点齐全,连待办事项都列好了。有人准备直接转发,有人停下来问:里面那句「下周完成接口联调」是谁说的?如果原话只是「尽量推进」,这份纪要算不算把语气改了?
这类停顿,正在成为生成式人工智能进入办公场景后的常见动作。它擅长把零散信息拼成可读文本,也会在拼接时做出判断。判断未必错,却需要被看见。
它写的是草稿,不是结论
生成式人工智能的工作方式,决定了它更像一个反应很快的起草者。给它背景、目标和限制,它能给出结构完整的初稿;给它一份长文档,它能压缩成几段摘要。问题在于,初稿的完整感容易让人忘记它仍是草稿。摘要里被合并的两种意见、被省略的前提、被替换的措辞,都可能影响后续判断。
因此,把这类工具放进工作流时,先要明确它输出的是什么。会议纪要需要区分原话与概括,方案草稿需要标出假设与待确认项,对外回复需要保留可追溯的依据。与其要求它一次给出定稿,不如让它先交出可检查的中间件:哪些内容来自原文,哪些是推断,哪些需要人补充。
提示词之外,更需要上下文
很多人把注意力放在提示词上,反复调整措辞,希望得到更合意的结果。提示词当然重要,但决定输出质量的,往往是上下文是否完整。谁在说话,面向谁,什么不能写,哪些信息已经确认,哪些还在变化——这些背景如果缺失,模型只能按常见写法补全,补出来的内容看起来合理,却未必符合眼前这件事。
这也是生成式人工智能在团队协作中容易被低估的一环。它不是单独工作的作者,而是嵌在资料、讨论和审核之间的节点。把它当作节点,就会自然地去设计输入:给足背景,标明边界,保留版本,安排复核。把它当作魔法按钮,反而容易在返工时付出更多成本。
边界感来自使用方式
讨论边界时,人们常把问题归到模型身上:它会不会编造,会不会泄露,会不会越写越偏。这些担心有道理,但边界不只在模型一侧。使用者是否核验事实,是否避免输入不该外传的内容,是否在对外发布前完成审阅,同样决定结果是否稳妥。
可以建立的是一些朴素习惯。让工具先做整理,再做起草;把关键事实单独列出,逐项对照;对涉及承诺、时间、责任的句子,回到原始材料确认;对外内容保留人工终审。这样做不会让写作变得笨重,反而能减少来回修改。
- 先给上下文,再给任务,减少模型自行补全的空间。
- 要求区分事实、推断和建议,方便逐条核对。
- 重要文本保留来源与修改记录,避免版本混淆。
- 对外发布前由具体负责人确认,不把审核交给工具。
回到会议室里那份纪要。更稳妥的做法,不是争论工具能不能写,而是让它先写,再让发起讨论的人确认语气和承诺。生成式人工智能可以缩短从录音到草稿的距离,却替代不了对「这句话是否准确」的确认。校对看似琐碎,恰恰是人与工具分工的接缝。