会议室投影还没关,试用团队让工具把刚才的讨论整理成纪要。几秒后,屏幕上出现一段结构完整的文字,语气得体,却漏掉了谁在什么条件下负责什么。这个瞬间比演示更能说明问题:生成式人工智能可以把表达变得顺滑,却不一定把工作里的含混变清楚。
流畅不等于可交付
开放文本里,模型很擅长补全。句子差一点,它接上;上下文不足,它猜一个合理方向。这种能力让草稿来得很快,也会把未说清的前提悄悄填平。纪要真正的难点不在措辞,而在判断哪些话只是讨论、哪些已经形成决定、哪些还需要复核。这些信息往往不在字面里,而在会议之外的约定、优先级和责任人中。生成式人工智能遇到这类空白时,输出的是一份看似完整的文本,阅读者却要继续猜测。
可交付物的标准更朴素:能追溯、能执行、能被人接手。它需要知道某句话来自哪里,某个动作由谁确认,某个数字是否过期。模型并不天然承担这些约束,它更擅长生成合理表达,而不是替组织确认事实。把流畅文本直接当成结论,风险往往不在明显错误,而在那些读起来很顺、细看却悬空的句子。
提示词之外,还有工作流
把提示词写长,确实能改善输出。交代角色、格式、语气、禁止项,模型会少走一些弯路。但提示词解决不了输入质量、权限边界和复核责任。一个更实际的做法,是把任务拆开,让生成式人工智能只负责其中一段。
- 输入阶段先整理原始材料,标出已确认事实、待定事项和互相矛盾的说法,别让模型替人做取舍。
- 生成阶段限定输出形态,比如只列行动项、只做摘要、只给待确认问题,减少自由发挥的空间。
- 复核阶段回到人和系统,核对责任人、时间点、引用来源,把“看起来合理”改成“可以执行”。
这样做不神秘,也不轻松。它承认模型在语言组织上的长处,同时把判断权留在流程里。很多团队卡住的地方,不是不会写提示词,而是没有把“谁对最终文本负责”说清楚。提示词是入口,工作流才是护栏。
把它放在合适的位置
我倾向于把生成式人工智能看成初稿工具和对照工具,而不是最终责任人。它可以帮你把散乱笔记变成可读结构,也可以在你写完后指出遗漏的角度;但涉及承诺、权限、对外表述和内部决策时,仍需有人回到原始材料做判断。边界清楚之后,使用反而更从容:知道它会在哪里补全,就在哪里多看一眼;知道它不掌握隐含前提,就把前提写明。
回到那份会议纪要,真正要改的可能不是句子,而是会议本身有没有留下清楚的行动项。工具把这个问题放大了,也让人更早看见它。生成式人工智能不会替团队建立秩序,但它会迫使团队把秩序写出来。