周一早上，隔壁工位的同事把上周零散的记录粘进对话框，三十秒后拿到一份格式齐整的周报。他改了两个词，发出去。整个过程不到两分钟。
这场景已经不新鲜。真正值得琢磨的不是它能写，而是写完之后——省下的那二十分钟，通常滑进了另一堆待办里。
它擅长的，其实是“看起来对”
周报、会议纪要、产品说明的初稿，这类文本有共同特征：结构稳定、句式重复、读者对信息颗粒度的要求不高。模型在大量同类文本上见过足够多的样本，续写时大致不会跑偏。
但这跟“理解你在做什么”是两件事。它给出的完整句子，往往是概率上更像的样子，而不是事实上更准的样子。于是会出现一种奇怪的现象：文风突然变顺了，具体数字却要逐个核对。
有个判断标准我一直觉得好用：一段文字写错，代价由谁承担。周报写虚了，代价小；技术方案里的参数错了，代价就大。人工智能在低代价文本上的收益比较明显，一旦牵扯到责任归属，它就从“帮手”退回“草稿机”。
省下来的时间，为什么没变成空闲
效率工具的老问题。手上事情变快，交付节奏也跟着变快，中间那点余量很快被新的期待填平。
- 原本一周写一次的总结，现在被要求每天同步；
- 会议纪要生成得容易了，会议数量反而没人去减；
- 初稿产出快了，评审的压力顺延到了下游。
这些不是工具的错，是组织把省下来的时间当成了新增产能。
边界落在哪里
我倾向于把当前的人工智能看作一个“反应很快、但没有立场的合作者”。它能补全句式，却判断不了这件事该不该做；能整理信息，却分不清哪条信息在这个项目里分量更重。
所以真正该练的能力，可能不是把提示词写得更花哨，而是把任务拆到能被检验的粒度——把“写个方案”拆成“列出三种可选路径，各自标注风险”。拆得动，工具才用得上；拆不动，多半是任务本身还没想清楚。
至于那些确实需要人来的部分——判断优先级、承担责任、在模糊处拍板——暂时还稳稳留在人这边。这未必是坏事。
回到开头那位同事。他后来把省下的时间用来补全一个旧接口的注释，理由很朴素：“反正快。”这大概是这类工具在我看来的合理位置：不改变工作是什么，只改变做它的顺序。