周五下午，同事把一份周报发到群里，说先让模型起了个草稿，自己改了两句。读起来很顺，信息也全，但总觉得哪里不对：它把几件没做完的事写成“持续推进”，把一次争论概括为“达成共识”。这未必是模型故意美化，而是它擅长把零散材料整理成看起来完整的叙述。问题也随之而来：我们验收的到底是什么？
从“写出来”到“写得像”
早期使用人工智能，惊喜多来自生成速度：几句话就能扩成一段，几段材料就能拼成一篇。现在更常见的感受是“像那么回事”：语言通顺、结构规整、语气得体。但这些优点会掩盖一个事实：周报的价值不在文采，而在信息是否可核对、判断是否可追溯。模型可以替人组织句子，却不能替人解释“这件事为什么没做完”。
验收清单需要往前挪
如果只在最后一步检查错别字和语气，很容易放过中间环节。更务实的做法，是把验收拆开：
- 事实层：人名、时间、数字、结论是否与原始记录一致，能不能指回出处。
- 判断层：哪些是事实，哪些是推测，哪些是模型补的过渡句，需要标出来。
- 责任层：谁发出这份文档，谁就对最终表述负责，不能把“模型写的”当免责声明。
这三层并不复杂，但需要流程上留出位置。比如让起草者保留原始素材，或者要求关键结论附带一句依据。工具越顺滑，越要防止“看起来对”替代“确实对”。
人的位置不在润色，而在取舍
有人把人工智能比作实习生，这个比喻有方便之处，也有偷懒之处。实习生会问问题，模型通常不会主动追问“这个目标变了没有”。它按给定材料输出，材料里没有的矛盾，它未必能发现。因此人的位置不只是最后润色，而是在开头决定什么该写、什么不该写，在中间判断哪些信息值得追，在结尾承担取舍后的结果。
另一个容易被忽略的点是边界。把内部会议记录、客户信息、尚未公开的计划直接贴进对话框，看似省事，实际上把数据流向变得模糊。组织需要明确哪些内容可以进入外部工具，哪些只能留在本地流程里。这不是单纯的技术问题，而是管理习惯问题。
先把小场景用稳
对多数团队来说，与其追求“全面智能化”，不如先挑一个低风险、高频次的小场景：会议纪要整理、周报初稿、文档摘要、客服话术草稿。选场景时可以问三个问题：错了会不会造成实质损失？有没有人能快速核对？输出是否容易追溯到原始材料？三个问题都过得去，再谈扩大使用。
回到那份周报。它并不是不能用，而是不能直接发。把“持续推进”改回“卡在等待确认”，把“达成共识”改成“仍有分歧，待下周讨论”，这份草稿才有价值。人工智能能帮我们更快地写出东西，但写什么、算不算数，仍然需要人来定。工具越像人，越要记得问一句：这句话，谁负责？