一份会议纪要里，“尽快”“看情况”“先跟一下”这些说法很常见。模型可以迅速把它们提取成行动项，却很难判断谁该在什么时候确认，哪句话只是礼貌表达。于是，人机协作的第一道现实问题出现了：机器能整理信息，但流程是否顺畅，取决于人愿不愿意在关键处接手。
机器适合做窄任务，人负责补上下文
在文本归类、草稿生成、信息抽取这类边界相对清楚的任务上，模型可以稳定地给出结果。它们的价值不在于“像人一样思考”，而在于把重复、耗时的环节压缩，让人把注意力放到需要判断的地方。问题在于，很多工作并不是窄任务。需求里常藏着上下文：这句话是对谁说的，那个时间点是否还有效，某个例外是否应该被纳入。机器看不到会议室里的停顿，也不一定知道组织里默认的默契。
所以，把任务交给模型，再让人验收，只是最粗放的协作。真正的人机协作，往往发生在交接处：输入是否完整，输出是否可解释，出错时谁能停下来。交接设计得含糊，人就会被迫在最后一步救火；交接设计得太细，流程又会变重。
交接处决定协作体验
一个可用的协作流程，通常需要回答几个朴素问题：
- 机器给出的结果是建议、草稿，还是可以直接进入下一环节的结论？
- 人需要在什么节点确认，确认的是事实、语气，还是责任归属？
- 当模型不确定时，它能否把不确定说出来，而不是用流畅的句子掩盖？
- 出现偏差后，记录能否回到具体环节，而不是只留下“模型错了”的印象。
这些问题不新鲜，但在引入模型之后会被放大。因为模型的输出常常足够像样，人容易放松警惕。把确认动作做得太轻，人可能变成盖章器；做得太重，流程又会退回手工。因此，人机协作里需要一种可调节的分寸：高重复、低风险的环节让机器多走一步，涉及承诺、例外和外部影响的环节，给人保留明确的否决权。
别只看省下来的时间
衡量协作效果时，节省的时间当然直观，但它不是全部。还要看返工是否减少，误判是否在早期被发现，责任是否清楚，以及人是否还有机会理解机器为什么给出这个结果。如果团队只盯着速度，容易把确认环节当成障碍；如果只强调控制，又可能让机器退化成普通工具。
人机协作的难点，不是让机器替人做完所有事，而是让机器在合适的位置提醒，人也在合适的位置决定。这个分寸没有通用答案，只能在具体流程里反复校准。工具越强，越需要把人的注意力留给上下文、例外和后果，而不是留给无休止的重复确认。