一份读起来顺滑的纪要，可能藏着一句被抹平的反对
会议室里，讨论卡在一个排期上。有人提出担心，语气不重，也没形成明确结论。会后把录音交给工具整理，出来的纪要条理清楚，语气平稳，那个担心被压缩成“已讨论”。读起来没毛病，但下次有人翻记录，很难知道当时为什么停了一下。生成式人工智能进入办公场景后，这样的瞬间会变多：它擅长把散乱的话整理成可读文本，却未必知道哪句话在后来的推进里重要。
这不是说工具在偷懒。它面对的是语言模式，不是人的注意力。生成式人工智能的工作方式，可以粗略理解为根据上下文预测接下来该出现什么：把大量文本里的表达习惯压缩进参数，再在具体输入下生成一段连贯内容。连贯是它经常能做到的事，核查不是自动附赠的环节。如果输入里没有写清楚谁反对、反对的是哪一层，输出通常也不会替人补上。
演示与日常之间，差的是上下文维护
很多演示让人惊讶，是因为问题被精心裁剪过：背景清楚、目标单一、材料干净。日常工作的输入往往相反，邮件、聊天、文档、口头补充混在一起，前后版本还互相打架。它可以把这些材料揉成一段通顺的话，但不负责判断哪份材料过期，也不天然知道谁的意见需要保留。于是，使用它的成本不只在“生成”，还在“核对”和“补上下文”。
有个容易被忽略的细节：提示词写得漂亮，不能替代材料本身清楚。若原始记录缺少前因后果，模型只能沿着已有语言往下接，接得顺，不代表接得对。对生成式人工智能的期待，容易从“帮我省点时间”滑到“替我把事定了”。前者是起草，后者是责任转移，中间隔着一道人工确认。
把它放在草稿环节，先问一句“错了会怎样”
一个稳妥的用法，是把它放在草稿环节：先整理结构，再列待确认问题，然后由人补事实、补立场、补责任。这个顺序不花哨，却能挡住不少看似顺滑的误读。提交之前，不妨看三件事：
- 这段内容里，哪些句子来自原始材料，哪些是模型自行衔接的？
- 如果某个判断写错了，谁会受影响，谁来改？
- 这份输出是给人看的草稿，还是会被当成不再复核的依据？
边界不在它会不会写，而在我们是否愿意为一段顺滑文字停下来核对。它能帮忙标记“此处待确认”，也能把不同意见并列出来，但它不会自动知道哪一句会在三个月后变得重要。使用者的动作，是在按下发送之前多问一句：这段话如果被误读，后果落在谁身上？问完这句，再决定要不要让它继续写下去。