下午三点，屏幕上躺着一段AI写的产品介绍。句式整齐，形容词密集，读第一遍很顺，读第三遍才发现它始终没讲清楚一件事：这东西替用户省掉了哪一步。这类稿子不难读，难的是你没法直接发出去。
按下生成键很容易，按下发送键不容易
模型出字的速度和成本，这一年变化很明显，把一段话写通顺的门槛被压得很低。于是“能不能写出来”不再构成问题，“写给谁、要不要说、说到哪一步”反而成了卡点。AI内容创作的分工也就是从这里分岔的：一头是产出，一头是判断，中间隔着一层没人愿意承认的成本——读、改、核对。
很多人第一次用AI写作，会觉得效率翻倍。等真把稿子放进流程里，才发现省下的时间又还回去了：你要逐句确认它说的对不对，语气是不是这个栏目该有的，有没有把两件不相干的事接在一起。产出变便宜了，审稿变贵了。
一致性是个工程问题，不是灵感问题
写单篇时，模型表现得像个熟练工；做系列内容时，问题就露出来了。同一个概念，第一篇叫“智能助手”，第三篇变成“AI代理”，第五篇又开始说“自动化工具”。读者未必会指着说错了，但会觉得这个号说话不算数。
这类漂移不是靠“写得好一点”能解决的，它更像配置问题。实际做法通常是给模型加约束：一份固定术语表，几段真实发布过的样稿，明确哪些说法不许出现，哪些数字必须来自指定来源。把这些东西写下来，比反复调整提示词里的形容词有用得多。约束不是限制表达，是让表达可复现。
它出错的方式比较安静
AI写错东西，往往不是那种一眼能看出的胡扯。更常见的是把真实存在的信息接错了线：方向对、语气对、细节错位。这种错误最难在通读时抓出来，因为整段话读起来毫无破绽。
所以核对不能放在最后一道工序。比较稳妥的做法是把涉及人名、时间、数字、因果关系的句子单独摘出来，先查再改文风；否则润色会把错误打磨得更像真的。这一点在AI内容创作里被反复低估，因为它不产生可见的工时，只产生风险。
工作流被切成几段，人站在哪一段
用了一阵子之后，我倾向于把流程拆开看，而不是笼统地问“AI能不能写稿”：
- 选题和角度：需要判断读者此刻关心什么，这一步很难外包。
- 资料整理与初稿：模型在这里效率优势明显，尤其是把零散笔记整理成段落。
- 结构判断：哪段该删、哪句是废话，仍然要人来定。
- 润色与核对：建议交替进行，改一遍、查一遍，而不是改完再查。
- 署名与责任：稿子发出去，签字的是人，这一点没有模糊空间。
把这几段分开之后，很多争论会自然消解。你不需要论证AI是否会取代写作者，只需要判断在这个环节上，它的产出值不值得你花时间去改。
可以马上做的一件小事
如果只能改一个习惯，我会改提示词的开头。把“帮我写一篇关于X的文章”换成“先列出写这个话题时你不知道、需要我确认的信息”。前一句得到的是成品，后一句得到的是清单。清单不好看，但它把判断留在了人这边，也顺便告诉你这篇稿子的风险点在哪。
工具会继续变，界面会越来越顺手，生成这一段只会越来越不值钱。真正稀缺的还是那点笨功夫：知道自己在对谁说话，以及愿意为说出口的每个细节负责。