前阵子整理季度材料，我把一份会议记录丢给工具，让它压缩成三百字。几秒之后，出来的东西语法干净、条理清楚，连“下一步考虑”都替我补好了。我盯着屏幕看了半分钟，忽然觉得不太对劲：那份记录里我原本写了半句牢骚，说某个环节反复返工很磨人。压缩版把这句删掉了，理由是“与主题关联度低”。
这不是工具出错。它只是忠实地执行了我给它的暗示：要简洁、要专业、要能直接贴进文档。问题在于，被删掉的那半句抱怨，恰好是我当时最真实的判断来源。
它擅长的是“把话说顺”，不是“把事想清”
用久了会发现，生成式人工智能在文字处理上的长处非常集中：改写语气、统一格式、把零散要点串成段落、把一段晦涩的表述换成更容易读的版本。这些任务有共同点——输入和输出的边界是清楚的，判断标准也相对外在，好不好读、合不合规范，看一眼就知道。
但一旦任务变成“这件事该怎么看”，它的表现就变得微妙。它会给出一段四平八稳的框架，把不同可能性并列摆开，末尾加一句“需结合实际情况判断”。这不算错，甚至可以说得体。可如果我自己还没想清楚，这类文本很容易让人产生一种“已经想过了”的错觉。读的时候点头，合上文档却记不住任何具体结论。
我的做法是把它往前挪一步：不让它替我下判断，只让它替我暴露盲区。比如写一段产品说明，我会先自己写完，再让它指出哪些地方表述含糊、哪些前提没有交代。它挑毛病的能力，往往比它给建议的能力更可靠。
措辞的平权，也是表达的趋同
有个现象值得留意。同一批人用同一类工具写东西，过一段时间，文档的腔调会变得相似：句子长度接近，连接词雷同，连转折的位置都差不多。这不是谁的错。模型在训练中见惯了大量规范文本，它天然倾向于输出“平均意义上最稳妥”的表达，而稳妥往往意味着抹掉棱角。
对公文体、说明书、通知这类文本，趋同是好事，能降低理解成本。但对需要体现个人观察的内容，问题就来了。我见过一些本可以写得很具体的复盘，最后变成“提升了效率”“优化了流程”这样的句式。这些句子没有错，只是换到任何一家公司、任何一个项目上都成立，也就等于什么都没说。
所以我给自己定了一条不太严格的规矩：涉及判断和感受的部分，先自己写完初稿，再考虑要不要让工具碰。它可以帮我改错别字、调整语序、把长句拆开，但“我觉得这件事哪里别扭”这类内容，必须由我自己写出来。生成式人工智能在这里更像一副眼镜，而不是一双眼睛。
边界不在能力，而在责任归属
关于它能做什么、不能做什么，讨论已经很多。我更关心另一个问题：当一段文字由它起草、由我署上名字，责任落在谁身上。答案其实很清楚，落在我身上。既然如此，使用时就有一条简单的底线——凡是我不理解、无法自己复述的内容，就不该出现在我的稿子里。
这条底线听起来保守，实际执行起来并不容易。工具生成的段落往往通顺得让人放松警惕，读一遍觉得“有道理”，就顺手留下了。等过几天被问起某个表述的依据，才发现自己说不清楚。我的应对办法很笨：凡是保留的段落，都用自己的话在边上写一行备注，说明它到底在讲什么。写不出来，就删掉。
- 让它做整理、改写、检查，少让它做判断和定调；
- 保留具体的人、时间、场景，这些细节最难被替代；
- 任何自己讲不清的句子，一律不进入终稿。
回到开头那份会议记录。后来我把原始版本重新翻出来，把删掉的那半句牢骚补回了备注栏。返工的原因其实很清楚，只是当时没人愿意写下来。工具帮我把话说顺了，但把事想清楚这一步，还是得自己来。生成式人工智能改变的是写字的效率，至于写字背后那点笨拙的判断，它替不了，也不该替。