下午四点，屏幕上摊着一份模型生成的初稿。格式工整，语气得体，句子读下来挑不出硬伤。可要把它变成能发出去的东西，还得从头过一遍：哪句没有依据，哪里把两件事混成了一件，哪段读着顺其实什么都没说。
这样的场景越来越多。人工智能嵌进流程，启动成本被压低，接着冒出一个不太好意思讲的问题——活儿并没有少，只是挪到了后面。
省下来的时间去了哪儿
写作、整理、改写、归纳，这类环节过去最贵的是起步：攒材料、搭骨架、逼自己写下第一句。现在先出一版，再动手改，心理门槛低很多。但改别人写的东西和从零写，是两套动作。从零写时，你知道每个判断的来路；改一版生成稿，你得先猜它为什么这么写，再决定信不信。
猜的成本不低。生成过程不留下推理痕迹，段落之间的衔接靠的是概率上的顺畅，而不是因果。于是核对的人要反过来把逻辑补回去：这句话的出处在哪，这个结论跳了几步，这个看似中性的形容词有没有偷偷表态。原本用来写的时间，变成了用来审的时间。
那些没写进文档的规矩
很多工作真正难的部分不在文本里。一份对外说明该说到几分，一个内部通知该绕开哪些旧账，同一句话对老客户和新客户该不该一样说——这些规矩很少被写下来，靠的是在旁边看久了形成的默契。模型学到的是公开语料里的平均写法，而平均写法在具体场合往往不合身。
所以常见的情形是：初稿看得过去，一放进真实语境就别扭。不是语法问题，是分寸问题。分寸恰恰是难以言传、也难以标注的那部分。这也是我判断人工智能在短期内更像“能干的助手”、而不是“可以交办的同事”的原因——它能覆盖工作量里可标准化的部分，剩下的边界工作反而更显眼。
责任也在这里卡住。工具不会因为写错一句话去道歉，也不会在事后被追问。签字的人仍然是人，而签字意味着要为一段自己没推导过的文字兜底。这个不对称，是很多团队在试用期结束后选择收窄范围的真实原因，与技术好不好用关系不大。
可以先划出的范围
比较稳妥的用法，是把它放在错了代价低、结果又能被快速验证的地方：草稿、提纲、格式转换、把散乱记录整理成条目。反过来，需要对外承诺、需要承担后果、需要判断分寸的环节，人还是得在场，哪怕只是在最后签个字。
还有一个常被忽略的动作：留痕。哪一版是模型出的，哪一版是人改的，改了什么。这件事做起来琐碎，但一旦要回溯，没有痕迹就只能全盘重来。把人工智能放进流程，改的不只是产出速度，还有事后能不能说清楚每一步是谁做的。
回到下午四点那份初稿。它省下的不是写作时间，是面对空白页的那点犹豫。这笔账划算，但别把它记成“工作量减少”。