把工单分类、会议纪要整理、初稿撰写这些事情交出去之后，不少团队的第一个星期是轻松的。到了第三个星期，开始有人在群里说：怎么感觉更忙了。这句话未必是错觉，也未必是工具的问题。更常见的情况是，工作结构被悄悄重新分配了一遍，而没有人重新画过流程图。
它稳的地方，通常是被定义清楚的地方
模型在边界明确、反馈及时、可以反复试错的任务上表现稳定。分类、摘要、改写、格式转换，这类活有个共同点：对不对容易判断。一旦标准本身含糊——这封邮件算投诉还是咨询，客户的语气算不算已经安抚——输出就开始摇摆，而且摇摆得相当自信。这种自信谈不上欺骗，它只是把概率摊平成了一句陈述。
省下来的时间，大多去了核对
以前写完一份材料，作者心里大致有数。现在面对的是一段读起来毫无破绽的文字，得逐条去找依据。核对比创作更耗神，因为它要求人持续保持怀疑，而不能顺着语感往下滑。
- 句子通顺，但结论悄悄偏移了原来的意思；
- 引用看起来具体，却找不到出处；
- 同一个问题问两次，回答并不一致；
- 边界情形被“合理地”处理掉，没人察觉。
生成只要几秒钟，确认可能要二十分钟。这笔账不写进流程，效率提升就只是把成本挪到了别人身上。
责任不会跟着任务一起交出去
工具能起草、能给建议、能在深夜随时响应，但对外署名的人还是人。这意味着“我不确定”必须由某个人说出口。不少团队在引入人工智能时只算了效率账，没算责任账，而后者才决定这套流程能不能长期跑下去。责任账的核心问题很朴素：出了问题，谁能解释清楚当时为什么这么决定。
执行变便宜之后，稀缺的是判断
知道什么算对，正在从一种默认能力变成需要刻意维护的能力。它并不抽象，具体表现为几件事：能写出可验收的标准；能识别哪些任务压根不该交给人工智能；能在结果看起来没问题时仍然追问依据。这些能力不是天生的，是长期亲手做过之后留下的手感。如果一开始就跳过动手环节，手感也就无从积累。
有些场合，慢一点更稳
后果不可逆的、需要向外部解释的、标准本身还在变的场景，多花时间通常值得。说它保守也无妨。工具的价值不在于用得多，而在于用在对的位置上。反过来，那些重复、低风险、验收口径清楚的环节，交出去几乎没有争议。
所以，如果一段时间后团队反而更累，先别急着换模型。多数时候要改的是流程：谁负责验收，验收标准写在哪里，什么情况下允许退回人工。人工智能改变的不是工作量本身，而是工作量分布的位置。看清这一点，比再添一套工具更管用。