前些日子帮朋友改一份产品说明。他先让一个对话工具写了初稿，嫌太“顺”，又让另一个重写，还是那股熟悉的味道：句式齐整，形容词密集，读完却记不住任何一句。他问我，是不是提示词没写对。我说，问题可能不在提示词，而在这类工具已经被太多人用同一套方式训练过、使用过。
生成式人工智能这两年被讨论得极多，多半围绕能力边界：能写代码吗，能画图吗，能替代谁。但落到具体工作里，一个更朴素的问题浮现出来——它写出来的东西，为什么越来越像“已知答案的平均值”。
一、它擅长复述，不擅长发现
这类模型的基本工作方式，是从大量文本中学到词与词、句与句之间的概率关系，再根据上下文生成后续内容。这个机制决定了它很会处理“已经有人写过”的题目。给它一个常见的商务场景，它能迅速给出结构完整、语气得体的段落；给它一个模糊的创意需求，它往往回到几种稳妥的表达套路里。
这不是缺陷，而是原理使然。它的长处在于归纳与迁移，而非从零发明。理解这一点，对使用者很关键：把生成式人工智能当作一个见过很多稿子的助手，比把它当作一个能凭空想出好点子的作者，更接近实际。
二、“素材荒”其实是用法的同质化
有人担心互联网上的高质量文本会被模型学完，导致输出质量下降。这个担心有一定道理，但更现实的问题在另一头：当大量使用者用相似的提示、相似的模板、相似的场景去调用模型，得到的自然也是相似的结果。工具没有变笨，是输入变得单调了。
我在实际使用中有一个体会：想让输出有点辨识度，靠的不是把提示词写得更长，而是喂进去更具体的东西。真实的用户反馈、内部会议的争议点、某个环节反复出错的原因，这些内容很少出现在公开语料里，却是模型生成时最缺的“原料”。换句话说，决定输出质量的，往往是你愿意提供多少别人没有的信息。
三、把预期放回工作流程里
围绕生成式人工智能的讨论容易走两个极端：要么期待它一步到位，要么因为几次失败就彻底否定。两种态度都跳过了中间地带——它更适合被放在流程的某个具体环节里，承担有限但明确的任务。
- 起草阶段：让它先把零散要点整理成可读段落，人来判断哪些值得保留。
- 改写阶段：要求它在不改变事实的前提下调整语气和长度，而不是让它重新组织观点。
- 检查阶段：用它找出前后矛盾、指代不清的地方，这类工作它做得相对稳。
这些任务共同的特点是边界清楚、结果可验证。相反，把“想一个从没人做过的东西”直接丢给它，多半会失望。不是它不肯想，而是它的训练目标本来就不指向这个方向。
四、真正的门槛在使用者这一侧
工具越容易获得，区分度就越往人这边转移。同样一个模型，有人用出来是套话生成器，有人用出来是效率工具，差别常常在于提问的人对自己要什么有多清楚。说不清需求，再强的模型也只能给出一个四平八稳的猜测。
所以我对生成式人工智能的态度偏向务实：它是降低表达成本的手段，不是替代判断的来源。愿意花时间梳理背景、界定任务、核对结果的人，会从中获得实在的便利；指望它替自己完成思考的人，得到的多半是看起来正确、细看却空的东西。这个判断不新鲜，但在各种夸张说法里，值得被反复提起。