下午四点，屏幕上摊着一篇两千字的产品说明。初稿是模型在十分钟内给出的，读起来相当顺：句式整齐，术语齐备，过渡自然。真正耗掉一下午的，是后面那些事——把“赋能”换成“可以”，把三个并列的形容词删到只剩一个，去确认那句关于并发数的描述是否和文档对得上，以及决定这一段到底该不该出现。
这类场景在我的工作里越来越常见。生成变快了，交付却没变快；或者说，快的那一段并不是堵点。
成本从键盘挪到了判断
早期用模型写东西，痛点很直接：写不出来，或者写出来不像人话。这一层如今基本被磨平，语言流畅几乎成了默认项。于是问题向后移动，落在两个环节上——这段话该不该说，以及它说的是不是真的。
前者是编辑的老本行，后者是过去被低估的部分。人工写作时，作者一边组织语言一边顺手完成了核对，写到一个数字会下意识翻资料。生成却把这两件事拆开了：语言先行，事实滞后，中间那段空档需要有人补上。
流畅会让人放松警惕
模型最擅长的恰恰是语体模仿。它清楚行业报告长什么样，清楚白皮书该有的腔调，也清楚什么时候该补一句“值得注意的是”。这种合规的外形，很容易被当成可靠。
我自己的经验是，往往读到第三段才警觉。前两段太顺了，顺到我没去质疑任何一个从句。等到某处冒出一个具体到可疑的表述，回头看才发现整篇的事实密度其实很低——大量句子在描述关系，而不是陈述可验证的内容。
所以校对不只是挑错别字。它要做的是把这些“看起来在说事”的句子拎出来，要么补依据，要么删掉。
提示词能管住形式，管不住知识
不少人把 AI内容创作 的指望放在提示词上。它确实有用，尤其在约束格式、语气和篇幅的时候。但它改不了模型知道什么、不知道什么。要求写得越具体，越需要有人先把背景交代清楚：读者是谁，术语怎么统一，哪些说法属于禁区，产品的边界在哪里。
这些材料本身就得有人整理。整理的过程有时比写初稿更费神，也更值钱。
署名这件事，迟早要面对
我倾向于把 AI内容创作 环节看作素材来源，而不是作者。不是出于姿态，而是因为责任必须落到具体的人头上：谁签的字，谁就得能解释每一句话的出处。把生成过程留档，看起来笨，返修和追责时省事。
三个能立刻改掉的习惯
- 先定验收标准再动笔。哪几段必须带出处、哪些形容词一律不许出现，写在前面比事后删改便宜。
- 把可核对的和不可核对的拆开。数字、时间、接口参数、引用归一类，集中处理；语气和节奏归另一类，最后统一。
- 保留原始生成记录。改到第五版时，你多半会想知道第一版里那句话是从哪来的。
回到那个下午。那篇说明最后改到八百字左右，删掉近一半。省下的时间并没有凭空消失，它换了个位置——从敲键盘挪到了判断上。如果团队没有为判断留出时间，AI内容创作 只是把成本往后推了一段，账单迟早还是会来。