深夜改一份产品说明，有一句话怎么读都别扭。我把那一段丢给模型，让它顺一顺。几秒后回来的文字确实通顺，句子短了，节奏也稳了，只是我原本写的“在多数情况下”不见了。
这类小改动我遇到过很多次。它不影响理解，却悄悄改变了这句话承诺的范围。用得久了会形成一个印象：AI大模型很会写，但它对“写准”这件事的兴趣，远不如对“写得像”那么大。
它预测的是下一个词，不是事实
要理解这种偏差，得回到生成方式本身。模型做的事，是根据上文判断接下来最可能出现什么词。它优化的目标是文本的连贯与合理，而不是这句话在现实里是否站得住。限定条件、保留语气、模糊边界，在语言统计里往往是可省的枝节，删掉之后句子更利落，概率上也更“像人话”。
于是出现一种反差：越是不确定的地方，它写得越干脆。人不确定时会说“大概是”“目前看到的是”，模型不确定时，往往给出一个语气笃定的完整句子。
被磨平的那些词
“在多数情况下”“据目前观察”“这一点我还不确定”——这些短语在成稿里显得啰嗦，编辑的第一反应常常是删。但它们承担着一件事：把结论的适用范围标出来，让读者知道该信到什么程度。
AI大模型不会主动替你保留这层信息，除非在提示里明确要求。所以直接拿它的输出去对外发布，风险不在于句子写错，而在于句子的边界被悄悄放宽了。
摩擦要自己制造
- 先要结构，后要成稿。让它给出思路和要点，句子自己写，边界就不容易被抹掉。
- 要求它标注不确定处。哪怕标得不准，也能提醒你哪几句需要回查。
- 关键结论回到原始材料。模型可以帮你整理语言，不能替你担保事实。
这些做法都显得慢。但慢下来的地方，恰好是判断发生的地方。
它不是万能，也不是没用
把AI大模型当成一个整理语言形态的工具，用它压缩重复表述、换个说法、把散乱的笔记拢成段落，它是称手的。但让它对着你不熟悉的领域下判断，它给不出稳定的“我不知道”。这片空白只能由人来填。
回到那份产品说明。最后我保留了原句，只借了它改过的句式。改完读一遍，句子长了半行，但那半行是我该负责的部分。