打开文档，光标在空白处闪。很多人的第一反应已经变成把要求敲进对话框，等一段成型的文字落下来。速度快得让人松一口气——然后问题才开始。
它做的是接龙，不是理解
大模型的工作方式，说穿了是根据前文猜下一个词。猜得准，是因为它读过海量文本，见过无数句子的走向。它没有“知道”这件事的体验，也没有一个可以核对的内部账本。所以它能把一段话说得很顺，却不一定说得对。
这不是修辞上的挑剔，而是它工作方式的一部分。理解这一点，很多奇怪的现象就解释得通：为什么它会把不存在的出处写得像真的一样，为什么同一个问题问两遍，答案会飘。
顺滑的文字最容易骗过审稿人
人读文字时，会不自觉地拿“通顺”当作“可信”的替身。一段逻辑连贯、术语到位的话，读起来就默认它经过了思考。人工智能恰好极擅长生产这种表面质感。于是审稿的门槛其实被抬高了——不是要求变高，是要求的方向变了：从改错别字、调语序，变成核对事实、追问依据。
我自己的习惯是，凡是从模型那里拿来的具体说法，只要涉及数字、时间、出处，一律回到原始材料。慢一点，但省掉后面返工。
把它放在哪一环，比用它做什么更重要
有些环节它确实好用：把一段混乱的会议记录压成条目，把长文缩成摘要，把一种语气换成另一种语气，列出几个自己没想到的角度。这些工作的共同点是，结果对不对，人一眼能看出来，或者稍查一下就能确认。
另一些环节要小心：需要判断真伪的、需要承担后果的、需要理解具体情境和人心的。这些地方它能给初稿，但不该给结论。
- 生成候选，而不是终稿
- 处理结构，而不是事实
- 让它提问，而不是让它拍板
第三条常被忽略。让它先反问几句“这段给谁看”“想解决什么问题”，往往比直接要一篇成稿更有用。
判断这件事，暂时还交不出去
工具变强的时候，人的价值会往上游移动。以前花在措辞上的时间，现在可以花在判断上：这件事值不值得写，这个结论站不站得住，读者真正卡在哪。这些问题的答案不在语料里，只在你对具体场景的了解里。
所以我不太担心被取代这件事，倒更担心另一种情况：因为太顺手，大家不再追问一段话背后的依据。人工智能可以帮你把话说圆，但圆不圆和对不对，是两回事。
光标还在闪。这一次，先想清楚要说什么，再打开对话框。