第一次用生成式工具整理想法的人，多半会经历一个短暂的错愕：几分钟前还散落着口头语和重复句的草稿，转眼变成了分点清晰、措辞得体的段落。第二次就熟练了，第三次开始，你连草稿都写得潦草——反正它会补。
这种顺滑是有代价的。响应越快，人越容易把“判断”这一步一并交出去，只留下“确认”的动作：扫一眼，觉得没问题，采用。
它擅长“像”，不擅长“是”
要理解这件事，不必深入模型的内部结构。语言模型做的事可以粗略概括为：根据已有上下文，预测接下来最可能出现的词。这个机制产出的是连贯、合语感、结构完整的文本，而不是对世界的事实核验。
于是就有了那个熟悉的落差：一段话读起来完全成立，细究却站不住。它给出的未必是错答案，而更像“看起来对的答案”。两者在屏幕上长得几乎一样，区别只在你是否愿意多追问一句——依据是什么。
被省掉的那一步，常常才是关键
把人工智能放进日常流程，效率提升是真实的：起草初稿、把长材料压成要点、把一种格式转成另一种、把散乱的反馈归归类。这些环节有个共同点——产出物后面还有人接手整理，错了也不至于无法挽回。人工智能在这里加速的，其实只是从“想到”到“写下”的那段距离。
另一些环节就不一样了。判断一份材料该给谁看、一句话会不会被误读、一个结论有没有反例、这次要不要照旧例办——这些依赖现场感、责任和对后果的在意。它们看起来琐碎，却是工作里真正需要人的部分。一旦连这些也交出去，剩下的就只有按确认键了。
有个粗糙但好用的检验方式：如果这件事做错了需要有人承担，那么其中的关键判断就不该完全交给一个不承担后果的系统。系统不会因为你被批评而失眠。
给它留一道门槛
更现实的做法，不是讨论用不用，而是设定在哪个节点必须停下来。比如，凡是要对外发出的内容，最后一遍由人从头读到尾，而不是只读改动处；凡是涉及取舍的决定，先自己写下理由，再去问工具怎么看——顺序反过来，理由往往就变成了对答案的附和。
还有一点容易被忽略：工具的输出会反过来塑造人的表达习惯。长期读那种四平八稳、句句稳妥却没什么信息量的文字，自己写东西时也会慢慢向它靠拢。这不是危言耸听，只是模仿的成本太低。
所以有时候需要刻意制造一点摩擦：关掉窗口，先在纸上写三行，写下自己到底想说什么。写不出来，说明还没想清楚，再多的生成也只是把模糊包得更漂亮。
技术会继续变快，这一点没什么疑问。能自己决定的，大概是让它快在哪一段、慢在哪一段。