前一阵改一份三千字的产品说明，读下来很顺，句句都对，合上文档却想不起它说了什么。后来知道这稿子是先用AI写作工具起的底，人再顺了一遍。问题不在错，在于通篇没有一个地方需要作者下判断。
「顺」是怎么来的，其实不神秘。这类模型做的是预测下一个词，训练语料里最常见的搭配往往得分最高，于是它倾向于选最稳妥的说法。稳妥意味着通用，通用意味着可以套在任何产品、任何行业上。人写套话多半是赶时间，机器写套话是概率使然——它不是偷懒，它是真觉得那样更对。
让它做减法，问题就露出来了
我试过一个笨办法：把一段自己写的、已经有点啰嗦的段落丢进去，只要求删减，不许改写。删完回来一看，被删掉的常常是具体的部分——某个条件下才成立的前提、某个数字的出处、某个只在特定场景出现的细节；留下的多是「整体表现良好」「能够有效提升」这类句子。原因不难猜：具体表述在语料里出现得少，模型对它没把握，反倒觉得抽象结论安全。
这提示了一件事：判断一段文字有没有被AI写作稀释过，不必看它有没有病句，看它敢不敢留具体的、可能出错的东西。一段话里如果找不到一个可被证伪的句子，多半已经被磨平了。
它擅长的地方，和我们以为的不一样
实际用下来，它省力的环节往往不在「写」。列提纲、把一段口语整理成条目、把长句拆短、检查前后称呼是否一致、把一份材料改写成给不同读者看的版本——这些活儿机械、重复、需要耐心，交出去不心疼。真正该自己来的，是决定这篇东西到底要说什么，以及哪句话愿意署自己的名字。
还有一种用法我越来越常用：让它扮演一个不合作的读者。不给它原文，只给要点，问它看完最想追问什么。它提的问题常常很浅，但偶尔会戳到我自己跳过去的那一步。
边界不在能力，在责任
关于AI写作的讨论容易滑向「能不能替代」，这个问题问偏了。它当然能写出通顺的段落，问题在于段落出错之后谁收拾。事实对不对、口吻合不合适、这句话会不会让某个客户误解——这些判断需要有人承担后果，而模型不承担。所以凡是涉及具体参数、承诺、时间节点的地方，我都不让它落笔，宁可自己填，填完再让它查前后有没有矛盾。
还有一层：它没有立场，也就不可能替你取舍。一篇文章总要放弃一些东西，放弃哪部分，是作者的工作。
几条自己定的规矩
- 不让它写第一稿。第一稿哪怕很烂，也得是我自己的，否则后面改的全是别人的骨架。
- 数字、条件、来源一律手填，它给出的任何具体信息都当作没有看见。
- 定稿前通读，凡是「值得注意的是」「在当今时代」这类开头，整句删掉，再看剩下的话还成不成立。
工具本身没什么问题，它只是把「写得像那么回事」的成本降到了极低。成本一低，人就容易停在「像那么回事」这一层。真正的分界线还是老样子：有没有人愿意为这几句话负责。稿子发出去，署名是人，这一条没变。