周二下午，文档开着，光标在标题下面闪。你把需求敲进去：一段产品说明，三百字，语气克制。十几秒后屏幕上出现完整的一段，语法没错，逻辑也顺。你读了两遍，找不到该改的句子，也找不到想留下的句子。这大概是现在很多人用AI内容创作时最熟悉的场景：它写得太“对”了，因此没有可用的信息。
生成不再是瓶颈，判断才是
前两年讨论大多停在“能不能写”。这个问题现在基本失效——只要需求描述得足够清楚，初稿总能拿到。成本随即转移到另一头：读、挑、改，以及最后为这段文字负责。
一篇文章的价值，常常在于它敢舍弃什么。模型天然倾向于覆盖，把所有可能相关的都摆上来，句子之间用平滑的连接词缝住，读起来没有磕碰。人写的时候会删，删掉一个漂亮但没必要的比喻，删掉一句听着对却没有信息的话。删是判断，判断需要立场，而立场不是生成出来的。
几种常见的不合适
- 语气平均。给谁的回答都像一份合格的对外说明，周到、安全、没有体温。
- 细节悬空。它会写“显著提升效率”，但不交代提升发生在哪一步、对谁发生。
- 结构过度整齐。三段式，每段一个论点，结尾回扣开头，读三篇就腻。
- 自信的模糊。不确定时它不沉默，而是换一种说法接着往下写。
这些算不上模型的故障，更像它工作方式的副作用。它学的是大量文本的平均样貌，平均意味着稳定，也意味着抹平。
把它放在流程的哪一格
我自己的做法，是把AI内容创作拆成两件性质不同的事：铺路和抬杠。
铺路是体力活。把散乱的笔记整理成句，把一段长文压成三行摘要，同一个意思换三种语气各写一版，列一份自己没想到的提纲。这些事它做得又快又稳，省下来的时间可以挪去查资料。
抬杠是另一回事。让它扮演一个不认同你的人，逐段指出论证里的跳跃；让它反问“这句话凭什么成立”。这一步往往比生成有用，因为写作最缺的从来不是句子，是有人当场戳破。
真正落笔的那几段，我还是自己写。原因倒不是情怀，而是算过账：当一段文字你既不认同它的判断，又要替它负责，改起来常常比重写更累。
最后签字的是人
内容发出去，署名的是人。模型不承担后果，也不在意读者是否被误导。所以凡是涉及具体事实、数字、引用和承诺的地方，我的习惯是回到原始材料逐条核对；把握不足的表述就写得更谨慎，或者干脆不写。这不是对工具的不信任，是对读的人的基本礼貌。
有一个信号值得留意：如果你读完一段机器写的文字，居然一个地方都不想删，那未必是它进步了，也可能是你的标准被它悄悄对齐了。判断力这种东西，用一次强一次，不用就退。写得快是好事，但快不该是唯一被看见的变化。