上午的例会上，一位客服主管把一段由模型生成的回复投到屏幕上。语气妥帖，措辞客气，连客户那句带刺的追问都接住了。讨论没有停在“写得不错”，很快转到另一个问题上：这条回复发出去之后如果出了偏差，谁来签字？
这个细节大概能说明当下企业对生成式人工智能的普遍心态：愿意试，但不敢放手。试点的门槛已经很低，真正让人犹豫的是试点之后的那一段路。
演示与工位之间，隔着一段不体面的输入
演示环节里，提问是干净的、完整的、意图明确的。到了工位，输入变成半句话、错别字、三条信息挤在一段话里，中间还夹着情绪。模型并不会因为读不懂就报错，它会顺着猜下去，给出一个语法通顺、逻辑自洽、但与事实有偏差的答案。这种失败方式比崩溃更难防，因为它看起来像成功。
所以接入之前值得先问一句：这个环节如果出错，成本落在谁身上，能不能被及时发现。能撤回、能复核、影响面小的位置，适合先放进去；输出直接对外的场景，节奏就该慢下来。
它顺手的活，常常不是最要紧的活
从实际使用看，模型在起草、改写、压缩长文、把散乱记录整理成要点这类任务上确实省力。它们的共同点是容错空间大，人扫一眼就能判断要不要改。相反，需要拿捏分寸、涉及承诺、牵扯具体权益的环节，人的介入不能省。
- 话术草稿、邮件初稿：由人定稿，能省下反复修改的时间；
- 会议纪要与资料摘要：作为初稿供人校对，比从零写快；
- 内部知识检索后的复述：需要标注来源，方便回溯；
- 直接对外承诺、涉及金额与责任的答复：不宜由模型独立完成。
评估比接入更难
接入一个接口是几天的事，判断它到底行不行，可能要几个月。传统的准确率指标在这里不太好用——同一段回复，措辞不同但意思对，算不算过？答得礼貌却漏了关键前提，又该怎么记？这些问题没有现成答案，只能由业务方坐下来，拿一批真实样本定标准，再反复校准。
这也是试点做了几轮又停下来的常见原因：不是模型不够用，而是没人愿意花时间把“什么叫答得好”写清楚。写不清楚，就没法验收，也没法向上面交代。
把它当成需要带教的新人
我更愿意用这个比喻：一个知识面广、上手快、但不懂这家公司规矩的新人。你不会让他第一天就独立面对客户，也不会因为他偶尔出错就否定他。你会给他模板、给他边界、给他一个能随时问的人，然后在他的产出后面加一道复核。
生成式人工智能在企业里的位置，大概就在这道复核的前面。它把重复的、耗时的、需要先有个初稿的活接过去，把判断留给人。这个分工听起来不激动人心，但它是目前少数能长期跑下去的分工。
回到那间会议室。主管最后的处理方式很朴素：先让模型写，再由人来发，出问题按原有流程追溯。没有大张旗鼓，也没有推开不用。这种不彻底的态度，可能恰恰是它真正落地时的样子。