晚上九点，同事把周报贴进对话框，让模型“顺一顺”。几秒后，一段语气平稳、结构齐整的文字出现了。读起来没有问题。问题是，其中一句把上周的延期写成了“按计划推进”。模型并没有故意撒谎，它只是太擅长把空白补成句子。
这类场景正在变多。写作的门槛降低了，核对的负担却没有消失，只是换了个位置。过去，成本花在“怎么写”上；现在，更多花在“写得对不对”上。生成一段话很快，确认这段话里的时间、数字、责任归属，仍然要人来做。
麻烦在于，通顺会制造一种可信感。人读到自己熟悉的句式，容易先放下戒心。模型又很少直接说“我不知道”，它更倾向于给出一个像样的版本。于是，核对从“检查错别字”变成了“检查事实链”：这句话的依据在哪，数字从哪里来，有没有把不确定写成了确定。
省下来的时间，去了哪里
工具确实有用。起草、改写、列提纲，这些环节的时间被压缩了。但省下来的时间如果又被塞进更多任务，核对就被挤掉了。很多团队容易把“生成”当成“完成”，把“看起来整齐”当成“可以交付”。问题出在流程，不在工具。
人工智能在这里更像一面镜子。原始记录不清楚、责任边界含糊，它就用通顺的句子把这些模糊包起来。表面更整齐，追起来更难。它放大的正是流程里原本就存在的松散，而不是能力。
哪些内容不能只靠生成
低风险、可逆、能快速验证的文本整理，交给模型问题不大。涉及对外承诺、关键数字、时间节点、责任归属的内容，仍然需要有人签字。这并非不信任技术，而是这些内容的代价不在生成端，而在使用端。一句话发出去，改回来就难了。
可以留一份简短的追问清单：
- 这句话的依据是什么，能不能指到原始记录；
- 数字和时间节点有没有被改写；
- 有没有把“可能”写成“已经”；
- 如果出错，谁来发现，谁来修正。
这些问题不复杂，难的是每次都问。人工智能不会替我们承担后果。它能把句子写顺，却不能替我们决定哪句话该说、哪句话不该说。周报最后还是要有人读一遍，哪怕只花三分钟。这三分钟，可能就是“用了工具”和“被工具带着走”的区别。