会议结束后，有人把需求说明贴进对话框，几秒后得到一份结构完整的方案。省事是真的，麻烦也是真的：段落读起来顺，细看却有几处正确但空泛的话，像在会议室里说了很多，却没回答具体问题。
这类场景正在变多。生成式人工智能被塞进写作、客服、代码辅助、资料整理等流程，界面越简单，越容易让人忘了它并不是一个“什么都懂的同事”。它更像一个反应很快的协作者：擅长把已有表达重新组织，却不一定知道哪些部分来自推断，哪些部分需要回到现场确认。
先问三个笨问题
把生成式人工智能当成同事之前，有几个问题听起来笨，却很有用：
- 这段内容里，哪些是事实，哪些是推测？
- 如果把它发给外部，谁能解释某句话为什么这么写？
- 当它说“已经完成”，完成的标准是谁定的？
这些问题不解决，效率提升很容易变成返工。模型可以生成一份会议纪要，但它不知道哪句话只是寒暄；可以写出一版产品说明，但它未必理解目标读者已经知道什么、还缺什么。人需要补上的，不是更华丽的提示词，而是上下文、判断标准和最终责任。
提示词不是遥控器
提示词当然有用。把目标、读者、限制条件、输出格式说清楚，结果通常会更接近可用状态。但它不是遥控器，按几下就能保证内容可靠。生成式人工智能的工作方式，决定了它会优先给出看起来合理的表达，而不是自动完成事实核验。面对不熟悉的主题，它可能用流畅的句子掩盖空白；面对模糊的需求，它可能用完整结构掩盖偏差。
更现实的做法，是把它放在流程中合适的位置：用来拆解问题、生成初稿、改写语气、列出检查清单，也可以用来扮演挑剔的读者，帮人发现表达里的跳跃。涉及对外发布、客户沟通、合同条款、个人信息等内容时，仍然需要人工复核和明确授权。不是不信任工具，而是不把判断一并外包。
边界感写在流程里
很多团队一开始会写一句“请核实内容准确性”，然后继续原来的流程。这句话当然没错，但作用有限。真正有用的边界，往往更具体：哪些资料可以输入，哪些输出必须标注来源，哪些场景必须由人签字，出现争议时由谁解释。把这些规则放进日常流程，比在培训里反复强调“注意风险”更实际。
我也不太赞成把生成式人工智能描述成万能助手。它有时像一位刚入职、阅读量很大但缺少现场经验的同事：能迅速给出草稿，能补上表达，也能把简单问题说得复杂。用得好不好，取决于团队是否愿意把笨问题留在桌面上，是否愿意为最后一段话负责。
它值得被认真使用，但不值得被神化。下一次准备把任务交给对话框时，不妨先问自己：我需要的是一段看起来像答案的文字，还是一个能经得起追问的结果？