常见的场景是：周五下午，团队把一周的零散记录丢给模型，让它整理成周报。几分钟后，一份措辞稳妥、结构齐全的稿子出现了。人写得少了，读的人却未必轻松：哪句是原始记录，哪句是模型顺手补的，需要逐行辨认。
这正是生成式人工智能在日常办公里最典型的处境。它擅长把已有材料重新组织，把口语变成书面语，把散点收成段落。但它并不“知道”业务现场发生了什么。它按概率接话，材料没覆盖的地方，就用看起来合理的句子填上。放在内部草稿里，这种填充还能容忍；放到对外沟通、合同说明或客户回复里，风险会立刻放大。
省下来的时间，往往转移到了审阅
不少团队一开始只算生成时间：几分钟出稿，似乎效率很高。真正投入使用的团队很快会发现，改稿、核对、补上下文的时间并不少。生成式人工智能把“写”的动作变轻了，却把“判断”的动作推到了后面。如果流程不变，省下的时间只是换了个位置，甚至因为多了一道辨别成本，整体未必更轻。
一种相对稳妥的做法是：不让模型直接写终稿，而是先让它做三件事——提取要点、标出材料缺口、给出两种不同语气的版本。人再决定哪些句子能留、哪些事实要回原始记录核对。这样用，模型更像一个整理助手，而不是代笔。
- 给材料划边界：只允许依据提供的会议记录和邮件，不引入外部推测。
- 要求标注不确定：哪些结论来自原文，哪些是概括，哪些需要人工确认。
- 保留修改痕迹：对外内容定稿前，由具体负责人签字，责任不随工具转移。
它更像初稿机器，不像责任主体
技术层面不必神秘化。生成式人工智能的输出依赖上下文和提示，材料给得越具体，跑偏的空间越小；接入检索后，它可以从企业知识库里找依据，但也只是“找得到”，不等于“用得对”。真正的难点在于：企业愿不愿意为审阅留出固定环节，愿不愿意把“谁签字”写清楚。
对外发布的内容尤其如此。语气可以交给模型调整，事实和承诺必须由人确认。工具越顺手，越要留一道慢工序。这不是保守，而是把效率放在可追溯的流程里。否则，周报写得漂亮，问题却藏在没人核对的那一句里。
回到那个周五下午。周报发出去了，团队确实省下了一些时间。接下来更值得关心的是，这些时间有没有被用来做更需判断的事，而不是被更多的周报填满。生成式人工智能可以帮我们写得更快，但要不要写、写成什么样、由谁负责，仍然是人的问题。