周五下午，一位同事把产品说明丢进对话框，几秒后拿回一段措辞工整的文字。他读了两遍，说“比我自己写顺”。问题出在第三段：那句关于材料耐受温度的描述，原文里根本没有，是被补出来的。
这类时刻正在变成日常。它擅长把空白填满——语法、语气、过渡句，都填得妥帖。麻烦在于，填得越顺，人越容易跳过核对这一步。
流畅是副产品，不是保证
从机制上说，这类模型做的是在给定上下文里估算下一个词的可能性，逐词推进。它学到的是语言里常见的搭配与结构，而不是一本事实登记簿。一段文字读起来通顺，只说明它符合语言习惯，并不说明其中的人名、数字、因果关系经过查证。把“写得像”当成“说得对”，是最常见的误读。
长文本里这一点更明显。开头几段通常稳妥，越往后越容易出现前后不一致：前面说某个流程有三步，后面变成四步；一处是泛指，另一处忽然给出精确表述。这不是它“故意”，而是逐段生成时缺少一本统一的账。
哪些活可以交出去
我的判断比较朴素：把生成式人工智能当成一台不疲倦的初稿机器和改写工具，比当成信息源稳妥得多。
- 可以交：把会议记录整理成条目、把长句拆短、给同一段话换三种语气、为已确定的要点拟小标题、查错别字与标点。
- 需要守住：涉及规范、参数、责任归属、时间节点的表述，凡是要被别人拿去执行的，逐条回到原始出处。
- 最好不要：在没有材料的情况下让它“补全”事实、出处、引述。它补得越自然，你越难发现缺口。
还有一层常被忽略的成本：改写太容易，人会不自觉地少想一遍。原本动笔之前必须想清楚“我要说什么”，现在可以先让它写，再回头看像不像。顺序一变，判断被推到后面，而后面往往没有足够时间。
核对没法外包
有些团队会在流程里加一道“人工复核”，方向没错，但要落到可执行：谁核、核什么、核到什么程度。笼统的“审一遍”通常会退化成读一遍——读得顺就放过。可以试着把核对拆成几件小事：专有名词逐个比对，数字回到源头，因果句单独拎出来问一句“依据是什么”，再删掉那些读起来漂亮、删掉也不影响意思的句子。
也不必把它想得太对立。它在语言上的耐心确实帮了忙，尤其是那些必须写、写起来却毫无乐趣的文本。它把“从零开始”换成“从一版开始”，省下的是启动成本。真正需要人守住的，是那句“这句话凭什么成立”。这个问题它回答不了，也不该由它回答。