对生成式 AI 的认知容易走两个极端：要么觉得它无所不能，要么觉得它只是个玩具。真实边界在中间——它擅长处理和生成语言类内容，不擅长需要事实、判断与责任的事情。一张清单就能把这条线划清楚。
它擅长做的六件事
- 文字处理：写初稿、改写、总结、翻译、润色，节奏比从零开始快得多。
- 信息整理：把散乱内容归纳成结构化要点、表格、清单。
- 头脑风暴：一次给出几十个方向，帮你打开思路。
- 格式转换：把同一段话改成邮件、通知、文案等不同文体。
- 解释说明：用通俗的话讲清一个概念，换不同角度再讲一遍。
- 代码辅助：写片段、解释代码、定位报错。
这六件事的共同点是「信息经过它处理，但最终要有人确认」。它们都属于生成式 AI这类技术的舒适区，也是大语言模型被用得最多的地方。
想让这六件事真正好用，关键在「给约束」。头脑风暴如果只让它「给点想法」，出来的东西往往很空；改成「给 20 个不重复、适合上班族副业的方向，每个不超过 10 个字」，质量立刻不一样。格式转换同理，先给它一段范文，再说「照这个语气和结构改写」，比只丢一句「改成邮件」稳得多。
它做不好的四件事
反过来，有四类事它经常掉链子：
- 确保事实准确：它可能一本正经地说错，这叫「AI 幻觉」，查事实必须自己核实。
- 判断对错与价值：它不承担判断责任，涉及专业资质与后果的决策不能全交给它。
- 掌握最新和私密信息：除非你喂给它，否则它不知道昨天的新闻和你公司内部的数据。
- 替代人的审美与创意：它能给方案，但「哪个更合适」要你来定。
什么情况下它最容易失效
生成式 AI 的失效通常不是「答不上来」，而是「答得很自信但你查不出来」。最容易翻车的场景有三个：一是问具体数字、日期、引用，它可能编造；二是问训练截止之后才发生的事；三是让它做多步精确计算，它本质在预测下一个词，不是计算器。这三类场景下，只要答案没被独立核验，就不能当结论用。
还有一个隐蔽的坑：把内部资料丢给它之后，别默认它会「记住并保密」。给不给、给多少、给完之后怎么处理，取决于具体产品的设置，需以实际入口说明为准。
还要留意一种隐蔽漂移：让它改写或总结时，它可能在「为了通顺」的过程中把关键事实悄悄改掉，比如把日期挪位、把金额四舍五入。所以凡是拿出去用的内容，改完都要回头对一遍原文，重点盯数字、人名和结论。
按任务看分工
| 场景 | 正确做法 | 判断标准 |
|---|---|---|
| 写一份会议纪要初稿 | 让它生成，你补充事实和决定 | 人名、数字、结论已逐条核对 |
| 翻译一段产品说明 | 让它先翻，你通读一遍再交付 | 术语、数字、单位没有走样 |
| 给一个方案提思路 | 让它列十个方向，你来选 | 最终方向符合你的目标和约束 |
| 查一个事实或数据 | 让它给来源，你点开原文核实 | 能找到可验证的原始出处 |
表格里的第三列就是你的「把关清单」：每一行都有人做最后确认，AI 才真正变成助手而不是风险源。
这份清单会随版本更新而变化：今天的短板，可能在后续版本里被补上，比如联网检索和更长的上下文。判断时不执着于「某条能不能做」，而看它是否仍需要「人来做最后确认」——需要，就守住把关门；不需要，就放心交给它。
一条能避开大多数坑的原则
速查：用生成式 AI 的分工口诀
- 让它干「处理信息」的活：初稿、整理、翻译、归纳。
- 你自己干「判断和负责」的活：核实、取舍、拍板、担责。
- 涉及事实、数字、时效，答案没有来源就默认不可信。
- 一句话：它出草稿，你把关。
把 AI 当成「效率很高的助手」，而不是「不会出错的专家」，这条原则能避开绝大多数坑。它擅长的是把已有信息加工得更快，不是替你承担后果。想清楚这一点，再看手机相机里的计算摄影、手表上的腕上 AI这类具体应用，就会发现它们都遵循同一个逻辑：AI 做处理，人做确认。
