LLM不太可能完全取代人类作家或程序员，而是通过自动化重复性任务并加速某些工作流程来增强他们的工作。 虽然 LLM 擅长生成文本、代码片段或基本文档，但它们缺乏人类在复杂项目中带来的更深层次的上下文理解、创造力和解决问题的判断力。 例如，LLM 可以起草一个对列表进行排序的函数，但如果没有人工指导，它无法为分布式系统设计可扩展的架构或调试多线程代码中的竞争条件。 同样，虽然 LLM 可以生成营销文案或博客文章，但如果没有迭代的人工编辑，它们很难捕捉到细微的品牌声音或原创故事讲述。
在编码方面，LLM 作为生产力工具最有效。 开发人员已经使用像 GitHub Copilot 这样的工具来自动完成样板代码、生成单元测试模板或解释不熟悉的语法。 然而，需要领域专业知识的任务（例如，针对特定工作负载优化数据库查询或实施自定义业务逻辑）仍然依赖于人类的直觉。 例如，LLM 可能会建议一个通用的 SQL 查询，但开发人员必须对其进行调整，以考虑索引策略、数据分片或合规性要求。 同样，调试复杂系统通常涉及理解组件之间的交互，如果没有开发人员的明确上下文，LLM 无法完全掌握。
对于写作，LLM 可以协助构思、研究总结或语法检查，但无法复制人类的原创性或战略思维。 技术作家可能会使用 LLM 来概述用户手册，但最终文档需要仔细的结构化，以匹配受众的知识水平和产品的独特功能。 在创意写作中，LLM 可能会产生情节想法，但创作具有情感共鸣的角色或主题深度需要人类的洞察力。 即使在 API 文档等技术领域，人工监督也至关重要，以确保准确性并避免幻觉——LLM 会发明听起来合理但不正确的细节，这是一个已知的局限性。
关键的结论是，LLM 将改变工作要求，而不是消除角色。 开发人员和作家将减少在日常任务上花费的时间，而将更多的时间花在设计、验证和创新等高价值工作上。 例如，编码人员可能会使用 LLM 更快地构建功能的原型，然后专注于完善边缘情况、安全性和性能。 作者可能会自动化初始草稿，但会投入精力为特定受众定制消息或完善语气。 适应性至关重要：学会将 LLM 用作协作者的专业人士——同时磨练他们在批判性思维和特定领域解决问题方面的专业知识——将仍然是不可或缺的。