会议刚结束，聊天框里已经弹出一段“纪要”：议题、结论、待办事项，分门别类，语气平稳。若只看这段文字，会议像是开得很顺利。真正参加过讨论的人却知道，中间有过两次停顿，有人对预算口径提出疑问，也有人把“再看看”说得很轻。这些没有进入纪要，却可能决定事情往后怎么走。
生成式人工智能进入这类场景，几乎是从“帮忙整理”开始的。它擅长把散乱的口语压成短句，把重复表达合并，把跑题内容挪到一边。效率的提升很直观：原本要反复听录音、对时间点、补主语的工作，现在可以先得到一个草稿。问题也在这里出现——草稿太顺，顺到让人忘记它是一次有损压缩。
压缩之后，谁的意见被折掉了
会议记录不是逐字稿的缩写，而是一次判断：哪些话是背景，哪些是决定，哪些只是情绪。生成式人工智能并不真正理解组织里的权责关系，它依据的是语言模式：谁说得完整、谁的话更像结论、哪些词反复出现。于是，沉默的人、犹豫的语气、没有形成结论的争论，容易被处理成“未达成一致”或干脆消失。读纪要的人若只看文本，很难意识到缺失发生在哪里。
这不是要否定工具。相反，把机械的整理工作交出去，本身是合理的。但需要区分两种任务：一种是“把说过的话排整齐”，另一种是“判断哪些话值得留下”。前者可以大量交给模型，后者仍然需要在场的人补一道手。否则，纪要会变成一份过于干净的版本，把冲突磨平，也把风险藏起来。
语气校准，比摘要更难
有些团队会让生成式人工智能顺便调整语气，把尖锐的反馈改成更委婉的表达。这样做并非没有道理，书面沟通确实需要分寸。但语气一变，责任也随之模糊。原话里的“这个方案风险很高”，改成“建议进一步评估”，看上去更专业，却可能让接收方误以为只是流程要求。模型不会知道这句话背后是经验判断，还是一次试探。
我更愿意把这类输出当作“待校对稿”，而不是“完成品”。校对的重点不只是错别字和格式，还包括三件事：有没有把未决事项写成已决，有没有把个人意见写成集体结论，有没有把限定条件删掉。它们听起来琐碎，却决定了纪要能不能被信任。
把工具放回工具的位置
生成式人工智能在会议纪要里的价值，可能不在于替人做判断，而在于把判断之前的体力活接过去。整理结构、合并重复、标出待办，这些环节省下来的时间，应该回到讨论本身：谁还没有发言，哪个分歧没有被记录，哪句“原则上同意”其实附带条件。工具越顺滑，人越需要留一点不顺手的地方，提醒自己回去核对。
所以，当下一次纪要自动生成时，不妨先问一句：这份文本让事情更清楚，还是只是更整齐？清楚意味着保留必要的棱角，整齐则可能把棱角磨掉。两者之间的选择，仍然在使用者手里。