会议室的白板上还留着三层箭头，投影已经关掉。有人把录音转成文字，顺手丢给生成式人工智能，让它“整理成一份能发群的纪要”。几分钟后，一份语气利落的文档出现了：结论明确，待办清楚，连负责人和时间都排好了。方便是真方便，但问题也在这里——原始讨论里那些犹豫、前提和未被采纳的分支，被压成几句话之后，还能不能支撑后面的判断？
纪要变顺了，信息却可能变薄
会议记录不是把话变短，而是把讨论的来路留住。生成式人工智能擅长归纳，也擅长补全语气。它会把零散表达整理成完整句子，把模糊表态写成更确定的结论。这种“顺”有时是帮助，有时是风险。比如有人说“这个方向可以先小范围试试”，模型可能写成“确定推进该方向”。前半句里的保留条件，在润色中消失了。
这不是模型故意歪曲，而是它的工作方式决定的：它根据上下文预测接下来更可能出现的表达。预测让文字连贯，却不保证每个判断都能回到原话。对写作者来说，这种连贯很容易被误认为可靠。尤其当文档要发给没参会的人，读者看到的是一份成品，不是讨论现场。
把“谁说的”留在文档里
一个可操作的办法，是不要让生成式人工智能直接产出终稿。先让它做结构化草稿：议题、分歧、暂定结论、待确认事项分开列。涉及决定的部分，保留原话短引或时间点；无法确认的地方，用“待核对”代替顺滑的断言。这样文档不一定漂亮，但可追溯。
另一个容易忽略的边界是责任。工具可以压缩文本，不能替人承担对外表述的后果。把纪要发出去之前，至少有人对照录音或笔记过一遍：哪些是事实，哪些是推断，哪些只是会上提到的可能性。这个动作不复杂，却是生成式人工智能进入工作流后常被省掉的一步。
写作之外，更是信息习惯
生成式人工智能在会议纪要里的价值，不只是省时间。它迫使团队重新想一件事：哪些信息必须原样保留，哪些可以概括。把这个问题前置，能减少事后争论“像不像人写的”的空间。工具输出的每一段都可以改，但改之前要知道它依据什么。否则，文档越顺，离讨论现场越远。
所以我不太赞成把这类工具当成“自动写手”。它更像一个整理台：把散落的话摆开，等人来确认哪些该留下。会议结束后，更值得花时间的不是再润色一遍措辞，而是看一眼那些被合并、被省略、被写得更肯定的句子。那里往往藏着下一次讨论的入口。