会议室散场后，屏幕上留下一段自动转写文本：有人打断，有人改口，几项决定夹在闲聊里。把这段文字交给大语言模型，让它整理成纪要，确实比人工逐句回听轻松。但省下来的时间，并不会自动变成清晰的结论。
大语言模型的工作方式，决定了它擅长“接着写”。它根据上下文预测下一个词，能把散乱语句改顺，也能按模板归纳要点。但它并不天然知道哪句话是最终决定，哪句只是中途试探。上下文给得不够，它会用看似合理的措辞补空；补得越顺，越容易被误读为准确。
省下的是整理时间，不是判断
在纪要场景里，模型适合做低风险的文字整理：去口语、分段落、把待办事项拎出来。可一旦涉及责任人、截止时间、语气强弱，输出就只能当草稿。整理者仍要回到原始记录，确认谁答应了什么。这个动作看似琐碎，却是把“说过”与“定了”分开的关键。
更麻烦的是，模型不会主动暴露自己的不确定。它可能把“再看看”写成“原则同意”，把一句反问写成结论。使用者如果只读整理稿，很容易把语言的平滑当成事实的可靠。对此，比较稳妥的做法是保留原文引用，重要决定逐条对照；让模型做压缩，而不是替人裁决。
边界不在长度，在可核对性
有人把长文档交给大语言模型，期待一次得到完整方案。篇幅变长，不等于理解变深。模型能覆盖更多字面信息，却未必抓住组织内部的默契：某个项目为什么暂缓，某句话为何不能写进公开文档。这些判断往往藏在未写出的背景里，单靠文本难以还原。
所以，判断一个任务是否适合交给模型，可以看输出能否被核对。改写、摘要、分类、起草，通常有原文可对照；预测、决策、定责，则缺少稳定的校验点。前者能提高效率，后者需要人承担后果。把两者混在一起，省下的时间可能以返工和误判为代价。
- 给它清楚的输入边界：说明哪些是决定，哪些是讨论。
- 要求它保留不确定表达：不要替原文补全未说出的结论。
- 把输出当草稿：关键人名、时间、数字回到原文核对。
大语言模型不是会议里的隐形记录员，更像一个反应很快的文字助手。它能把粗糙的记录推到可读的状态，却不能替组织确认事实。真正值得省下的，是重复整理的时间；不该省掉的，是最后那一眼核对。