会议结束后，录音文件还在，参会人已经散场。把录音丢给生成式人工智能，几分钟后得到一份像模像样的纪要：议题、结论、待办事项一应俱全。看上去省了不少事，但真正的工作往往从这时才开始。
问题不在于它写得是否通顺。通顺是它擅长的事。麻烦在于，会议里有些话是半句、有些决定带着前提、有些任务并没有明确负责人。生成式人工智能会把空白补上，补得自然，却不一定补对。校对的人若只看生成后的文本，很难发现哪一句是原话，哪一句是模型顺手接上的。
省下的是打字，不是判断
在会议场景里，生成式人工智能适合做粗加工：把口语转成书面语，把散乱讨论压成条目，把明显重复的内容合并。但“谁在什么时候做什么”这类信息，仍然需要回到录音或原始转写里确认。尤其是否定句和条件句，比如“这个方案先不推进，等对方确认预算再说”，一旦被压缩成“方案暂缓”，后续执行就可能漏掉条件。
所以，判断一套用法是否合适，不在输出看起来多完整，而在它有没有减少核对成本。如果生成一份纪要只要几分钟，校对却要反复听录音，那省下的只是打字时间。反过来，如果输出能保留时间戳、说话人标记和待确认项，校对就有了抓手。
把“像真的”拆成可检查的部分
使用生成式人工智能处理会议内容，可以把流程拆成几段：先保留原始转写，再让模型做摘要，最后把摘要里的每个结论和待办对应回原文位置。这样做不花哨，但能减少“看起来对”的误导。
- 摘要里出现的人名、时间、金额和任务，逐项回查原始记录。
- 把不确定的表述单独列出，不强行压成结论。
- 让输出保留“待确认”状态，而不是默认所有空白都已填好。
这些做法听起来像笨功夫，却决定了工具能否进入稳定流程。生成式人工智能的边界也在这里：它擅长把已有材料整理成可读文本，不擅长替人承担确认责任。会议纪要如此，其他文档整理也类似。
回到开头那个场景。纪要发给参会人之前，仍有人要问一句：这条结论的原话在哪？如果这个问题能很快找到答案，工具就用对了；如果找不到，那份纪要再顺滑，也只是草稿。