周一下午的例会结束后，桌上还摊着没合上的电脑。录音转写已经完成，几段零散讨论被整理成条目，动词整齐，格式干净。看起来只差发送。但真正做过会议纪要的人会先停一下：谁提出的？是结论还是试探？那句“先这样”是同意，还是暂时不反对？
这正是生成式人工智能进入日常工作的典型场景。它不负责决定事情，却把大量粗糙信息压缩成可读文本。省力是真实的，困惑也是真实的。过去我们怕漏记，现在要防的是“记对了字，却理解错了意思”。
它擅长压缩，不擅长担保
生成式人工智能的工作方式，决定了它很会顺着上下文补全。一段发言有停顿、有省略、有反话，人靠语气和关系判断，模型靠词与词之间的概率。于是纪要可能变得比原话更顺，却未必更准。比如把“可以考虑”写成“计划推进”，只差几个字，后续执行就会变形。
这不意味着它不可用。相反，在信息量大、重复度高的整理环节，它确实能减轻负担。问题在于，文本越是流畅，越容易让人跳过核对。一份排版漂亮的摘要，会给人一种已经梳理过的错觉。错觉一旦进入流程，后面的动作就会建立在尚未确认的理解上。
核对不是形式，而是把责任放回桌面
比较稳妥的做法，不是追求一键生成，而是把生成和确认分开。转写可以自动，摘要可以辅助，但关键动作要留下人工判断的痕迹。比如：
- 区分原话、转述和推断，不把三者混在同一层级；
- 对涉及任务、时间、责任人的句子回听原音；
- 把有争议的表述标出来，而不是让模型替人做结论；
- 发送前确认哪些内容只是讨论，哪些已经形成决定。
这些动作看起来琐碎，却决定了纪要是记录还是再创作。生成式人工智能可以参与整理，但不能替组织承担“我确认过”的含义。责任不会因为工具变快而转移，只会因为流程模糊而变得难以追溯。
边界感来自具体使用，不来自口号
讨论生成式人工智能时，容易陷入两种态度：一种把它当成万能助手，一种把它当成不可靠的玩具。实际使用往往在中间。它适合起草、归纳、改写、找结构，不适合在信息不足时替人下判断。把边界写进日常流程，比反复争论它是否可靠更有用。
回到会议室，自动整理当然可以继续用。只是发出之前，最好有人问一句：这段话是谁的意思？如果原话被压缩后失去了犹豫和条件，纪要就可能在无意中制造一个并不存在的共识。工具让文本更快抵达桌面，判断仍然要慢一点。