会议刚结束,录音文件还在转写,项目群里已经有人问:能不能让生成式人工智能先把纪要出一版?这个场景很常见,也很能说明问题。它给出的文字往往结构完整、语气稳妥,甚至比现场发言更像一份“正式文件”。但把这份初稿直接发出去,常常会出问题:谁提出了保留意见,哪些结论只是待确认,哪些任务并没有负责人,原文里可能含糊,生成结果却会替人补全。
它擅长把话接下去,不等于知道话从哪里来
生成式人工智能的工作方式,决定了它很会顺着上下文往下写。给它一段讨论,它能归纳主题、调整语序、补出常见表达;给它一个写作目标,它能迅速搭起框架。这种能力在草稿阶段很实用,尤其是把零散口语整理成可读文本。
问题在于,它的“顺”来自语言层面的连贯,而不是对会议现场的事实核验。发言人语气里的犹豫、一句被临时搁置的争议、白板上没写进录音的箭头,它未必接得住。若使用者只看到成稿的完整度,就容易把语言顺畅误当成事实可靠。这个误判,比错别字更难发现。
真正增加的工作,藏在核对环节
把生成式人工智能接入日常协作,表面看是省掉了从零起草的时间,实际会把一部分工作量挪到后面。纪要里的待办是否对应到人,时间点是否来自明确约定,引用的话是否改变了原意,都需要有人逐条回看。若原始材料本身混乱,核对成本还会上升。
- 先分清哪些内容属于记录,哪些属于概括,哪些只是模型补出的过渡句。
- 对涉及承诺、期限、责任范围的部分,回到原始记录确认,不用成稿反推事实。
- 把生成结果当作待编辑的草稿,而不是可以直接签发的文件。
这也解释了一个容易被忽略的现象:工具越能迅速给出完整答案,使用者越需要保留停顿。停顿不是形式主义,而是给核实留出位置。尤其在多人协作中,一段看似中性的总结,可能改变后续动作的方向。
边界不在字数,而在责任能不能落回去
讨论生成式人工智能时,人们常把注意力放在它能写多长、能接多少种任务。对实际工作来说,更关键的问题也许是:出了问题,责任能不能落回具体的人。模型不会参加复盘,也不会为一句被误读的结论负责。它参与得越深,流程里的确认点就越要清楚。
比较稳妥的做法,是把它放在低风险、可回退的环节:列提纲、改语气、把长材料压缩成阅读版、给讨论提供另一种表述。至于事实认定、对外承诺、涉及他人权益的判断,仍应由人完成,并留下可追溯的依据。这样做并不排斥工具,反而能让工具的优势稳定发挥。
回到会议纪要那个场景,生成式人工智能可以帮人更快看到讨论轮廓,却替代不了那句追问:这条结论是谁确认的?当人愿意把这个问题问清楚,工具才真正进入工作流,而不是停在演示屏上。