会议室散场后，桌上常留下白板照片、零散笔记和聊天记录。把它们交给生成式人工智能，几分钟就能得到一份格式齐整的纪要。这个场景足够日常，也足够暴露问题：它擅长把混乱变成可读文本，却不一定知道哪句话只是气话，哪项决定还悬着。
它先解决“可读”，未必解决“准确”
处理会议材料时，模型会顺着上下文补全语气和结构。口语被压缩成短句，重复表达被合并，待办事项被抽出来。但补全也意味着推测。原始记录里没有写明的负责人、时间点，它可能根据语境顺手填上。读起来顺，未必真实。使用者若只看格式，容易把推测当成事实。
我的判断是，把生成式人工智能当作草稿整理工具较稳妥。它先产出可读版本，人再回到原始材料核对关键名词、数字和时间。这里不需要复杂流程，只需保留一条习惯：凡是涉及承诺和资源安排的内容，都回到原话。工具降低阅读成本，人承担确认成本。
提示词像工作说明书，不像咒语
不少人把提示词写得很长，期待一句话让模型理解全部背景。实际使用时，通常有效的做法是拆任务：先要求保留原始发言中的不确定表达，再要求列出需要人工确认的条目，最后整理成段落。模型没有团队记忆，也不会自动知道哪些信息敏感。提示词写得像工作说明书，边界、输出格式和禁止补全的事项才会清楚。
- 先给材料，再给任务，减少模型凭空补背景。
- 要求保留“待确认”“未定”等标记，不急着润色成结论。
- 把输出拆成事实、判断、待办三部分，方便逐项核对。
这类做法听起来琐碎，却接近真实工作。模型不会因为提示词华丽就变得可靠，它依赖使用者把问题说清楚。
边界不在“能不能写”，在“谁来收尾”
文本生成的门槛降低后，新的分工慢慢出现：机器铺开草稿，人负责删减、核对和定调。这个分工不新鲜，和过去用模板、用搜索、用文档协作工具时有相似之处。区别在于，生成内容更像成品，容易让人跳过怀疑。越是顺滑的句子，越需要停一下，看看它是否替我们做了不该做的判断。
所以我不太赞成把“用了生成式人工智能”当成能力本身。它更适合被放进具体环节：整理访谈记录、改写通知、生成提纲、检查语气。每个环节都应有明确的验收动作。若验收动作缺失，效率提升很快会被返工抵消。
会议纪要只是一个入口。它提醒我们，生成式人工智能可以缩短从材料到草稿的距离，却不能替代对事实的确认、对语气的负责和对决定的追踪。把这些留给人，不是保守，而是让工具回到它擅长的位置。