一份会议纪要，常常不是“把说过的话记下来”这么简单。谁提出的问题、哪句是暂定意见、哪项决定还等人确认，这些细微差别决定了纪要能不能被继续使用。生成式人工智能进入这个环节后，最容易被看见的是速度：几段零散记录丢进去，很快就能得到一份语气平稳、结构完整的草稿。
但速度之外，真正麻烦的是核对。模型擅长把口语整理成书面语，也擅长把前后不连贯的表达补成看起来通顺的句子。问题在于，通顺不等于准确。原始记录里一句“下周再看”，可能被改写成“下周确定”；一个尚未拍板的方向，可能被概括成已经达成的共识。这类偏移不显眼，却会沿着文档继续往下传。
它能把语气抹平，却不一定把事实对准
我不太愿意把“像人写的”当作判断标准。它在处理格式、归并重复表达、生成待办清单时确实顺手，但它并不真正知道一场会议里谁有决定权，也不清楚某项讨论为何被搁置。它根据上下文推测，而推测有时恰好符合语言习惯，却不符合事情本身的边界。因此，使用它时更需要保留原始材料，让摘要和原文能互相对照，而不是只留下一份漂亮成稿。
核对不是不信任，而是流程的一部分
把工具接进文档流程，先要回答几个很具体的问题：
- 原始记录由谁保存，是否与生成稿分开存放；
- 哪些内容必须逐条回看原文，例如时间、责任人、待确认事项；
- 生成稿在流转前由谁标记“已核对”，出了问题能否追溯到修改环节；
- 哪些内部材料不适合直接输入外部工具，是否需要先做脱敏或局部摘录。
这里有一个容易被忽略的边界：生成式人工智能可以协助整理，却不适合替人承担最后的确认。它可以提示“这段话可能有歧义”，但不能代替会议参与者判断某项决定是否成立。把核对写进流程，比事后提醒“注意准确性”更有用，因为前者有动作，后者只是一句愿望。
把它放在草稿位，而不是结论位
我更倾向于给这类工具一个明确的位置：草稿位。它负责起稿、归并、改写和提示遗漏，人负责确认事实、补足背景、决定是否发出。这个位置并不低，也不神秘，只是把“生成”和“确认”分开。对企业来说，真正需要积累的不是一套万能提示词，而是围绕文档的核对习惯：哪些字段必查，哪些语气要保留，哪些结论不能由模型代写。
回到会议纪要这个小场景，生成式人工智能带来的变化并不是“以后不用写纪要了”，而是写纪要的人要把更多注意力放在判断上。省下来的时间，如果只是让文档发得更快，风险并没有消失；如果用来核对关键句、补齐上下文，工具才算真正进入工作流。对生成式人工智能的使用，最终还是要回到一个朴素问题：哪些环节可以省，哪些确认不能省。