周一早上，行政把一段会议录音转成文字，交给大语言模型整理纪要。几分钟后，屏幕上出现一份结构清楚的文档：背景、讨论、待办，一应俱全。编辑停在一句话前：“下周完成接口联调。”会上确实有人提过接口，但没有人明确说“下周完成”，更没有指定谁来做。模型把零散表达整理得太顺，顺到把犹豫写成了决定。
这类偏差不显眼。大语言模型擅长处理语言层面的秩序：删掉重复、补上连接词、把口语改成书面语。它读到的是一段转写，不是会议室里的停顿、眼神和语气。于是，原本“可能下周”的说法，容易在生成时变成“下周”；原本多人插话中的一句提议，容易被整理成会议结论。对企业来说，麻烦不在于文本读起来不通，而在于它读起来太通。
它把不确定性写没了
记录的价值，很多时候恰恰在于保留不确定性。谁提出的、谁附议的、有没有反对、是决定还是待议，这些信息决定后续怎么执行。大语言模型生成文本时，会根据上下文选择常见的表达路径；遇到含糊处，它倾向于给出一个完整句子，而不是留下空白。空白在写作里不好看，在协作里却可能是必要的。
纪要之外，先问上下文
把这类工具放进企业流程，一个可操作的做法不是让它直接产出最终稿，而是把它放在草稿位置。原始转写保留时间戳和说话人标记；模型负责分段、提取议题、归纳候选待办；涉及日期、数字、责任人的句子，回到原始材料逐条核对；纪要发出前，由参会者确认哪些是事实、哪些是建议、哪些只是讨论。流程多几步，换来的是可追溯。
- 把“事实”“观点”“待办”分开写，不用一段话混在一起。
- 给关键句标出来源，至少能回到录音或原始转写。
- 日期、数字、责任人单独核对，不让模型替人确认。
- 对外发出的纪要，保留一位明确的人工确认者。
有人会把问题归结为模型不够准。其实，语言整理和事实确认是两件事。前者可以靠模型缩短时间，后者需要组织里的责任链。大语言模型可以帮人把一段混乱的讨论变成可读的草稿，却不能替参会者决定哪句话算数。把它当草稿工具，边界清楚；把它当会议真相的生成器，风险就来了。
会议纪要只是一个小场景，却把这类工具的边界照得很清楚：它能把语言打磨得平顺，不能自动带来可核验的上下文。企业真正要设计的，不是让模型写得更像人，而是让复核更省力：来源可见、责任可查、修改留痕。等到这些动作变成习惯，模型写出的草稿才有被信任的基础。