会议室里，最后一句话落下，投影还亮着。有人把录音转成文字，再交给生成式人工智能整理成纪要。几分钟后，屏幕上出现了一份读起来很顺的文档：背景、讨论、结论、待办，一样不少。可如果当场有人提出过保留意见，或者某件事只是“先看看”，这份顺滑的文本未必会替你把犹疑留下。
这不是说工具不能用，而是纪要这件事本身不只是在“写清楚”。它至少包含三层工作：听见原话、辨认意图、形成可执行的记录。生成式人工智能对第一层有帮助，对第二层只能猜，对第三层则依赖人给出的规则。
顺滑的文本，可能把模糊处抹平
口头讨论常常是跳跃的。一个人说“这个方向可以试试”，另一个人接“但资源还没定”，第三个人补一句“下周再看”。这些句子连在一起，听者知道事情悬着；模型却容易把它收束成“会议同意推进该方向”。语言上没错，判断上却多走了一步。类似地，抱怨、假设、反问、玩笑，都可能被整理成陈述句。
一种常见误会是：把这类输出直接当成会议的事实底稿。实际上，它是一份待校对的语言草稿。草稿的价值在于省去从零敲字的时间，不在于替代参会者对上下文的理解。谁说的、在什么语境下说的、有没有被否决，这些信息一旦丢了，后面执行就会走样。
把核对放在生成之后
如果要在工作流里使用它，我会把动作拆开，而不是把整段讨论一口气丢进去。比如先保留逐字稿和关键时间点，再让模型只做分段、标出议题、提取明显的待办；涉及决定和承诺的部分，回到原话核对。这个顺序不复杂，却能减少“看起来像结论”的误导。
- 先确认哪些内容是决定，哪些只是提议、假设或待确认事项。
- 对待办写明动作、对象和时限；缺少其中一项时，标记为待补充，而不是替人补全。
- 保留异议和未决问题，不用“基本同意”“原则通过”这类模糊说法覆盖分歧。
- 发出前由参会者通读一遍，重点看人名、数字、时间、否定词和条件句。
这些动作听起来琐碎，却决定了纪要能不能用。生成式人工智能可以压缩篇幅、调整语气、把口语改成书面语，但它不知道一个项目背后未写进录音的约束。它也不会替你承担发错纪要的后果。
边界感来自任务本身
我不太愿意把这类工具描述成“替人思考”。在会议纪要这个场景里，它做的是语言整理，人做的是事实确认和责任判断。两者混在一起，效率可能提高，风险也会被一起放大。反过来，如果把任务切得足够清楚，它确实能让人从重复的听写和排版里抽身。
所以，问题不是要不要用生成式人工智能，而是把它放在流程的哪一段。放在初稿位置，它是个帮手；放在最终判断位置，它就成了一个说话很顺、但不了解后果的代笔。会议纪要如此，其他文本工作也类似。每次按下生成键之前，先想清楚：这段话里，哪些部分是机器可以整理的，哪些部分必须由人说“是”或“不是”。